XiaoMi-AI文件搜索系统
World File Search System预测器
用于评估决策信心的元学习 BCI
摘要 目的。我们研究了最近引入的基于元学习的迁移学习技术是否可以提高脑机接口 (BCI) 在决策信心预测方面的性能，而传统机器学习方法则无法实现。方法。我们将偏向正则化算法的元学习应用于基于视频馈送的困难目标识别任务中，根据脑电图 (EEG) 和眼电图 (EOG) 数据逐个决策地预测决策信心的问题。该方法利用以前参与者的数据来生成预测算法，然后快速调整该算法以适应新参与者。我们将该方法与 BCI 中几乎普遍采用的传统单受试者训练、一种称为领域对抗神经网络的最先进的迁移学习技术、我们最近用于类似任务的零训练方法的迁移学习改编以及简单的基线算法进行了比较。主要结果。在大多数情况下，元学习方法明显优于其他方法，在只有来自新参与者的有限数据可用于训练/调整的情况下，效果要好得多。通过有偏正则化的元学习，我们的 BCI 能够无缝集成来自过去参与者的信息与来自特定用户的数据，以产生高性能预测器。它在小型训练集存在下的稳健性是 BCI 应用中的真正优势，因为新用户需要在更短的时间内训练 BCI。意义。由于 EEG/EOG 数据的多变性和噪声，BCI 通常需要使用来自特定参与者的数据进行训练。这项工作表明，使用我们的有偏正则化元学习版本可以获得更好的性能。
受大脑启发的稀疏训练使 Transformers 和 LLM 能够像全连接模型一样运行
本研究旨在扩大我们目前对脑启发网络科学原理在训练具有稀疏连接的人工神经网络（ANN）中的应用的认识。动态稀疏训练（DST）可以减少ANN训练和推理的计算需求，但现有方法在高连接稀疏度水平下难以保持最佳性能。Cannistraci-Hebb训练（CHT）是一种受大脑启发的增加DST连接的方法。CHT利用无梯度、拓扑驱动的链接再生机制，与完全连接的网络相比，该机制已被证明可以在各种任务中实现超稀疏（1％连接或更低）的优势。然而，CHT有两个主要缺点：（i）它的时间复杂度为O（N·d3） - N节点网络大小，d节点度 - 因此它只能有效地应用于超稀疏网络。 (ii) 它严格选择最高的链接预测分数，这不适合早期的训练阶段，因为此时网络拓扑结构中存在许多不可靠的连接。在这里，我们提出了一个矩阵乘法 GPU 友好的 CH 链接预测器近似值，它将计算复杂度降低到 O(N3)，从而能够在大型模型中快速实现 CHT。此外，我们引入了 Cannistraci-Hebb 训练软规则 (CHTs)，它采用灵活的策略在链接移除和重新生长中采样连接，平衡网络拓扑的探索和利用。为了进一步提高性能，我们将 CHT 与 S 型逐渐密度衰减策略相结合，称为 CHTss。经验
Élivágar：用于分类的高效量子电路搜索
为量子机器学习 (QML) 设计高性能、抗噪声的电路具有挑战性 — — 设计空间随着电路规模呈指数级增长，并且 QML 电路设计几乎没有得到良好支持的指导原则。尽管最近的量子电路搜索 (QCS) 方法试图搜索高性能且抗硬件噪声的 QML 电路，但它们直接采用经典神经架构搜索 (NAS) 的设计，而这些设计与量子硬件的独特约束不一致，导致搜索开销高昂和性能瓶颈严重。我们提出了一种新颖的资源高效、噪声引导的 QCS 框架 Élivágar。Élivágar 在 QCS 的所有三个主要方面 — — 搜索空间、搜索算法和候选评估策略 — — 进行了创新，以解决当前受经典启发的 QCS 方法中的设计缺陷。Élivágar 通过噪声和设备拓扑感知的候选生成实现了硬件效率，并避免了昂贵的电路映射协同搜索。通过引入两个计算成本低廉的预测器，即 Clifford 噪声弹性和表示容量，Élivágar 将噪声鲁棒性和性能评估分离，从而能够尽早拒绝低保真度电路并降低电路评估成本。由于其资源效率，Élivágar 可以进一步搜索数据嵌入，从而显著提高性能。根据对 12 个真实量子设备和 9 个 QML 应用程序对 Élivágar 的全面评估，与最先进的 QCS 方法相比，Élivágar 的准确率提高了 5.3%，速度提高了 271 倍。
多传感器融合与交互多模型和卡方检验容差滤波器
