XiaoMi-AI文件搜索系统
World File Search System适应
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。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
热休克蛋白DNAK在渗透适应中的作用
大肠杆菌细胞能够适应高渗透压，尽管在这些条件下生长会减慢。当细胞转移到较高的渗透压时，它们会瞬时停止生长。然后，在滞后后，他们恢复增长，增加了两倍的时间。在上一篇论文中，我们报告说，在37°C的最小培养基中，在几分钟内触发了从300到1,500 MOSM的渗透升级，几个代谢性干扰（可以汇总（23），如下所示。（i）细胞生长停止50至60分钟：渗透转移越大，生长恢复前的滞后持续时间越长。（ii）TRK系统的K+运输立即打开（24），以便在40至50分钟内蜂窝K+含量增加了100％。（iii）净蛋白和DNA合成和细胞分裂暂时停止40至50分钟。这些结果引起的问题是，诸如渗透升高之类的环境应力因素是否会引起一组特定的蛋白质，热休克和氧化应激也是如此。不同的微生物对渗透转移的反应（例如，大杆菌的降档；蓝细菌的降档以及革兰氏阳性和革兰氏阴性阴性的肉芽杆菌）似乎对蛋白质合成的载量修饰，这是由bidimentimentials electimentialsectimentialsectimentional prophtimentials prophentic蛋白蛋白质分析所表明的。到目前为止，这些反应还没有显示出明显的共同点。虽然卤菌物仅增加了在中等渗透压降低时增加几种热激蛋白的合成（8），但氰基细菌增加了几种热休克蛋白和盐应激特异性蛋白的合成，并抑制了一些其他对渗透量的响应的蛋白质的合成（3）。在枯草芽孢杆菌中，一般应激蛋白和特定蛋白质的合成也已被证明是通过渗透性升级刺激的（13）。在大肠杆菌中检测到了三种渗透升级诱导的蛋白质（7）；它们被认为既不是热休克蛋白也不是一般应激蛋白，而是参与寡糖代谢的酶（16），也可能是由普鲁操纵子编码的BETAINE转运系统的成分（2，6）。本报告的重点是DNAK蛋白，DNAK蛋白是蛋白质热休克组的成员（12，25），被认为可以调节大肠杆菌（30）中的热休克反应，并可能参与（i）染色体（28），X partiophage（X），X细菌噬菌体（1，20，32），和P1 p1 plasmid（31）plastipation（33）（31）
具有自增强自适应性能的分级多孔钢整体结构
铁是一种丰富的化学元素，自古以来就以钢和铸铁的形式用于制造工具、器皿和武器。[1,2] 钢铁目前每年的产量为 1.4 亿吨，是人类文明中最广泛利用的材料之一。[1] 如此高的产量和当前加工技术的高碳足迹，使钢铁成为现代社会减少材料对环境影响的首选材料。[3] 虽然全世界的大部分钢铁生产都用于制造致密的建筑结构元件，但人们也在探索将多孔铁块用于催化、[4] 储能、[5] 组织再生 [6] 和结构应用。[7] 对环境影响较小的轻质结构的需求日益增长，人们对此类多孔金属以及它们对旨在更有效地利用自然资源的非物质化战略的潜在贡献的兴趣日益浓厚。海绵铁是通过将矿石在熔点以下直接还原而获得的，是多孔金属最早的例子之一。[8] 由于其强度相对较低，这种多孔铁在过去被用作制造致密结构的前体。多孔金属的低强度源于众所周知的材料强度和相对密度之间的权衡。[9] 根据 Gibson-Ashby 分析模型的预测，[10] 多孔和胞状结构的强度和刚度与固相相对密度 (φ) 呈幂律关系：P∼φm，其中 P 是关注的属性，m 是缩放指数。重要的是，高度多孔的大型结构（φ<0.20）通常表现出的刚度和承载能力远低于这种简单分析模型的预期水平。 [11] 事实上，实验和计算研究表明，当材料的相对密度接近其渗透阈值时，只有一小部分固相能有效地增加多孔结构的刚度。[12,13] 这是因为在多孔网络结构整体变形过程中存在未受载荷的悬挂元素。[14]
可穿戴设备的自适应极端边缘计算
