XiaoMi-AI文件搜索系统
World File Search System计算模型
研究人类大脑语言处理的计算模型：一项调查
预测神经活动，那么该模型就代表神经系统。相反，说如果模型代表神经系统，那么它预测神经活动是恰当的 [2]。第二种批评强调了在将模型与人类语言处理进行比较时，目标函数、学习规则和架构的差异。在视觉领域，它质疑通过优化分类性能来建模人类物体识别的一般方法可能会因为理论原因而被误导，即人类视觉系统可能并未针对图像分类进行优化 [3,4]。同样，人们的担忧还延伸到语言处理中的词语预测目标函数 [5]。第三种批评认为，计算模型的发现缺乏新颖性，通常是重述现有知识。根据 Barsalou (2017) 的说法，“神经编码研究几乎没有告诉我们这种处理的本质。虽然在 Marr 的计算和实现级别之间映射概念以支持神经编码和解码，但这种方法忽略了 Marr 的算法级别，而算法级别对于理解实现认知的机制至关重要。[6]”。尽管担忧是合理的，但正如乔治·EP·博克斯 (George EP Box) 所说，“所有模型都是错误的，但有些模型是有用的”。尽管在实现上存在根本差异，但先进的计算语言模型模拟了人类的语言能力。将它们视为理解大脑机制的潜在框架有三个主要优势。首先，计算模型可以有效地量化认知指标并识别语言处理中的神经相关性。与人工注释相比，它们对于大数据集注释具有成本效益，并且在处理句法复杂性等复杂指标方面表现出色。利用这些模型进行大脑相关性分析为分析自然数据提供了更大的灵活性，而传统的对比方法主要用于对照实验 [7、8、9、10、11、12、13]。其次，计算模型，尤其是大型语言模型，在各种语言任务中表现出类似人类的行为，提供了一种将来自不同模块的信息拼凑在一起的方法，并以整体的视角深入研究大脑语言处理机制。正如 Kriegeskorte 和 Douglas (2018) 所强调的，整合碎片化知识和结合学科对于获得脑计算模型的理论见解至关重要 [14]。第三，这些模型会产生前瞻性假设来验证大脑背后的语言现象 [15、16、17]。如果一个模型只用特定的结构来模仿人类的表现，就意味着这种架构可能捕获了解释大脑中观察到的行为的信息。为了支持这一观点，Kanwisher 等人 (2023) 提出深度网络可以回答有关大脑的“为什么”问题，这表明对任务的优化会驱动观察到的现象。为了彻底检查计算模型在研究大脑语言处理方面的有效性，本研究深入研究了统计语言模型 (SLM)、浅嵌入模型 (SEM) 和大型语言模型 (LLM) 随着时间的推移所做出的独特贡献。本研究旨在阐明这些模型如何以独特的方式推动大脑研究，探索特定的背景和方法。在接下来的章节中，第 2 节提供了不同计算模型和认知测量的术语。在第 3 节中，我们将深入探讨这些模型提供的三个优势，回顾这些方面的现有工作，并使用相同的训练数据集和评估指标对这些模型进行公平比较。第 4 节总结了这项研究，总结了主要发现和影响。
将逆增强学习整合到数据驱动的机械计算模型中：一种新的范式来解码癌细胞异质性