摘要：由于传感器技术、电信和导航系统的最新进展，多传感器信息融合算法在最先进的组合导航系统中具有关键重要性，本文提出了一种改进的创新容错融合框架。组合导航系统由四个传感子系统组成，即捷联惯性导航系统 (SINS)、全球导航系统 (GPS)、北斗二号 (BD2) 和天文导航系统 (CNS) 导航传感器。在这种多传感器应用中，一方面，有效融合方法的设计受到极大限制，特别是在没有关于系统错误特性的信息时。另一方面，开发准确的故障检测和完整性监测解决方案既具有挑战性又至关重要。本文通过联合设计故障检测和信息融合算法，解决了传统故障检测解决方案的敏感性问题以及无法获得精确已知的系统模型的问题。特别是，通过使用交互多模型 (IMM) 滤波器的思想，系统的不确定性将通过模型概率和使用所提出的基于模糊的融合框架进行自适应调整。本文还通过联合设计双状态传播器卡方检验和融合算法，解决了使用损坏的测量值进行故障检测的问题。使用两个并行运行的 IMM 预测器，并根据从融合滤波器接收到的信息交替重新激活，以提高所提出的检测解决方案的可靠性和准确性。通过将 IMM 与所提出的融合方法相结合，我们提高了检测系统的故障敏感性，从而显著提高了组合导航系统的整体可靠性和准确性。模拟结果表明，所提出的容错融合框架比传统框架具有更优异的性能。
社论：脑部计算机界面：新颖的应用和交互式技术
药物 - 靶相互作用（DTI）被认为是基因组药物发现的重要组成部分，DTI的计算预测可以加速到靶标的铅药物，这可以弥补缺乏耗时且昂贵的湿湿技术技术。当前，许多计算方法基于药物和靶标的顺序组成或理化特性来预测DTI，但是需要进一步的努力来改善它们。在本文中，我们提出了一种基于序列的新方法，以准确识别DTI。对于目标蛋白质，我们使用来自变压器（BERT）的预训练的双向编码器表示探索，以提取序列特征，这些序列特征可以提供独特而有价值的模式信息。对于药物分子，使用离散小波变换（DWT）来从药物分子纤维固定物中产生信息。然后，我们将DTI的特征向量加以连接，然后将它们输入由批处理层，矩阵线性激活层和线性层组成的特征提取模块，称为BRL块和称为卷积神经网络模块，以进一步提取DTIS。随后，将BRL块用作预测引擎。基于对比度损失和跨透明镜损失优化模型后，它给出了G蛋白偶联受体，离子通道，酶和核受体的靶族的预测准确性，最高为90.1、94.7、94.9和89％，这表明该建议的方法可以超过现有的预测者。提出的方法也可能是其他DIT的潜在选择。为了使研究人员尽可能方便，新预测器的Web服务器可自由访问：https：//bioinfo.jcu.edu.edu.cn/dtibert或http：//http：//121.36.221.79/dtibert/。
fg-smote：用图神经网络迈向公平的节点分类
图形生成模型由于其在各种应用中的出色表现而越来越多。但是，随着它们的应用的上升，尤其是在高风险的决策情况下 - iOS，对他们的公平性的担忧正在加剧社区内。现有的基于图的生成模型主要集中于合成少数族裔节点，以增强节点分类性能。但是，通过忽略节点生成过程，该策略可能会加剧不同亚组之间的反映差异，从而进一步损害了模型的公平性。此外，现有的过采样方法通过从相应的子组中选择实例来生成样本，从而有可能由于其代表性不足而在这些亚组中过度贴合。此外，它们无法解释亚组之间边缘分布中固有的不平衡，因此在生成图形结构时引入结构偏见。为了应对这些挑战，本文阐明了现有的基于图的采样技术可以扩大现实世界中的偏见，并提出了一种新颖的框架，公平的图形合成少数族裔过度采样技术（FG-Smote），旨在在代表不同的子组方面取得公平的平衡。具体来说，FG-Smote首先从节点repentations中删除子组信息的可识别性。随后，通过从这些亚组中的脱敏节点表示中采样来生成模拟节点的嵌入。最后，采用公平链接预测器来生成图形结构信息。在三个真实图数据集上进行的广泛实验评估表明，FG-Sote在公平性上优于最先进的基线，同时还保持了竞争性的预测性能。
研究论文 小麦 RNA 编辑位点的全基因组调查和功能分析
