XiaoMi-AI文件搜索系统
World File Search System编码器
CETP和SGLT2抑制剂联合疗法改善血糖控制 新诊断为癌症儿童的生长分化因子15（GDF15）升高 与急性胰腺炎及其机制有关的糖尿病的招募和保留策略（梦）研究：急性胰腺炎联盟（T1DAPC）中的1型糖尿病 可穿戴技术如何促进外科视频的AI分析 大麻使用和发育的大脑 高级心力衰竭分配中的多组分实施策略的试点测试 多任务深度自动编码器，可以在外周血中使用时间DNA甲基化数据来预测阿尔茨海默氏病的进展 遗传学和精确基因组学方法肺高血压 f -IU印第安纳波利斯学者 挥发性有机化合物评估是筛查工具，用于早期检测胃肠道疾病 可溶性α-klotho和肝素调节成纤维细胞生长因子23在慢性肾脏疾病中的病理心脏作用 经济低迷对国家预算的影响：A ... 抑郁症的功能连接组学：疗法的见解 和心脏后移植：小儿的报告 口服耐受性在基因治疗中的潜在作用 在人类实验室酒精研究中注入或摄取
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
Terapixel图像处理的集成光子编码器
摘要（150个单词）现代镜头设计能够解决> 10吉像素，而相机框架速率和高光谱成像的进步使Terapixel/S数据获取成为了真正的可能性。阻止这种高数据率系统的主要瓶颈是功耗和数据存储。在这项工作中，我们表明模拟光子编码器可以应对这一挑战，从而可以使用比数字电子设备低的功率来实现高速图像压缩。我们的方法依赖于硅 - 光子学前端来压缩原始图像数据，预言了能量密集型图像调理并减少数据存储要求。压缩方案使用被动无序的光子结构来对原始图像数据进行内核型随机投影，其功耗最少和低潜伏期。后端神经网络可以以超过90％的结构相似性重建原始图像。此方案有可能使用小于100 FJ/Pixel处理Terapixel/S数据流，从而为超高分辨率数据和图像采集系统提供了途径。
新生儿脑连接使用变量自动编码器
功能磁共振成像（fMRI）的摘要最新进展有助于以前的早期产前和新生儿脑发育的无法访问的轨迹。迄今为止，胎儿 - 神经fMRI数据的解释依赖于线性分析模型，类似于成人神经成像数据。但是，与成人大脑不同，胎儿和新生大脑的发展迅速，超过了整个寿命的任何其他大脑发育期。因此，在沿着产前 - 神经期连续体的大脑发育的关键时期，传统的线性计算模型可能无法充分捕获这些加速且复杂的神经发育轨迹。为了获得对胎儿 - 神经性大脑发育的细微理解，包括非线性增长，我们首次开发了数量的，全系统范围的大脑对大脑活动的代表（胎儿（> 500）（> 500）的（> 500）的早产和完整的新生儿，使用了一种不受欢迎的模型，以优于替代的综合模型，以前陈述了一种模型（Vae），以前是一种模型（Vae），以前是一种模型（Vae），以前是一种模型（VAI），是一种模型，是一种模型，是一种模型）健康成年人的数据。在这里，我们证明了非线性脑特征，即潜在变量，该特征是在人类成年人的RSFMRI上预先介绍的，具有重要的个体神经特征，携带了重要的个体神经特征，从而改善了产前神经性脑脑成熟模式的表示，并具有更准确的和稳定的年龄预测与新生酸盐群体相比，并具有稳定的年龄预测。使用VAE解码器，我们还揭示了跨越感觉和默认模式网络的不同功能性脑网络。使用vae，我们能够可靠地捕获和量化复合物，非线性胎儿 - 神经性神经连通性。这将为详细绘制其起源于胎儿生活的健康和异常功能性脑签名的详细映射。
合成DNA数据存储的熵编码器的旋转标记
摘要 - 过去几年，数据存储需求的不断增长的趋势激发了对替代数据存储系统的研究。由于其生化特征，合成DNA分子被认为是新存储范式的潜在候选者。由于这种趋势，在过去几年中提出了几种编码解决方案，以将数字信息存储到DNA中。尽管是一个有前途的解决方案，但DNA存储仍面临两个主要障碍：合成的巨大成本和测序过程中引入的噪声。此外，当未尊重生化定义的编码约束时，这种噪声会增加：避免均聚物和模式以及平衡GC含量。本文描述了一种新颖的熵编码器，该编码器可以嵌入到任何基于块的图像编码模式中，并旨在鲁棒化解码结果。我们提出的解决方案在生成的第四纪流中引入了可变性，减少了均聚物和重复模式的量，以降低发生错误的可能性。在限制代码以更好地满足约束的同时会降低压缩效率，但在这项工作中，我们提出了一种替代方法，以进一步稳健地稳健地稳健不存在的代码而不会影响压缩率。为此，我们将提出的熵编码器集成到了四个现有的JPEG启发的DNA编码器中。然后，我们通过提供特定的评估指标来评估所有不同方法的编码数据的质量。
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。
stgate：带有变压器编码器的时空图形注意网络，用于基于EEG的情绪识别
