XiaoMi-AI文件搜索系统
World File Search System训练集
使用 AI 方法预测焊接响应
摘要 薄板激光焊接广泛应用于电池制造、汽车、航空、电子电路和医学等各个领域。因此，开发一种使用人工智能的预测模型对于以经济的方式实现高质量的焊接件至关重要。在本研究中，实施了两种先进的人工智能技术，即自适应神经模糊推理系统 (ANFIS) 和多基因遗传编程 (MGGP)，以预测使用 Nd:YAG 激光连接薄板过程中的焊接响应，例如热影响区、表面粗糙度和焊接强度。本研究试图为焊接过程开发一个合适的预测模型。在提出的方法中，70% 的实验数据构成训练集，而剩余 30% 的数据用作测试集。本研究结果表明，MGGP 模型测试数据集的均方根误差 (RMSE) 在 7% 到 16% 之间，而 ANFIS 模型测试数据集的 RMSE 在 18-35% 之间。研究表明，MGGP 能够以优异的方式预测激光焊接过程中的焊接响应，并可用于准确预测性能指标。
独家：排除神经信息检索
排除是人类用来表达自己不想要的重要性语言技能。几乎没有关于排他性检索的研究，用户表达了他们不想成为查询结果的一部分。我们首次研究了文件检索中排除检索的情况。我们提出了Dextuir，这是一套用于排除检索的资源，包括评估基准和培训集，用于帮助检索模型理解排除查询。评估基准包括3,452个高质量的排除查询，每个查询都已手动注释。该训练集包含70,293个排除查询，每个查询都与POSSIVE文档和负面文档配对。我们进行了详细的实验和分析，获得了三个主要观察结果：（i）现有的检索模型具有不同的结构，以有效地理解排他性查询； （ii）尽管整合我们的培训数据可以改善在排除检索方面的检索模型的表现，但与人类绩效相比，仍然存在差距； （iii）一般检索模型在处理排除查询方面具有自然优势。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
基于机器学习模型的全球气候变化预测的研究
摘要。气候预测模型传统上依靠复杂的物理方程来模拟气候系统的动力学，但是这些模型通常需要大量的计算资源和长时间的计算长度。近年来，机器学习技术显示出巨大的模式识别和预测潜力。具体来说，由于它们在处理大规模数据集方面的优势，机器学习模型已成为气候科学领域的热门研究方向。在这项工作中，我们提出了一个基于卷积神经网络（CNN）模型，该模型能够处理和分析来自卫星的大规模气候数据集，包括多维数据，包括温度，气压，湿度和CO2浓度。输入是历史气候数据，空间特征是通过卷积层提取的，然后通过完全连接的层执行特征融合和最终预测输出。最后，我们利用历史气候数据作为训练集，并在多个时间段内对数据进行了测试。结果表明，与传统物理模型相比，基于CNN的模型在预测全球平均温度变化，降水和极端天气事件时提供了更高的准确性和较低的预测错误。
使用来自 PubMed 的词嵌入进行监督学习可以捕获有关蛋白激酶和癌症的潜在知识。
多年来，抑制导致癌症的蛋白激酶 (PK) 一直是癌症治疗的重要课题。到目前为止，FDA 批准的药物已经针对了 530 多种 PK 中的近 8%，大约 150 种蛋白激酶抑制剂 (PKI) 已经在临床试验中进行了测试。我们提出了一种基于自然语言处理和机器学习的方法来研究 PK 和癌症之间的关系，预测抑制哪些 PK 可以有效治疗某种癌症。我们的方法根据 PubMed 摘要中的单词和概念邻域将 PK 和癌症表示为具有语义意义的 100 维向量。我们使用 ClinicalTrials.gov 中有关 I-IV 期试验的信息来构建随机森林分类的训练集。我们使用历史数据的结果显示，可以提前数年准确预测 PK 与特定癌症之间的关联。我们的工具可用于预测抑制 PK 对特定癌症的相关性，并支持设计有针对性的临床试验，以发现用于癌症治疗的新型 PKI。
一种用于大脑年龄建模的不确定性感知、可共享、透明的神经网络架构
根据神经影像数据预测的年龄与实际年龄之间的偏差已被确定为跨疾病大脑变化的敏感风险标记，并逐渐成为生物年龄研究的基石。然而，该领域的基础机器学习模型不考虑不确定性，因此会将结果与训练数据密度和变异性混淆。此外，现有模型通常基于同质训练集，通常未经独立验证，并且由于数据保护问题而无法共享。在这里，我们引入了一个不确定性感知、可共享且透明的蒙特卡洛辍学复合分位数回归 (MCCQR) 神经网络，该网络基于来自德国国家队列的 N = 10,691 个数据集进行训练。MCCQR 模型可在高维神经影像数据中提供稳健、无分布的不确定性量化，与现有模型相比，可实现更低的错误率。在两个例子中，我们证明它可以防止虚假关联并提高检测异常大脑衰老的能力。我们公开了预训练模型和代码。
SSNet：使用...对脑部 MRI 扫描进行协同分割
