XiaoMi-AI文件搜索系统
World File Search System表示
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。
歧视性和一致表示蒸馏
知识蒸馏（KD）旨在将知识从大型教师模型转移到较小的学生模型。虽然对比学习通过创建歧视性表示表现出了在自我监督学习中的希望，但其在知识蒸馏中的信息仍然有限，并且主要涉及歧视，忽略了教师模型捕获的结构关系。为了解决这一限制，我们提出了d Iscriminative and C On Consistent d Istillation（DCD），它采用了对比损失以及一致性正规化，以最大程度地减少教师和学生代表分布之间的差异。我们的方法引入了在训练过程中适应这些互补目标的可学习温度和偏置参数，以取代对比度学习方法中常用的固定超平衡器。通过CIFAR-100和Imagenet ILSVRC-2012的广泛实验，我们证明DCD实现了状态的表现，学生模型有时会超过教师的准确性。此外，我们表明DCD的所学表示形式将转移到小型成像网和STL-10 1时表现出较高的跨数据集泛化。
鼠标决策中先验信息的大脑范围表示
查尔斯·休伯特（Charles Hubert）1，国际大实验室，丹尼尔·伯曼（Daniel Birman），安妮·K·苏克兰（Anne K Surchland）8，杨丹9，埃里克·埃吉·侯赛斯（Eric Ej Husser）7，Sounds B Miska 12，Thomas D Men-Flogel 12，Jean-Paul圣诞节4，Kai Nylund 5，Kai Nylund 5，Pan-Vazquez的Alegenro； Paninski 16，乔纳森枕头10； Yanliang Shi 11，Noam Roth 5，Michael Shitner 1 Carolina Z Socha 7，Steven Jon West 12，Anthony Zador 10，Anthony Zador 14，Peter Dayan 13，Alexander
具有定量估计的ODE溶液的概率表示
本文考虑了通过随机树的产生来考虑普通差异方程式（ODES）解决方案的概率表示。我们在方程系数上介绍了足够的条件，以确保在此表示中使用的随机树的功能的集成性和统一性，并对其爆炸时间产生定量估计。这些条件依赖于控制随机树生长的标记分支过程的分析，其中标记可以解释为种群遗传学模型中的突变类型。我们还展示了分支过程爆炸是如何连接到ODE解决方案的存在和独特性的。
具有数值模型的微观气候和生理参数的表示，影响了葡萄园生态系统：piemonte的案例（Ital
我们诚挚地邀请您参加下一版的国际科学会议：中学会议6，2025。这一次，我们想讨论人工智能在人类生活的各个领域的中介过程与应用之间的关系和依赖关系。特别是我们对人与算法因素之间的相互作用感兴趣，这些因素以不同的方式推动了这些过程的过程。我们邀请了理论反思和经验研究的介绍，这些研究将反映和分析介导现象的各种表现和实例。主题演讲（在线）：人工智能时代的人机关系将由代表北伊利诺伊大学传播系的安德里亚·古兹曼教授提供。随附的活动，2025年3月8日：方法论小组 - 与Margrit Schreier教授（商学院，社会与决策学院，建筑商University Bremen）的定性分析。
狮子表示定理及其应用
定理 1.1 为已知条件，即形式 a : V × V → R ，由 a ( u, v ) = ⟨A u, v ⟩ V ∗ ,V 给出，但是这里给出的非对称情况的估计更加苛刻。在定理 1.1 中，不仅解的适定性而且最大规律性都是显著的：发展方程的所有三个项 u ′ 、A u 和 f 都在空间 L 2 (0 , T ; U ′ ) 中（有关此类规律性的更多信息，请参阅 [6]）。本文中发展的导子理论可应用于完全不同的主题。如果我们根据 Riesz 定理识别 V 和 V ′，则 V 上的稠密定义算子 S 是对称的当且仅当 iS 是导子。事实证明，我们关于边界算子的结果也允许描述对称算子 S 的所有自联合扩展。事实上，我们完善了文献中已知的边界三元组理论的一个版本。这些思想的循环在 [5] 中介绍。