脑电图（EEG）是神经科学研究中的至关重要且广泛使用的技术。在本文中，我们介绍了一个具有变压器编码器（Stgate）的新型图神经网络，称为“时空图”注意力网络（Stgate），以学习情感脑电图信号的图表并改善情绪识别性能。在Stgate中，将变压器编码器用于捕获时间频率特征，这些特征被送入空间时间图以进行情感分类。使用动态邻接矩阵，提出的stgate自适应地学习了不同的脑电图通道之间的内在连接。为了评估跨主题的情感识别表现，对三个公共情感识别数据集（即种子，种子-IV和梦想家）进行了一项主题外的实验。拟议的Stgate模型在种子中达到了90.37％的最先进的情绪识别性能精度，在种子-IV中为76.43％，Dreamer数据集中分别为76.35％。实验证明了拟议的Stgate模型对跨主题EEG情绪识别及其在基于图的神经科学研究的潜力的影响。
e2-nvm：一种内存感知的写入方案，可提高能源效率和使用变量自动编码器
为了克服NVM中的能耗和写入耐力问题，开发了两种方法。第一种方法开发基于硬件的写优化技术[1，10，15，23，46]，这些技术主要基于读取前写入（RBW）模式[52]。在RBW中，写入操作𝑤对存储位置的写操作始终先于读取。将𝑤书写的值与𝑥的旧内容进行了比较，并且只有不同的位。这减少了翻转位的数量，从而减少了能耗并增加了写入耐力[52]。第二种方法通过最大程度地减少写入放大[4，9，25，34，45，54]来解决能耗和写入耐力的问题。但是，这些方法将能效问题与写入放大问题相结合。在许多情况下，导致减少写入放大的技术具有提高能量效率和写入耐力的副作用，但这种情况并非总是如此，如先前的工作[6，26，27]所示，并且我们在本文中的评估。
使用对抗性条件变异自动编码器 /作者= kojima，keisuke的二维自由形式的逆设计； Toshiaki的Koike-Akino；王，你们； Jung Minwoo;品牌，Matthew /CreationDate = 2023年1月31日 /受试者=人工智能，电子和光子设备，机器学习< /div>
使用对抗性的条件变量自动编码器Keisuke Kojimaa，Toshiaki Koike-Akinob，Ye Wangb，Minwoo Jungb，C，C和Matthew BrandB BrandB Aboston Quantum Photonics Llc，588 Bost Post rd＃315， Bmitsubishi电力研究实验室，201号百老汇，马萨诸塞州剑桥市02139，美国cdepartment of Adryics，康奈尔大学，纽约州伊萨卡，纽约州14853，美国。abract用于元设计和元城的逆设计，已经广泛探索了生成的深度学习。大多数作品都是基于条件生成的对抗网络（CGAN）及其变体，但是，选择适当的超级参数以进行有效的训练很具有挑战性。另一种方法是一种对抗性的条件变化Au-Toencoder（A-CVAE），尚未探索Metagrats和MetaSurfaces的逆设计，尽管最近它对Planar Nananophotonic vaveguide wavelguide Power/波长偏开剂的平面设计表现出了很大的希望。在本文中，我们讨论了如何将A-CVAE应用于二维自由形式的Metagratings，包括培训数据集准备，网络的构建，培训技术以及反向设计的元群的性能。
有效的U-NET体系结构，具有多个编码器和注意机制解码器的脑肿瘤分割
摘要：大脑是人类控制和交流的中心。因此，保护它并为其提供理想条件非常重要。脑癌仍然是世界上死亡的主要原因之一，并且检测恶性脑肿瘤是医疗图像分割的优先事项。与正常组织相比，脑肿瘤分割任务旨在鉴定属于异常区域的像素。深度学习近年来已经解决了解决这个问题的力量，尤其是类似U-Net的架构。在本文中，我们提出了一个有效的U-NET架构，其中包含三个不同的编码器：VGG-19，Resnet50和MobilenetV2。这是基于转移学习，然后是应用于每个编码器的双向特征金字塔网络，以获得更多的空间相关特征。然后，我们融合了从每个网络的输出中提取的特征图，并通过注意机制将它们合并到我们的解码器中。在Brats 2020数据集上评估了该方法，以分割不同类型的肿瘤，结果在骰子相似性方面表现出良好的性能，整个肿瘤，核心肿瘤和增强肿瘤的系数为0.8741、0.8069和0.7033。
注意力引导自动编码器，利用结构 MRI 自动预测主观认知衰退的进展
摘要 —主观认知衰退（SCD）是阿尔茨海默病（AD）的临床前阶段，比轻度认知障碍（MCI）更早。进行性SCD将转化为MCI，并有可能进一步发展为AD。因此，利用神经成像技术（如结构MRI）早期识别进行性SCD对于早期干预AD具有重要的临床价值。然而，现有的基于MRI的机器/深度学习方法通常存在样本量小和可解释性不足的问题。为此，我们提出了一种可解释的具有域迁移学习（IADT）的自编码器模型来预测SCD的进展。首先，该模型可以利用目标域（即SCD）和辅助域（如AD和NC）的MRI来识别进行性SCD。此外，它可以通过注意机制自动定位与疾病相关的感兴趣的大脑区域（在脑图谱中定义），显示出良好的可解释性。此外，IADT 模型在 CPU 上仅需 5 ∼ 10 秒即可轻松训练和测试，适用于小型数据集的医疗任务。在公开的 ADNI 数据集和私有的 CLAS 数据集上进行的大量实验证明了所提方法的有效性。