本文使用基于 U-Net 的 nnUNetv2 和基于 SAM 的 SAM-track 构建模型，用于学习脑 MRI 图像。NnUNetv2 是医学图像分割的最佳模型。因此，我们使用 nnUNetv2 作为基础模型。NnUNetv2 使用 nii.gz 文件（脑 MRI 数据格式），并通过 5 次交叉验证进行训练。如图 2 所示，使用 nnUNetv2 学习训练集并预测测试集。在运行 SAM-track 之前，执行后向和前向方法以创建脑 MRI 图像 mp4 文件。使用脑 MRI 图像 mp4 文件和 nnUNetv2 预测的病变掩模图像作为提示执行 SAM-track 模型。SAM-track 是基于 SAM 模型的跟踪器，使用 SAM 模型的预训练权重，无需微调。此方法适用于所有脑数据格式：adc、b0 和 b1000。执行 SAM-track 时，会在帧通过时跟踪多个对象，并且仅对最初指定的对象进行后处理。此外，由于结果是 2D 图像，因此最终将其合并为 3D 以完成最终任务。
一种用于推进机器学习模型的混合脉冲卷积神经网络方法
在本文中，我们提出了一种新颖的独立混合脉冲卷积神经网络 (SC-NN) 模型，并在图像修复任务上进行了测试。我们的方法利用 SNN 的独特功能（例如基于事件的计算和时间处理）以及 CNN 强大的表示学习能力来生成高质量的修复图像。该模型在专为图像修复设计的自定义数据集上进行训练，其中使用蒙版创建缺失区域。混合模型由 SNNConv2d 层和传统 CNN 层组成。SNNConv2d 层实现泄漏积分和发射 (LIF) 神经元模型，捕捉脉冲行为，而 CNN 层捕捉空间特征。在本研究中，均方误差 (MSE) 损失函数演示了训练过程，其中训练损失值为 0.015，表示在训练集上的表现准确，并且模型实现了低至 0 的验证损失值。 0017 的测试结果。此外，大量的实验结果证明了其最先进的性能，展示了在单个网络中集成时间动态和特征提取进行图像修复的潜力。
蛋白质稳定性通过微调蛋白质语言模型在大型数据集上进行微调
蛋白质稳定性在多种应用中起着至关重要的作用，例如食物加工，治疗剂和致病突变的鉴定。工程运动企业寻求提高蛋白质稳定性，并且对简化这些过程有浓厚的兴趣，以便能够快速优化高度稳定的蛋白质，并且迭代较少。在这项工作中，我们利用巨型尺度数据集探索了为稳定性预测优化的蛋白质语言模型。ESM Therm受过训练，该培训是根据461个蛋白质结构域衍生的528K天然和从头序列的折叠稳定性训练，可以容纳缺失，插入和多点突变。我们表明，蛋白质语言模型可以进行微调以预测折叠稳定性。ESM Therm在小蛋白质结构域上合理地执行，并将其推广到训练集远端的序列。最后，我们讨论了模型的局限性，与其他最先进的方法相比，将其推广到较大的蛋白脚手架。我们的结果强调了对各种数据集上进行大规模稳定性测量的需求，该数据集反映了自然界中通常观察到的序列长度的分布。
VLSI设计中的机器学习：全面评论
监督的学习算法从标记的数据集中学习，重点是调整模型的参数并创建一个推断功能，该功能将输入映射到具有最小化预测错误的输出。监督模型从一对输入向量和相应的目标值中学习。存在两种主要类型的监督学习，分类和回归。分类算法将输入向量分配给预定义的类别或类。分类是二进制分类（两个目标类别）或多类分类（多个类别）。重新研究算法的重点是预测连续数值。存在各种回归算法，每个回归算法都满足了不同的需求。线性回归（LR）推测特征与目标之间的线性关联。多项式恢复（PR）通过多个数字函数捕获非线性关系。决策树（DT）基于最重要的属性将数据集递归将数据集分为子集中，从而创建了导致平均预测的树结构。随机森林（RF）是一种合奏方法，它可以组合多个决策树以提高预测准确性。超树或极为随机的树是另一种合奏方法，它构建了具有随机特征分裂的决策树。支持向量回归器（SVR）旨在找到一个超平面，该超平面使预测误差最小化，同时允许公差范围。k-nearest邻居（KNN）是一种非参数算法，通过平均其k-nearealt邻居的值来预测tar-获取值。幼稚的贝叶斯回归剂（NBR）依赖于概率原则。梯度提升（GB）通过组合多个弱决策树模型并通过将每个树拟合到先前树的残余误差来构建模型来构建模型。列表仍然很广泛，存在尚未包括在内的其他方法和神经网络算法。[7] [8] [9] [3] [10] [6]一个模型在为看不见的数据提供准确的预测时表现出良好的概括能力。如果Inferred模型过于简单，并且预测训练集的价值不准确，则可能会涉及培训数据的拟合。另一方面，当培训数据不足时，我们有可能在模型对训练集产生良好的预先指示的情况下，但在面对新数据时会失败，然后该模型具有较低的概括能力。作为一种态度，至关重要的是要达到模型复杂性的平衡，并在图3中所示的拟合和过度合适之间找到一个平衡的位置。