细胞异质性是生物学的无处不在，也是成功癌症治疗的主要障碍。已经出现了几种技术，可以沿轴上量化活细胞中的异质性，包括细胞迁移，形态，生长和信号传导。至关重要的是，这些研究表明，细胞异质性并不是细胞控制系统中随机性或失败的结果，而是多细胞系统的一个可预测方面。我们假设复杂组织中的单个细胞可以作为奖励最大化的药物的行为，而奖励感知的差异可以解释异质性。从这个角度来看，我们将逆增强学习作为一种分析细胞异质性的新方法。我们介绍了详细的实验方法，以测量随时间的时间测量细胞异质性，以及这些实验如何生成由细胞状态和作用组成的数据集。接下来，我们展示如何将逆增强学习应用于这些数据集，以推断单个单元格如何基于异质状态选择不同的动作。最后，我们将逆增强学习的潜在应用引入了三个细胞生物学问题。总体而言，我们期望逆增强学习能够揭示为什么细胞行为异质，并基于这种新理解来识别新型治疗方法。
朝着人类AI团队中加强学习的计算模型
摘要在不断发展的人工智能领域（AI）中，研究正在从专注于个别自主代理转变为探索代理团队的动态。这种转变需要从具有统一能力（同质）的代理转变为表现出多种技能和功能（异质）的人。在此阶段，对混合人类团队的研究是这种演变的自然扩展，有望将AI的应用扩展到其传统，高度控制的环境之外。但是，这种进步为学习系统带来了新的挑战，例如可信度和解释性。这些素质对于确保混合团队的有效合作和决策至关重要，在混合团队中，相互合作和分散控制是基本的。强化学习是一种灵活的学习框架，可以很好地适应半结构化的环境和互动，例如本工作中正在考虑的那些。本文旨在为弥合多代理增强学习（MARL）与其他专注于人类在团队中的存在或深入研究人类互动之间的差距。我们探讨了如何将MARL框架适应人类团队，突出一些必要的建模选择，讨论关键的建模决策，并突出主要的挑战和约束。我们的目标是为混合学习团队建立一个统一的框架，鼓励跨学科的捐款，以改善MARL的复杂环境。
预测深度学习时代肝毒性的计算模型
药物诱导的肝损伤（DILI）是由药物引起的严重不良反应，可能导致急性肝衰竭甚至死亡。许多努力集中在减轻与潜在DILI相关的风险上。在其中，定量结构活性关系（QSAR）被证明是早期肝毒性筛查的有价值工具。它的优点不包括对物质物质和快速交付结果的要求。深度学习（DL）最近取得了快速的进步，并已用于开发QSAR模型。本综述讨论了DL在预测DILI中的使用，重点是采用广泛的化学结构数据集及其相应的DILI结果的QSAR模型的开发。我们对各种DL方法进行了全面的评估，与传统机器学习（ML）方法相比，并探讨了DL技术在其可解释性，可伸缩性和概括性方面的优势和局限性。总体而言，我们的综述强调了DL方法的潜力增强DILI预测，并为未来的途径提供了开发预测模型以减轻人类稀有风险的见解。
使用光学实验创建干细胞衍生心肌细胞的特定细胞计算模型
资金来源21由美国国立卫生研究院提供了U01 HL 136297和R01 HL 167520（EAS）和22 R44 HL 139248（TW）的支持。jy得到了NIH培训赠款T32 HD 075735的部分支持。作者23承认由Sinai的科学计算和数据24提供的计算资源和员工专业知识，由NCAT的CTSA Grant Ultr004419支持。25
空间认知的大规模神经计算模型，将记忆与视觉整合
对财政和监管杠杆的任何更改都必须是一系列措施的一部分，这些措施试图推动整个产品生命周期和项目生命周期的变化 - 即减少拆除，可回收材料的保证，解构设计。数字工具和系统（例如废物跟踪）必须坚固，以确保我们采取准确的信息（并保护欺诈。）将来，这可能意味着我们拥有足够准确的材料流数据来使用因果循环图，以更好地了解系统将如何响应诸如垃圾填埋场之类的政策变化 - 以确定风险，机会并更好地准备变革。
维持对计算模型的信任论点...
