XiaoMi-AI文件搜索系统
World File Search System维空间
比较了地球的环境生命周期表现 -
图形结构的场景描述可以在生成模型中有效地使用，以控制生成的图像的组成。以前的方法基于图形卷积网络和对抗方法的组合，分别用于布局预测和图像生成。在这项工作中，我们展示了如何利用多头关注来编码图形信息，以及在潜在的图像生成中使用基于变压器的模型可以提高采样数据的质量，而无需在训练稳定性方面采用后续的对抗模型。所提出的方法，具体来说，完全基于用于将场景图编码为中间对象布局的变压器体系结构，并将这些布局解码为图像，通过矢量定量的变异自动编码器所学到的较低维空间。我们的方法在最新方法中显示出改进的图像质量，以及从同一场景图中的多代人之间的较高程度的多样性。我们在三个公共数据集上评估了我们的方法：视觉基因组，可可和CLEVR。我们在可可和视觉基因组上分别达到13.7和12.8的成立分数和52.3和60.3的FID。我们对我们的贡献进行消融研究，以评估每个组件的影响。代码可从https://github.com/perceivelab/trf-sg2im获得。
蛋白质代码、3 流形和 Kummer 表面中的量子信息
摘要。每种蛋白质都由一个由 20 个字母/氨基酸组成的线性序列组成。该序列通过二级（局部折叠）、三级（键）和四级（不相交的多重）结构在三维空间中展开。我们之前发表的两篇论文中，利用有限群 G n := Z n ⋊ 2 O（n = 5 或 7，2 O 为二元八面体群）的（信息完整）不可约特征，可以预测线性链的 20 个字母的遗传密码的存在。事实证明，一些蛋白质复合物的四级结构表现出 n 重对称性。我们提出了一种基于自由群理论的二级结构方法。将我们的结果与其他根据 α 螺旋、β 片层和卷曲或更精细的技术预测蛋白质二级结构的方法进行了比较。结果表明，蛋白质的二级结构与某些双曲 3 流形的结构相似。体积最小的双曲 3 流形（Gieseking 流形）、其他一些 3 流形和定向超制图群被选为此类二级结构的暂定模型。对于四级结构，存在与 Kummer 表面的联系。
神经潜在对齐器：用于学习复杂、自然神经数据表征的交叉试验对齐
理解复杂人类行为的神经实现是神经科学的主要目标之一。为此，找到神经数据的真实表示至关重要，但由于行为高度复杂且信号信噪比 (SNR) 较低，这一点具有挑战性。在这里，我们提出了一种新颖的无监督学习框架——神经潜在对齐器 (NLA)，以找到复杂行为的受良好约束、与行为相关的神经表示。关键思想是在重复试验中对齐表示以学习跨试验一致的信息。此外，我们提出了一种新颖的、完全可微的时间扭曲模型 (TWM) 来解决试验的时间错位。当应用于自然说话的颅内皮层电图 (ECoG) 时，我们的模型比基线模型学习到了更好的解码行为表示，尤其是在低维空间中。通过测量对齐试验之间的行为一致性，TWM 得到了实证验证。与基线相比，所提出的框架学习了更多的跨试验一致性表示，并且当可视化时，流形揭示了跨试验的共享神经轨迹。
学习电磁超物理物理
大型语言模型（LLM），例如Chatgpt，Gemini，Llama和Claude接受了从互联网解析的文本数量的培训，并且表现出了出色的能力，可以以一种与人类无法区分的方式响应复杂提示的能力。对于由带有四个椭圆形谐振器的单位细胞组成的全dielectric寄生虫，我们在多达40,000个数据上呈现了一个llmfien，可以预测只有文本提示的吸收率谱，仅指定了元时间的几何形状。将结果与传统的机器学习方法进行比较，包括馈送前向神经网络，随机森林，线性回归和K-Nearest邻居（KNN）。值得注意的是，使用深度神经网络的大型数据集尺寸的细胞调整LLM（FT-LLM）的性能可比。我们还通过要求LLM预测实现所需光谱所需的几何形状来探索反问题。llms比Humans具有多个优势，这些优点可能使他们有益于研究，包括处理大量数据，数据中发现的隐藏模式并在高维空间中运行的能力。这表明他们可能能够利用对世界的一般知识比传统模型更快地学习，从而使他们的研究和分析工具有价值。
顺序非线性编码：一种低维回归算法，用于基于EEG的驱动疲劳检测
摘要。对现实世界数据的回归分析并不总是一件容易的任务，尤其是当输入向量以非常低的维空间呈现时。基于EEG的疲劳检测涉及低维问题，并且在降低致命事故的风险中起着重要作用。我们提出了一种内核投影追踪回归算法，该算法是一种针对低维问题（例如疲劳检测）量身定制的两步非线性。以这种方式，可以从两个不同的角度研究数据非线性：通过将数据转换为高维中间空间，然后将其样条估计应用于允许数据层次展开的输出变量。种子VIS数据库的实验结果说明了大脑的时间和后区域的平均RMSE值分别为0.1080％和0.1054％。我们的方法是通过对帕金森氏病预测进行的一些实验来验证的，这进一步证明了我们方法的效率。本文提出了一种新型回归算法，以解决高度复杂的低维数据的编码问题，该问题通常在生物神经学预测任务中遇到，例如基于EEG的驱动疲劳检测。
通过生成建模增强Rubisco中的碳固定
碳捕获是从大气中去除二氧化碳（CO 2）的碳捕获，它引起了人们的注意，以减轻全球变暖的影响。植物和光营养微生物具有通过CO 2固定捕获碳以产生生物量的固有能力。然而，天然碳固定途径受到催化活性低的关键酶的限制，导致低能效率。Rubisco就是一种关键酶，以其表现不佳而臭名昭著。过去的研究未能通过常规方法来增强Rubisco的碳固定。生成建模已成为一种创新的酶工程方法，利用不同的神经网络体系结构来提出具有期望特征的新型变体。在这里，将在Rubisco序列空间训练的变异自动编码器（VAE）应用于Rubisco Engineering的挑战。训练了两种模型，并使用VAE的降低性降低特性，探索了Rubisco的健身景观。序列用催化相关的数据标记，并建立回归模型，目的是预测这些序列具有增强的催化活性。在对低维空间进行系统审查后，生成了新型Rubisco序列。这里使用生成建模提供了Rubisco工程的新观点。
大型风洞的定量可视化工具...