小麦是一种重要的谷物，全球一半人口都食用小麦。小麦面临环境压力，人们使用了不同的技术（CRISPR、基因沉默、GWAS 等）来提高其产量，但 RNA 编辑 (RES) 在小麦中尚未得到充分探索。RNA 编辑在控制环境压力方面具有特殊作用。对不同类型的小麦基因型中的 RES 进行了全基因组鉴定和功能表征。我们通过 RNA 测序分析采用了六种小麦基因型来实现 RES。研究结果表明，RNA 编辑事件均匀发生在所有染色体上。RNA 编辑位点随机分布，在小麦基因型中检测到 10-12 种类型的 RES。在耐旱基因型中检测到的 RES 数量较多。在六种小麦基因型中还鉴定了 A-to-I RNA 编辑（2952、2977、1916、2576、3422 和 3459）位点。基因本体分析后发现，大多数基因参与了分子过程。还检查了小麦中的 PPR（五肽重复序列）、OZ1（细胞器锌指序列）和 MORF/RIP 基因表达水平。正常生长条件使这三个不同基因家族的基因表达出现差异，这意味着不同基因型的正常生长条件可以改变 RNA 编辑事件并影响基因表达水平。而 PPR 基因的表达没有变化。我们使用变异效应预测器（VEP）来注释 RNA 编辑位点，Local White 在蛋白质的 CDS 区域具有最高的 RES。这些发现将有助于预测其他作物的 RES，并有助于小麦抗旱性的发育。
基因调控机制 - 数字 CSIC
导致疾病易感性增加的衰老分子特征仍不清楚。本文我们展示了与年龄和衰老相关的人脑转录组学谱，该谱来自对 2202 个大脑样本（皮层、海马和小脑）的四组独立全基因组表达数据的系统整合分析，这些样本来自不同年龄段的个体（从 5-10 岁的婴儿到高达 100 岁的老年人），按几十年的年龄阶段分类。该研究提供了在皮层中检测到的 1148 个基因、在海马中检测到的 874 个基因和在小脑中检测到的 657 个基因的特征，根据稳健的伽马秩相关分析，这些基因随着年龄的增长表现出显著的差异表达变化。这些特征表明，皮层和海马之间有 258 个基因明显重叠，三个大脑区域之间有 63 个共同基因。功能富集分析和细胞类型分析着眼于皮质，提供了关于衰老特征的生物学见解。应激反应和免疫反应是上调功能。突触、神经传递和钙信号是下调功能。基于单细胞数据的细胞分析表明，生命早期阶段的神经元活动增加，而老年阶段的神经元活动减少。调控分析确定了与皮质和海马共有的 258 个基因特征相关的转录因子 (TF)；揭示了 MEF2(A,D)、PDX1、FOSL (1,2) 和 RFX(5,1) 作为特征候选调节因子的作用。最后，使用深度学习神经网络算法基于衰老特征构建生物年龄预测器。本文是 Federico Manuel Giorgi 博士和 Shaun Mahony 博士编辑的题为“转录谱和调控基因网络”的特刊的一部分。
M.Tech程序 - 计算机辅助D机械...
M.Tech。 计算机辅助设计（全职课程）学期 - I EME-501数值方法和计算机编程5（3-2-0）代数和超验方方程的单位1解决方案：牛顿 - 拉夫森方法，包括复杂根的方法，包括Graeffe的方法，Graeffe的根平方方法（基于计算机的Algorithm and Algorithm and groming for thulgorith and Algorithm and Amprog）。有限差异的插值公式，高斯的前进和向后插值公式，贝塞尔和拉普拉斯 - 埃弗莱特的公式，立方样条，使用Chebyshev多项式的最小二乘近似。 单元3线性同时方程的解：Cholesky's（Crout）方法，高斯 - 西德尔迭代和放松方法，特征值问题的解决方案；最小，最大和中间特征值（这些方法的基于计算机的算法和程序）单位-4数值分化和集成：使用差异操作员的数值差异化，Simpson的1/3和3/8规则，Boole的规则，Weddle的规则。 单位-5差分方程解：修改后的Euler方法，2 nd，3 rd和4 orders的runge-kutta方法，预测器 - 矫正器方法，普通微分方程的稳定性，Laplace's的溶液和Liebmann方法的poisson方程解决方案。 Text Books: 1. M. K. Jain, S.R.K. iyenger和R.K. Jain，“科学和工程计算的数值方法”，Wiley Eastern Ltd. 2. S. K. Gupta，“工程师的数值方法”，Wiley Eastern Ltd. 3。 B. S. Grewal，“数值方法”，Khanna出版物。 4。 A. D. Booth，“数值方法”，学术出版社，纽约5。M.Tech。