心血管疾病是发病率和死亡率的主要原因。它经常破坏心脏中的电生理机制，导致心律不齐，影响对重要器官的血液供应，并大大增加了血栓形成和中风的风险。然而，基本机制尚未完全理解，导致次优处理。机械和统计模型成为有力的工具，以改善理解。这些模型 - 心脏的数字双胞胎本身是数学和计算复杂的软件。要在临床环境中信任他们，需要仔细考虑它们与预测的现实世界的关系和预测的有效性。当前，此类考虑是隐式的，或者充其量以自然语言表示，很难自动验证。
面对面：梭状回面部区域的计算模型与有争议的面部刺激之间的对立
数百项研究已经描述了梭状回面部区域 (FFA) 的反应特性，但我们尚未揭示其表征背后的计算机制。一个方法论上的挑战是，不同的计算模型对随机抽样的面部做出的预测可能难以区分。这项 fMRI 研究采用了合成的争议性面部刺激，旨在引出六个候选神经网络模型对 FFA 中面部表征的不同预测。我们展示了对一位参与者进行四次扫描的初步数据。争议性面孔揭示了各模型在预测 FFA 表征相异矩阵 (RDM) 的能力方面存在许多显著差异，而随机抽样的面部无法实现模型之间的可靠裁决。经过逆向渲染（将面部图像映射到 3D 面部模型的潜在空间）训练的神经网络优于具有相同架构但经过识别、分类或自动编码训练的替代模型。我们的研究结果支持了这样的观点：面部识别涉及反映面部物理结构的表现形式，并证明了需要通过神经成像实验来优化有争议的刺激来裁决脑计算模型。
整个人类心脏力学的全面且生物物理详细的计算模型
虽然在生理和病理条件下对心室机电进行了广泛的研究，但最近才解决了四腔心脏模型。但是，大多数作品但是忽略了心房收缩。的确，作为心房的特征是复杂的解剖结构和受心室功能强烈影响的生理学，开发了能够捕获生理心房功能和房屋相互作用的计算模型非常具有挑战性。在本文中，我们提出了整个人心脏的生物物理详细机电模型，该模型考虑了心房和心室收缩。我们的模型包括：（i）解剖上准确的全心几何形状； （ii）全面的心肌纤维建筑； （iii）活性力产生的生物物理详细微观模型； （iv）循环系统的0D闭环模型与心脏的机械模型完全耦合； （v）不同核心模型之间的基本相互作用，例如机械电气反馈或纤维拉伸和纤维拉伸速率反馈； （vi）每个心脏区域的特定本构定律和模型参数。，我们提出了一个有效的分离间隔式跨性别的方案，其中包括一种计算有效的策略来处理非导电区域。我们还提出了扩展最新的稳定技术 - 关于循环和纤维拉伸速率的反馈 - 全心全意，这证明了它们在四腔场景中获得稳定配方的关键。©2023作者。由Elsevier B.V.我们能够在压力 - 体积环，压力，体积和通量的时间演化以及三维心脏变形方面重现所有心脏腔室的健康心脏功能，并在心排血管磁共振的参考范围内具有体积指数。我们还表明了考虑心房收缩，纤维拉伸速率反馈和提出的稳定技术的重要性，通过比较模型中有和没有这些特征的结果。尤其是，我们表明，由于其所带来的数值挑战，纤维拉伸速率反馈通常被忽略，在体内弹出的血液中弹出的血液中起着基本作用。所提出的模型代表了IHEART ERC项目的最新机电模型 - 一种用于模拟心脏功能的综合心脏模型 - 这是迈向建立基于物理学的人类心脏数字双胞胎的基本步骤。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
CAR T细胞免疫疗法的计算模型解剖并预测白血病患者的缓解，抗药性和复发时的反应
抽象背景自适应CD19靶向的嵌合抗原受体（CAR）T细胞转移已成为白血病的有前途的治疗方法。尽管患者反应在不同的临床试验中有所不同，但目前缺乏可靠的方法来剖析和预测患者对新疗法的反应。最近，在计算机计算模型中，已经实现了患者反应的描述，并且预测应用受到限制。方法，我们建立了一种CAR T细胞治疗的计算模型，以通过连续缓解（CR），无反应（NR）和CD19阳性（CD19 +）和CD19-Negation（CD19-Negation（CD19-）复发的反应来概括关键的细胞机制和动力学。从临床研究中收集了209例患者的实时车T细胞和肿瘤负担数据，并用骨髓中的统一单位进行了标准化。参数估计是使用随机近似期望最大化算法进行非线性混合效应建模的。结果我们揭示了与患者缓解，抗药性和复发时患者反应有关的关键决定因素。对于Cr，NR和CD19 +复发，CAR T细胞的总体功能导致了各种结果，而CD19 +抗原的丧失以及CAR T细胞的旁观者杀死效应可能部分解释了CD19-复发的进展。此外，我们通过结合CAR T细胞的峰值和累积值或输入早期阶段T细胞动力学来预测患者的反应。进行了基于实际临床患者数据集生成的虚拟患者队列的临床试验模拟，以进一步验证预测。结论我们的模型解剖了白血病对汽车T细胞疗法的不同反应背后的机制。这种基于患者的计算免疫肿瘤学模型可以预测较晚的反应，并且在临床治疗和管理中可能是有益的。