XiaoMi-AI文件搜索系统
World File Search SystemAdapt
四肢瘫痪用户的长期 BCI 训练：自适应黎曼分类器和用户训练
基于脑电图 (EEG) 的脑机接口 (BCI) 通常被认为是针对运动障碍用户的有前途的辅助技术，但由于在现实生活中的可靠性低，在实验室外仍很少使用。因此，需要设计可供最终用户（例如严重运动障碍者）在实验室外使用的长期可靠的 BCI。因此，我们提出并评估了一种基于多类心理任务 (MT) 的 BCI 设计，用于为 CYBATHLON BCI 系列 2019 的四肢瘫痪用户进行纵向训练（3 个月内 20 次训练）。在本次 BCI 锦标赛中，四肢瘫痪的飞行员在赛车游戏中用精神驾驶虚拟汽车。我们旨在将渐进式用户 MT-BCI 训练与基于自适应黎曼分类器的新设计的机器学习流程相结合，该分类器已被证明有望在现实生活中应用。我们遵循两步训练过程：前 11 个课程用于训练用户通过执行两个认知任务（休息和心理减法）或两个运动想象任务（左手和右手）来控制 2 类 MT-BCI。第二个训练步骤（剩余 9 个课程）应用了自适应、独立于会话的黎曼分类器，该分类器结合了之前使用的所有 4 个 MT 类别。此外，由于我们的黎曼分类器以无监督的方式逐步更新，因此它将捕获会话内和会话之间的非平稳性。实验证据证实了这种方法的有效性。也就是说，与初始课程相比，训练结束时的分类准确率提高了约 30%。我们还研究了这种性能改进的神经相关性。使用新提出的 BCI 用户学习指标，我们可以显示我们的用户学会了通过产生越来越匹配 BCI 分类器训练数据分布的 EEG 信号来改善他的 BCI 控制，而不是通过改善他的 EEG 类别辨别。然而，由此产生的改进只对同步（基于提示）BCI 有效，并没有转化为 CYBATHLON BCI 游戏性能的提高。为了克服这个问题
MAL/TIRAP适配器在病理中的矛盾作用
Toll样受体（TLR）处于病原体识别的最前沿，可确保宿主舒适性并引起保护性细胞和体液反应。TLR下游的信号传导途径受到严格调节，以防止附带损害和对共生的容忍度丧失。为了触发有效的细胞内信号传导，这些受体需要衔接蛋白参与。其中，包含衔接蛋白（TIRAP或MAL）的Toll/Interleukin-1受体结构域在建立免疫反应中起着重要作用。MAL功能的丧失与疾病的敏感性或抗药性有关。这些相反的影响揭示了MAL的矛盾功能及其在含有传染病或非感染疾病中的重要性。在本综述中，我们总结了有关涉及MAL患有不同病理的信号通路的当前知识及其对诱导保护性或非保护反应的影响。
超越信心：自主系统感知的双阈值共形预测中的自适应弃权
摘要 - 安全至关重要的感知系统都需要可靠的不确定性量化和原则上的弃权机械，以在不同的操作条件下保持安全性。我们提出了一个新颖的双阈值共形框架，该框架可提供统计保证的不确定性估计，同时在高风险场景中实现选择性预测。我们的ap-proch唯一结合了共形阈值，以确保有效的预测集和通过ROC分析优化的弃用阈值，从而提供无分布的覆盖范围保证（≥1-α），同时识别不可靠的预测。通过对CIFAR-100，ImagEnet1k和ModelNet40数据集进行全面评估，我们在不同的环境扰动下展示了跨摄像头和激光痛的较高鲁棒性。该框架在严重的条件下达到了出色的检测性能（AUC：0.993→0.995），同时保持高覆盖率（> 90.0％），并实现适应性弃权（13.5％→63.4％±0.5），作为环境严重程度。对于基于激光雷达的感知，我们的方法表现出特别强大的表现，保持了强大的共识（> 84.5％），同时适当弃权不可靠的预测。值得注意的是，该框架在重扰动下显示出显着的稳定性，检测性能（AUC：0.995±0.001）在所有模式中的现有方法都显着超过现有方法。我们的统一方法弥合了理论保证和实际部署需求之间的差距，为在挑战性的现实世界中运行的安全至关重要的自主系统提供了强有力的解决方案。代码可在https://github.com/divake/conformal预测基于传感器的信任可达检测
探索3D超声中胎儿大脑皮层下分割的测试时间适应
摘要 - 超声（US）图像中胎儿大脑皮层下区域的生长可以帮助鉴定出异常发育的存在。手动分割这些区域是一项艰巨的任务，但是最近的工作表明，它可以使用深度学习自动化。然而，应用验证的模型来表现出徒手的美国量通常会导致由于获取和对齐的巨大差异而导致性能下降。在这项工作中，我们首先证明测试时间适应（TTA）可用于在存在真实和模拟域移动的情况下改善模型性能。我们通过将规范地图集作为解剖学的先验提出了一种新型的TTA方法。在存在各种域移位的情况下，我们基准了不同TTA方法的绩效，并证明了我们提出的方法带来的改进，这可能会进一步促进对胎儿脑发育的自动监测。我们的代码可从https://github.com/joshuaomolegan/ tta-for-3d-fetal-subcortical-sementation获得。关键字 - 测试时间适应，超声，分段
基于...