可穿戴设备是一种快速增长的技术，对社会和经济的个人医疗保健产生了影响。由于传感器和分布式网络中传感器的广泛影响，功耗，处理速度和系统适应性对于将来的智能可穿戴设备至关重要。对如何在智能传感器中将计算到边缘的视觉和预测已经开始，并渴望提供自适应的极端边缘计算。在这里，我们提供了针对智能可穿戴设备的硬件和理论解决方案的整体视图，可以为这个普遍的计算时代提供指导。我们为在可穿戴传感器的神经形态计算技术中持续学习的生物合理模型提出了各种解决方案。为了设想这个概念，我们提供了一个系统的概述，其中预期在神经形态平台中可穿戴传感器的潜在低功率和低潜伏期情景。我们依次描述了利用互补金属氧化物半导体（CMOS）和新兴记忆技术（例如MEMRISTIVE设备）的神经形态处理器的重要潜在景观。此外，我们根据足迹，功耗，延迟和数据大小来评估可穿戴设备内边缘计算的要求。我们还研究了神经形态计算硬件，算法和设备以外的挑战，这些挑战可能阻碍智能可穿戴设备中自适应边缘计算的增强。
明智的帮助：在家庭中积极主动和自适应机器人帮助的战略对手建模
尽管在日常任务中对弱势群体（例如，老年人，儿童和残疾人）的辅助技术有很大的需求，但对高级AID辅助解决方案的研究确实满足了他们的各种需求，这仍然很少。传统的人机互动任务通常需要机器来简单地帮助您对人类能力和感觉的细微差别，例如他们进行实践和学习的机会，自我改善感和自尊心。解决这一差距时，我们定义了一个关键而新颖的挑战智能帮助，旨在为各种残疾人的人提供积极主动而自适应的支持，并在各种任务和环境中提供动态目标。为了确定这一挑战，我们利用AI2- [32]来构建一个新的互动3D实体家庭环境，以完成智能帮助任务。我们采用了一个创新的对手建模模块，该模块对主要代理的能力和目标有细微的理解，以优化辅助代理人的帮助政策。严格的实验验证了我们的模型组件的功效，并显示了我们整体方法与已建立基线的优越性。我们的发现说明了AI所辅助机器人在改善弱势群体的福祉方面的潜力。
大型语言模型策略适应到处驾驶
将驾驶行为适应新的环境，库斯和法律是自主驾驶中的一个长期问题，排除了澳大利亚车辆（AVS）的广泛部署。在本文中，我们提出了LLADA，这是一种简单而强大的工具，它使人类驾驶员和自动驾驶汽车都可以通过调整其任务和动作计划来在新的地方进行访问规则，从而在任何地方开车。llada通过利用大型语言模型（LLMS）在解释本地驾驶员手册中的流量规则方面的令人印象深刻的零弹性可推广性来实现这一目标。通过广泛的用户研究，我们表明LLADA的说明可用于消除野外野外未受的情况。我们还展示了LLADA在现实世界数据集中适应AV运动计划策略的能力； Llada优于我们所有指标的基线计划。请查看我们的网站以获取更多详细信息：Llada。
测试时间适应性的神经网络，用于强大的医学图像分割
卷积神经网络（CNN）在培训数据集代表预期在测试时遇到的变化时，可以很好地解决监督学习问题。在医学图像细分中，当培训和测试图像之间的获取细节（例如扫描仪模型或协议）之间存在不匹配和测试图像之间的不匹配时，就会违反此前提。在这种情况下，CNNS的显着性能降解在文献中有很好的记录。为了解决此问题，我们将分割CNN设计为两个子网络的串联：一个相对较浅的图像差异CNN，然后是将归一化图像分离的深CNN。我们使用培训数据集训练这两个子网络，这些数据集由特定扫描仪和协议设置的带注释的图像组成。现在，在测试时，我们适应了每个测试图像的图像归一化子网络，并在预测的分割标签上具有隐式先验。我们采用了经过独立训练的Denoising自动编码器（DAE），以对合理的解剖分段标签进行模型。我们验证了三个解剖学的多中心磁共振成像数据集的拟议思想：大脑，心脏和前列腺。拟议的测试时间适应不断提供绩效的改进，证明了方法的前景和普遍性。对深CNN的体系结构不可知，第二个子网络可以使用任何分割网络使用，以提高成像扫描仪和协议的变化的鲁棒性。我们的代码可在以下网址提供：https：//github.com/neerakara/test- time- aptaptable-neural-near-netural-netural-networks- for- domain-概括。
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。