用于流动可视化的粒子由两个摄像机记录，从而整个测量体积被连续照亮。将摄像机的照明时间设置为最大可能值（约 1/帧速率），从而生成一系列图像，其中移动粒子创建复合段的连续路径。利用来自两个摄像机的粒子轨迹，重建三维粒子轨迹。为了改善弱对比度，从当前图像中减去参考图像，然后对图像进行滤波以抑制噪声，并用阈值算子进行分割。路径段是根据路径连续的事实来识别的，即每个后续段必须准确地位于前一个图像中同一段结束的位置。提取已识别线段的端点，并针对镜头和 CCD 芯片造成的失真校正线段的边缘像素坐标。一旦找不到所讨论路径的新段，就用三次样条函数来近似路径的中心线。根据应用于端点的极线条件确定两个摄像机的相应路径。找到两条对应路径后，在三维空间中逐点重建粒子轨迹。使用三维三次样条函数描述粒子轨迹。根据片段长度和曝光时间可以计算出粒子速度。为了获取有关粒子轨迹形状的信息，附加
大型风洞实验的定量可视化工具
使用两个摄像机记录流动可视化的粒子，从而连续照亮整个测量体积。摄像机的照明时间被设置为最大可能值（约 1/帧速率），从而产生一系列图像，其中移动粒子创建复合段的连续路径。利用两个摄像机的粒子轨迹，重建三维粒子轨迹。为了改善弱对比度，从当前图像中减去参考图像，然后对图像进行滤波以抑制噪声，并用阈值算子进行分割。路径段是根据路径连续的事实来识别的，也就是说，每个后续段都必须准确地在前一个图像中同一段结束的位置找到。提取已识别线段的端点，并针对镜头和 CCD 芯片造成的失真校正线段的边缘像素坐标。一旦找不到所讨论路径的新段，就用三次样条函数来近似路径的中心线。根据应用于端点的极线条件确定两个摄像机的相应路径。找到两条对应路径后，在三维空间中逐点重建粒子轨迹。采用三维三次样条函数描述粒子轨迹。可以根据段长度和曝光时间计算出粒子速度。为了获得有关粒子轨迹形状的信息，需要额外的
使用Probstars对神经网络进行定量验证
最深层的神经网络（DNN）验证研究重点是定性验证，该验证回答了DNN是否具有安全性/鲁棒性属性。本文提出了一种将定性验证转换为神经网络定量验证的方法。由此产生的定量验证方法不仅可以回答是或否问题，而且可以计算违反财产的可能性。为此，我们介绍了概率恒星（或简短概率）的概念，即众所周知的恒星集的新变体，其中谓词变量属于高斯分布，并提出了一种方法来计算高维空间中概率恒星的可能性。与处理约束输入集的现有作品不同，我们的工作将输入集视为截断的多元正常（高斯）分布，即除了输入变量的约束外，输入集还具有满足约束的可能性。输入分布表示为概率恒星集，并通过网络传播，以构建包含多个ProbStars的可触及到的可触发设置，该集合用于验证网络的安全性或鲁棒性属性。在违反财产的情况下，违规概率可以通过精确的验证算法来精确计算，也可以通过过度验证验证算法来计算。所提出的方法是在名为Starv的工具中实现的，并使用著名的ACASXU网络和火箭着陆基准进行评估。
磁共振图像的白鲸（Delphinapterus leucas）大脑的解剖学和三维重建
磁共振成像提供了一种观察大脑内部结构的方法，其中传统的嵌入，切片，染色，安装和微观检查的过程不实用。此外，可以通过其精确的定量空间相互关系来分析内部结构，这在空间扭曲经常伴随组织学处理后很难完成。由于这些原因，磁共振成像使传统上难以分析的标本更容易访问。在本研究中，将白鲸（Beluga）Delphinapterus Leucas的大脑图像在119个前层的冠状平面中扫描。从这些扫描中，使用程序VoxelViewand和Voxelmath（Vital Images，Inc。）构建了计算机生成的三维模型。此模型，其中内部和外部形态的细节在三维空间中表示，然后在正交平面中切除，以在水平和矢状平面中产生相应的“虚拟”部分。在所有三个平面中的部分都显示出call体，内部囊，脑囊，脑室梗，脑室，某些丘脑核基团，尾巴核，腹侧纹状体，腹侧纹状体，腹侧纹状体，脑室，pontine核，小胡子皮质和白色的corercial和gyrci sulci sulci sulci sulci和gyrci sulci。