XiaoMi-AI文件搜索系统
World File Search System适应
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
YM155 适应的癌细胞系揭示药物
摘要：Survivin 是一种药物靶点，其抑制剂 YM155 是一种主要用于治疗高危神经母细胞瘤的候选药物。神经母细胞瘤细胞系 UKF-NB-3 的一个 YM155 适应亚系的研究结果表明，ABCB1（介导 YM155 外排）水平升高、SLC35F2（介导 YM155 摄取）水平降低、Survivin 水平降低和 TP53 突变表明 YM155 耐药。在此，对另外 10 个 YM155 适应 UKF-NB-3 亚系的研究仅证实了 ABCB1 和 SLC35F2 的作用。然而，细胞 ABCB1 和 SLC35F2 水平并不表明 YM155 幼稚细胞对 YM155 敏感，如来自癌症治疗反应门户 (CTRP) 和癌症药物敏感性基因组学 (GDSC) 数据库的药物反应数据所示。此外，耐药亚系具有显著的异质性。只有七个亚系产生了靶向耐药性，这表现为对 RNAi 介导的 survivin 耗竭的耐药性。这些亚系对其他抗癌药物的反应也各不相同。总之，内在异质性有限的癌细胞群在治疗后会形成各种耐药表型。因此，个性化治疗需要监测癌细胞在治疗后的演变。此外，生物标志物可以在获得性耐药环境中指示耐药性的形成，即使在内在耐药环境中无法预测。
幽门螺杆菌在逃避宿主先天和适应性免疫方面的策略：治疗靶向的见解和前景
幽门螺杆菌（H. Pylori）是全球引起慢性胃粘膜感染的主要病原体。在2011年至2022年期间，幽门螺杆菌感染的全球患病率估计为43.1％，而在中国，幽门螺杆菌感染的率略高，为44.2％。幽门螺杆菌持续定殖可导致胃炎，消化性溃疡和恶性肿瘤，例如粘膜相关的淋巴组织（MALT）淋巴瘤和胃腺癌。尽管引起了宿主的强大免疫反应，但幽门螺杆菌通过调节宿主免疫而在胃粘膜中繁荣发展，尤其是通过改变先天和适应性免疫细胞的功能，并抑制了对其存活不利的毒性反应，从而对临床管理提出了挑战。幽门螺杆菌与宿主免疫防御之间的相互作用是复杂的，涉及通过修饰表面分子，操纵巨噬细胞功能以及调节T细胞反应以逃避宿主识别的，以逃避免疫监测。这篇综述分析了幽门螺杆菌的免疫病和免疫逃避机制，强调了鉴定新的治疗靶标和制定有效的治疗策略的重要性，并讨论针对幽门螺杆菌的疫苗的发展如何为消除这种感染提供新的希望。
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
IDEA-Net：用于单幅图像去噪的自适应双自注意网络
由于可能存在数据偏差和预测方差，图像去噪是一项具有挑战性的任务。现有方法通常计算成本高。在这项工作中，我们提出了一种无监督图像去噪器，称为自适应双自注意网络（IDEA-Net），以应对这些挑战。IDEA-Net 受益于生成学习的图像双自注意区域，其中强制执行去噪过程。此外，IDEA-Net 不仅对可能的数据偏差具有鲁棒性，而且还通过仅在单个噪声图像上应用具有泊松丢失操作的简化编码器-解码器来帮助减少预测方差。与其他基于单图像的学习和非学习图像去噪器相比，所提出的 IDEA-Net 在四个基准数据集上表现出色。 IDEA-Net 还展示了在低光和嘈杂场景中去除真实世界噪声的适当选择，这反过来有助于更准确地检测暗脸。源代码可在 https://github.com/zhemingzuo/IDEA-Net 获得。
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。
如何让电力需求更适应可变可再生能源发电
例如，如果家庭安装了恒温器，当电价上涨或下跌（财政刺激）时，恒温器会自动改变供暖温度（智能自动化），这样家庭就可以省钱。或者，如果他们收到一条消息告知他们电价何时非常高，他们可以将此视为一种友好的提醒，以节省更多（基于信息的刺激）。关键是要找出这三种方法的有效性。为了理解这一点，我们的评论深入研究了能源经济学文献，并特别关注自 2007 年以来发表的论文，这些论文展示了旨在让家庭在特定时间段（通常是一天中的特定时段（高峰））减少电力消耗的实验结果，使用上述三种方法中的一种或多种。在此过程中，我们提取了 150 个平均处理效果，它们表示这些特定时间段内电力消耗的百分比下降。
城市绿色基础设施：通过自适应管理方法弥合生物多样性保护和可持续的城市发展
城市绿色基础设施（UGI）在通过自适应管理方法将生物多样性保护与可持续城市发展的可持续发展方面至关重要。本文介绍了一个综合概念框架，该框架整合了生态原理，城市规划策略和自适应管理方法，以培养有弹性和生物多样性的城市景观。UGI的本质在于它能够增强生态连通性，恢复生态系统功能并为城市环境中各种风水和动物群提供栖息地的能力。统治UGI设计的基本原则强调了其多功能性，连通性，多样性和可访问性，强调了以其迭代性和参与性为标志的适应性管理的重要性。尽管城市化带来的挑战，例如栖息地丧失，污染和气候变化，UGI干预措施为增强栖息地质量，连通性和生态系统弹性提供了有希望的途径。全球案例研究表明，UGI在生物多样性保护中的有效性，利用绿色屋顶，城市森林和社区花园等计划。UGI通过在各个领域提供多种生态系统服务，为可持续的城市发展做出了重要贡献。自适应管理对于有效的UGI规划和实施至关重要，在不断发展的环境条件下确保灵活性。但是，UGI遇到了障碍，包括资金限制，机构分裂和公平问题。应对这些挑战需要创新的培养机制，社区参与和政策创新。ugi提出了一种变革性的途径，可以促进弹性，生物多样性和可持续的城市景观，这对于城市在21世纪必须蓬勃发展。
视觉模型的有效测试时间适应
通过预训练的视觉模型进行测试时间适应，引起了越来越多的关注，以应对测试时间的分离转移。尽管事先实现了非常有前途的性能，但它们会进行密集的计算，这与测试时间适应非常不规则。我们设计了TDA，这是一种无训练的动态适配器，可通过视觉模型进行有效，有效的测试时间适应。tda可与轻巧的键值缓存一起使用，该缓存维持具有很少射击伪标签的dy-namic队列作为值，而相应的测试样本特征则是键。杠杆键值缓存，TDA允许通过渐进式伪标签的细化逐渐调整数据，而逐步测试数据，而不会产生任何反向传播。此外，我们引入了负伪标记，即当模型不确定其伪标签预测时，通过将伪标签分配给某些负类时，可以减轻伪标签噪声的不利影响。在两个基准上进行的广泛实验表明，与最先进的艺术品相比，TDA的实体有效性和效率。该代码已在https：//kdiaaa.github.io/tda/中发布。