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示Marvin I.de los santos logia.co，马尼拉大都会，菲律宾Midelossantos1215@gmail.com摘要，在机器学习过程中准确编码和表示遗传序列的能力对于生物技术的进步至关重要，这对于生物技术的进步至关重要，特别是基因工程和合成生物学。传统的序列编码方法在处理序列变异性，保持阅读框架完整性并保留生物学相关的特征中面临着显着的限制。这项初步研究介绍了TIPS-VF（可变长度片段的翻译器互动预种植者），这是一个简单有效的编码框架，旨在解决代表机器学习遗传序列的一些关键挑战。结果表明，TIPS-VF启用了可变的长度序列表示，该表示可以保留生物学环境，同时确保编码与密码子边界的对齐，从而特别适合模块化遗传结构。TIPS-VF在截断和碎片分析，序列同源性检测，域评估和剪接连接识别方面表现出卓越的性能。与需要固定长度输入的常规方法不同，TIPS-VF动态适应序列长度变化，保留基本特征，例如域相似性和序列基序。此外，TIPS-VF通过将序列嵌入与三个可能的开放式阅读框架统一，改善了开放的阅读框架识别并增强了向量零件和质粒元素的识别。总的来说，TIPS-VF提供了一个强大的，生物学上有意义的编码框架，通过结合序列，长度和位置意识来克服传统序列表示的约束。TIPS-VF编码基础架构可在https://tips.logiacommunications.com上找到。利益冲突：作者宣布没有利益冲突资金资金信息：无
基于CVAE的因果表示从视网膜底面图像学习与年龄相关的黄斑变性（AMD）预测
摘要 - 关于相对较差的预后和急性视力障碍，分析与年龄相关的黄斑变性或AMD是视网膜疾病分析中最重要的任务之一。尤其是，构建分析和预测湿AMD的方法，其特征是由于新血管形成而导致新科学家造成的快速RPE损害，数十年来一直是许多眼科医生的一项艰巨任务。最近，随着ML/DL框架和计算机视觉AI的进步，这些先前的努力现在导致了AMD预测和机制分析的急剧增强。具体来说，使用基于注意机制的CNN或XAI方法的使用在预测AMD状态和可靠解释方面会导致更高的性能。在最先进技术的使用中，这项研究实施了一种新型的潜在因果表示学习框架，以进一步增强基于AI的模型，以了解仅访问视网膜底面图像的复杂因果AMD机制，同时构建了更可靠的AMD预测模型。结果表明，基于有效的卷积VAE和GAE的显式潜在因果建模可以导致基本AMD机制的成功因果关系，同时返回基本的因果因素，这些因素可以可靠地可靠地区分正常的基础和AMD底层图像，例如诊断预测。
小鼠间歇性气味刺激的感知和神经表示
小鼠Luis Boero* 1,2，Hao Wu* 1,2,3，Joseph D. Zak 4，Paul Masset 5，Farhad Pashakhanloo 1,2，Siddharth Jayakumar 1，2美国剑桥，美国2号哈佛大学蜂窝生物学，美国剑桥大学，美国3化学与化学生物学系，哈佛大学，美国剑桥，美国4伊利诺伊州伊利诺伊大学生物科学系美国剑桥的哈佛大学工程和应用科学8肯普纳自然与人工智能研究所，哈佛大学，美国剑桥 *这些作者贡献了同样的贡献。†与Venkatesh N. Murthy（vnmurthy@fas.harvard.edu）的通信，自然界中的抽象气味线索由于动荡的运输而稀疏且高度波动。为了研究动物如何看待这些间歇性线索，我们制定了一项行为任务，在该任务中，头部约束小鼠根据几秒钟内随机提出的离散气味脉冲的总数做出了二进制决策。小鼠很容易学会这项任务，并且他们的性能被广泛使用的决策模型很好地描述。logistic在呼吸周期内针对气味脉冲时间的二进制选择的逻辑回归表明，小鼠对吸入期间刺激的感知重量更高，而不是呼气，这种相位依赖性与嗅觉感觉神经元中反应的幅度密切相关。前梨状皮层（APCX）神经元对气味脉冲的种群反应也通过呼吸阶段进行调节，尽管单个神经元表现出不同的相位依赖性水平。单个APCX神经元对气味脉冲反应，导致表示有感觉证据的特征，但没有其积累。我们的研究表明，小鼠可以在数十个呼吸中整合间歇性的气味信号，但是感觉输入的呼吸调节对信息获取施加了限制，即皮质电路无法克服改善行为。
hgcpep：一种基于超图的深度学习模型，用于增强癌症相关的NCPEP识别中肽特征的表示
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年2月17日发布。 https://doi.org/10.1101/2025.02.13.637760 doi：Biorxiv Preprint