XiaoMi-AI文件搜索系统
World File Search System鲁棒性
引用了原始发表的论文（记录的版本）：Blöbaum，L。，Torello Pianale，L.，Olsson，L。等（2024）。量化微生物鲁棒
抽象背景微生物必须对其环境变化做出反应。分析函数的鲁棒性（即性能稳定性）这种动态扰动在实验室和工业环境中都引起了极大的兴趣。最近，一种能够评估各种功能的鲁棒性的定量方法，例如在不同条件，时间范围和种群中为在96孔板中生长的微型ISM开发了各种功能的鲁棒性。在微静电板中，环境变化缓慢且未定义。动态微型单细胞培养（DMSCC）实现了微环境的精确维护和操纵，同时使用活细胞成像随着时间的推移跟踪单细胞。在这里，我们将DMSCC和鲁棒性量化方法结合在一起，以评估在几秒钟或几分钟内发生变化的性能稳定性。结果，酿酒酵母CEN.PK113-7D，具有用于细胞内ATP水平的生物传感器，暴露于葡萄糖盛宴饥饿周期，每种状况在20小时内持续1.5至48分钟。开发并应用了半自动图像和数据分析管道，以评估种群，亚种群和单细胞分辨率的各种功能的性能和鲁棒性。我们观察到特定生长速率的降低，但振荡间隔更长的细胞内ATP水平增加。持续48分钟振荡的细胞表现出最高的平均ATP含量，但随着时间的流逝，稳定性最低，在人群中的异质性最高。结论所提出的管道使随着时间的时间和种群内的动态环境中的功能稳定性进行了研究。该策略允许并行化和自动化，并且很容易适应新的生物，生物传感器，培养条件和振荡频率。对微生物对不断变化环境的反应的见解将指导应变开发和生物处理优化。关键词酿酒酵母，种群异质性，动态环境，尺度降低，生物传感器，活细胞成像，微流体单细胞培养，营养振荡
稳健的深度学习对象识别模型依赖于自然图像中的低频信息
机器学习模型很难推广到它们所训练的分布之外的数据。特别是，视觉模型通常容易受到对抗性攻击或常见损坏的影响，而人类视觉系统对此具有鲁棒性。最近的研究发现，将机器学习模型正则化以支持类似大脑的表示可以提高模型的鲁棒性，但原因尚不清楚。我们假设模型鲁棒性的提高部分归因于从神经表征中继承的低空间频率偏好。我们通过几种频率导向分析测试了这个简单的假设，包括设计和使用混合图像来直接探测模型频率敏感性。我们还研究了许多其他公开可用的鲁棒模型，这些模型是在对抗性图像或数据增强上训练的，发现所有这些鲁棒模型都表现出对低空间频率信息的更大偏好。我们表明，通过模糊进行预处理可以作为防御对抗性攻击和常见损坏的机制，进一步证实了我们的假设并证明了低空间频率信息在鲁棒物体识别中的效用。
耐用基因激活的超紧缩表观遗传调节剂的发现和工程
为了解决这些局限性，在这里，我们进行了高吞吐量筛选，以发现人，病毒和古细菌蛋白质组之间的新型转录调节剂，并在多种内源性人类环境中表征其功能。我们使用不同的DCAS系统中的病毒蛋白质组中识别出具有特殊鲁棒性的紧凑，有效的活化剂，其在各种细胞类型中具有出色的鲁棒性。从预测的三维结构和机器学习模型中获得的见解使我们能够在效力和持久性方面合理地改善激活剂。值得注意的是，工程活化剂在短暂递送后实现了有丝分裂耐用的基因激活。
![arXiv:2310.09154v3 [quant-ph] 2024 年 4 月 23 日](/simg/e\eb6245b1f6041ba44a9a101b3899a9750d524d72.png)
arXiv:2310.09154v3 [quant-ph] 2024 年 4 月 23 日
确定哪些量子力学特性有助于发挥量子技术的优越性能是一个关键问题。量子资源理论提供了一个统一的框架来分析和理解这些特性，正如纠缠和相干性所成功证明的那样。虽然这些是凸资源的例子，总能识别出它们的量子优势，但许多物理资源是由一组非凸的自由状态描述的，它们的解释迄今为止仍然难以捉摸。在这里，我们通过提供一般资源理论中广义鲁棒性度量的两种操作解释，解决了没有凸性假设的量子资源有用性的基本问题。首先，我们用非线性资源见证来描述广义鲁棒性，并揭示在某些多副本通道鉴别任务中，任何状态都比自由状态更有利。接下来，我们考虑一个理论以多重约束为特征的场景，并表明广义鲁棒性与单副本通道鉴别设置中的最坏情况优势相一致。基于这些特征，我们得出结论，即使没有对自由状态的结构进行任何规范，每个量子资源状态在一般资源理论中的判别问题中都表现出定性和定量优势。
raghav singal
本文代表了我在针对统计鲁棒性的基于邻里的技术的新方法中的工作。这项工作偏离了使用邻里方法来建立稳健估计器的经典思想，通过构造估计器来抵抗与观察到的训练数据经验分布的偏差，而不是与某些参数模型的偏差。通过在分布强大的优化，经验过程理论和所谓的最大遗嘱遗嘱距离之间建立新的联系，这项工作估计了受惩罚回归问题的通用错误。据我所知，这是直接将基于概率指标空间的最佳基于基于运输的度量的最佳度量连接到所考虑的损失函数以提供鲁棒性保证的工作。