计算机辅助设计（全职课程）学期 - I EME-501数值方法和计算机编程5（3-2-0）代数和超验方方程的单位1解决方案：牛顿 - 拉夫森方法，包括复杂根的方法，包括Graeffe的方法，Graeffe的根平方方法（基于计算机的Algorithm and Algorithm and groming for thulgorith and Algorithm and Amprog）。有限差异的插值公式，高斯的前进和向后插值公式，贝塞尔和拉普拉斯 - 埃弗莱特的公式，立方样条，使用Chebyshev多项式的最小二乘近似。单元3线性同时方程的解：Cholesky's（Crout）方法，高斯 - 西德尔迭代和放松方法，特征值问题的解决方案；最小，最大和中间特征值（这些方法的基于计算机的算法和程序）单位-4数值分化和集成：使用差异操作员的数值差异化，Simpson的1/3和3/8规则，Boole的规则，Weddle的规则。单位-5差分方程解：修改后的Euler方法，2 nd，3 rd和4 orders的runge-kutta方法，预测器 - 矫正器方法，普通微分方程的稳定性，Laplace's的溶液和Liebmann方法的poisson方程解决方案。Text Books: 1.M. K. Jain, S.R.K.iyenger和R.K. Jain，“科学和工程计算的数值方法”，Wiley Eastern Ltd. 2.S. K. Gupta，“工程师的数值方法”，Wiley Eastern Ltd. 3。B. S. Grewal，“数值方法”，Khanna出版物。4。A. D. Booth，“数值方法”，学术出版社，纽约5。K.E. ATKINSON，“数值分析概论”，John Wiley＆Sons，NY EME-503固体的高级力学4（3-1-0）单位1：压力和应变分析，组成型关系，失败理论。 单元2：非圆形切片的扭转，平面应力和平整应变问题，疲劳分析的综述。 单元3：裂缝力学，非弹性行为，粘弹性，聚合物单元4：的结构和行为，单向复合材料和正性层层的行为，纤维复合材料的故障理论，在复合材料中的各种结构的发展，基于计算机的分析和固体的分析和解决方案的解决方案K.E.ATKINSON，“数值分析概论”，John Wiley＆Sons，NY EME-503固体的高级力学4（3-1-0）单位1：压力和应变分析，组成型关系，失败理论。单元2：非圆形切片的扭转，平面应力和平整应变问题，疲劳分析的综述。单元3：裂缝力学，非弹性行为，粘弹性，聚合物单元4：的结构和行为，单向复合材料和正性层层的行为，纤维复合材料的故障理论，在复合材料中的各种结构的发展，基于计算机的分析和固体的分析和解决方案的解决方案
由人工智能和区块链支持的基于物联网的访问管理
物联网 (IoT) 正在改变物的世界，影响着制造业、交通运输业、汽车业、消费品和医疗保健业等许多经济部门 [1]。得益于集成电路设计的进步，物联网设备现已配备强大的新一代处理器，能够高效处理负载 [2,3]。这为在物联网设备以分布式方式运行复杂任务提供了机会。然而，物联网仍面临许多挑战或差距需要改进 [4]，例如各种物联网平台的中心化，例如亚马逊网络服务 (AWS)-IoT，与通信协议有关的安全和隐私问题，以及与物联网基础设施维护不善相关的各种攻击的脆弱性，例如 Mirai [5]。区块链 (BC) [6,7] 通过加密措施在分布式账本中提供数据记录的不可变存储。区块链可以帮助物联网基础设施处理中心化问题：当物联网基础设施在区块链中存储和处理数据时；这消除了当前可用的物联网平台（如 AWS IoT）中存在的单点故障 [4、8-10]。区块链在信息来源、不可否认性和真实性方面具有显著优势（每个发起者都使用其私钥签署每条记录），从而提高了系统的整体信息安全性 [11]。最后，人工智能 (AI) 在提供实时准确的数据分析方面发挥着重要作用。然而，使用人工智能设计和开发高效的数据分析工具也面临着诸如集中化和透明度等挑战 [12]。因此，将区块链与人工智能相结合可以产生一种解决这些问题的强大方法。人工智能通常被认为是一个黑匣子，提供分类器或预测器，缺乏透明度。然而，可以通过在给定区块链中的许多节点之间对人工智能决策进行排序来实现透明度。这提供了按时间排序的人工智能决策的精确、不可变的轨迹，例如，这可以构成管理访问控制决策的基础。因此，物联网、区块链和人工智能的同时应用展现出了成功的协同作用，改变了数据采集、分析和存储方式[11, 13, 14]。