https://doi.org/10.26434/chemrxiv-2025-1z3h4 orcid：https：//orcid.org/0000-0000-0002-2607-3035 consect content content content content content note content contem consect consect consect consect consect consemrxiv note content consemrxiv notect content consect consemrxiv notect content许可证：CC BY-NC 4.0
泌尿生殖器癌的自适应免疫
加拿大金斯敦皇后大学癌症研究所的生物医学和分子科学系； B宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州佩雷尔曼高级医学中心泌尿外科系； c不列颠哥伦比亚大学泌尿科科学系，不列颠哥伦比亚省温哥华，加拿大； D德国弗莱堡大学医学与医学中心的输血医学和基因治疗研究所； E分司血液学/肿瘤学，Tisch Cancer Institute，伊坎医学院，美国纽约州纽约州西奈山； F美国医学博士NCI，NIH，NIH，NIH，美国马里兰州癌症研究中心免疫肿瘤中心； G.UniversitéParisCité，Institut Cochin，Inserm U1016，CNRS UMR 8104，巴黎，75014，法国； h粘膜炎症和免疫力，法国巴黎75015 Institut Pasteur学院，法国巴黎； I美国德克萨斯州休斯顿市德克萨斯大学医学博士安德森癌症中心外科泌尿外科系；加拿大QC蒙特利尔麦吉尔大学卫生中心泌尿外科J泌尿外科； k加拿大金斯敦皇后大学医学院泌尿外科系； l德克萨斯大学医学博士安德森癌症中心，美国德克萨斯州休斯敦的杰纳特里医学肿瘤学系
skada bench：对无监督的域适应方法进行基准测试，并对多种方式进行现实验证
无监督的域适应性（DA）包括适应在标记的源域上训练的模型，以在未标记的目标域上表现良好，并具有某些数据分布变化。虽然文献中提出了许多方法，但公平和现实的评估仍然是一个悬而未决的问题，尤其是由于方法学困难在无监督环境中选择超参数。在Skada Bench的情况下，我们提出了一个框架，以评估DA方法的不同方式，除了在文献中很大程度上探讨的计算机视觉任务之外。我们对现有浅层算法进行了完整而公平的评估，包括重新加权，映射和子空间对齐。现实的超参数选择是通过嵌套的交叉验证和各种无监督的模型选择得分进行的，这两个模拟数据集都具有受控的偏移和现实世界数据集的不同模式，例如图像，文本，生物医学和表格数据。我们的基准强调了现实验证的重要性，并为现实生活中的应用提供了实用的指导，并对模型选择方法的选择和影响有了重要的见解。Skada-Bench是开源的，可再现的，可以通过新颖的DA方法，数据集和模型选择标准轻松扩展，而无需重新评估竞争对手。Skada-Bench可在https://github.com/scikit-adaptation/skada-bench上在github上获得。
PE7行动：气候适应计划
讨论当地的脆弱性、过去遇到的灾害事件、重要的社区资产和规划差距，并制定社区愿景。支持这些对话的一种可能方式包括使用视觉辅助工具，例如地图，描绘处于危险中的区域和相关的社区资产。社区成员可以识别缺失的重要社区资产或危险区域，或确认现有结果是否准确。愿景是一个简短、鼓舞人心的声明，它探讨未来，并在脑海中勾勒出社区想要实现的理想状态。愿景应反映社区在适应气候变化和建设当地复原力方面的愿望和价值观。请参阅下面第 G 节中关于复原力愿景的示例。要创建愿景声明，请根据您的公众参与策略征求意见。将公众意见汇编成一份草案文件，描述未来的愿景以及复原力对社区的意义。有意义地与社区分享愿景文件草案，而不仅仅是将其发布在不起眼的网站页面上或仅将其发送给已经知道的社区成员。建立接收公众意见的制度，并根据利益相关者的反馈修改愿景和目标草案。6. 制定战略以适应不断变化的条件并实现社区的复原力愿景。这些
使用基因组学破译候选门辐射的神秘特性和存活适应
摘要：微生物生态学是理解微生物在各种环境和健康相关过程中的组成，多样性和功能的关键领域。通过独立的方法发现候选门辐射（CPR）已引入了一种新的微生物划分，其特征在于以共生/寄生的生活方式，小细胞大小和小基因组为特征。尽管知之甚少，但CPR近年来由于它们在各种环境和临床样本中的广泛发现而引起了显着关注。与其他微生物相比，已经发现这些微生物表现出高度的遗传多样性。几项研究揭示了它们在全球生物地球化学周期中的潜在重要性及其对各种人类活动的影响。在这篇评论中，我们提供了CPR发现的系统概述。然后，我们专注于描述CPR的基因组特征如何帮助它们与不同生态壁ches中其他微生物进行互动并适应其他微生物。未来的工作应集中于发现CPR的代谢能力，并在可能的情况下隔离它们以更好地了解这些微生物。
Piratenets：具有残留自适应网络的物理信息深度学习
虽然物理知识的神经网络（PINN）已成为一个流行的深度学习框架，用于解决由部分差分方程（PDES）控制的前进和反问题（PDES），但众所周知，当采用更大和更深层的神经网络架构时，他们的性能会降低。我们的研究表明，这种反直觉行为的根源在于使用具有不适合初始化方案的多层感知器（MLP）架构，从而导致网络衍生物的培训较差，最终导致PDE残留损失的不稳定最小化。为了解决这个问题，我们引入了物理信息的残留自适应网络（Piratenets），这是一种新型的体系结构，旨在促进对深色Pinn模型的稳定且有效的培训。Piratenets利用了一种新型的自适应残差连接，该连接允许将网络初始化为在训练过程中逐渐加深的浅网络。我们还表明，提出的初始化方案使我们能够在网络体系结构中对与给定PDE系统相对应的适当的归纳偏差进行编码。我们提供了全面的经验证据，表明piratenets更容易优化，并且可以从深度大大提高，最终在各种基准中获得最新的结果。此手稿随附的所有代码和数据将在https://github.com/predictivectiveIntelligencelab/jaxpi/jaxpi/tree/pirate上公开提供。