XiaoMi-AI文件搜索系统
World File Search SystemAgno
权重无关神经网络
并非所有神经网络架构都是一样的，有些架构在某些任务上的表现比其他架构好得多。但是，与神经网络架构相比，权重参数有多重要？在这项工作中，我们想知道，在没有学习任何权重参数的情况下，神经网络架构本身能在多大程度上为给定任务编码解决方案。我们提出了一种搜索方法，用于搜索无需任何明确权重训练就能执行任务的神经网络架构。为了评估这些网络，我们用从均匀随机分布中采样的单个共享权重参数填充连接，并测量预期性能。我们证明，我们的方法可以找到无需权重训练就能执行多项强化学习任务的最小神经网络架构。在监督学习领域，我们发现使用随机权重在 MNIST 上实现远高于偶然准确率的网络架构。本文的交互式版本位于 https://weightagnostic.github.io/
布局 - 敏捷场景文本图像综合与扩散模型
虽然扩散模型已显着提高了图像生成的质量，但它们在这些图像中准确且相干渲染文本的能力仍然是一个重大挑战。场景文本生成的常规基于扩散的方法通常受到对中间布局输出的依赖的限制。这种依赖性通常会导致文本样式和字体的多样性限制，这是布局生成阶段的确定性质所引起的固有限制。为了应对这些挑战，本文介绍了SceneTeTgen，这是一种基于新颖的扩散模型，专门设计用于规避预定义布局阶段的需求。这样做，场景 - 文本促进了文本的更自然和多样化的代表。SceneTextGen的新颖性在于其三个关键组成部分的整体：一个字符级编码器，用于捕获详细的印刷属性，并与字符级实例分割模型和Word-
横向横梁调整的晶格 - 不合稳固式学习剂
强化学习（RL）已成功地应用于各种在线调整任务，通常优于传统优化方法。但是，无模型的RL算法通常需要大量的样式，训练过程通常涉及数百万个相互作用。由于需要重复此耗时的过程来为每个新任务培训基于RL的控制器，因此它在在线调整任务中更广泛地应用构成了重大障碍。在这项工作中，我们通过扩展域随机化来训练一般的晶格 - 反应政策来应对这一挑战。我们专注于线性加速器中的共同任务：通过控制四极杆和校正磁体的强度来调整电子束的横向位置和尺寸。在训练期间，代理与磁铁位置随机分配的环境相互作用，从而增强了训练有素的策略的鲁棒性。初步结果表明，这种方法使政策能够概括和解决不同晶格部分的任务，而无需进行额外的培训，这表明有可能开发可转移RL的代理。这项研究代表了迈向快速RL部署的第一步，并为加速器系统创建了晶格 - 不合稳定的RL控制器。
肿瘤学中组织无关药物的开发
指导草案 本指导文件仅供评论之用。有关本草案的评论和建议应在《联邦公报》上公布指导草案发布通知后 60 天内提交。请将电子评论提交至 https://www.regulations.gov。请将书面评论提交至食品药品管理局卷宗管理人员（HFA-305），地址：5630 Fishers Lane, Rm. 1061, Rockville, MD 20852。所有评论均应注明《联邦公报》上公布的发布通知中所列的卷宗编号。如对本草案有任何疑问，请联系 (CDER) Steven Lemery 301-796-2276 或 (CBER) 沟通、推广和发展办公室，800-835-4709 或 240-402-8010。
脂质纳米颗粒用于提供CRISPR/CAS9机械的脂质纳米颗粒，以实现CFTR和突变 - 不合骨疾病的特定地点整合
1加州大学洛杉矶分校生物工程系，加利福尼亚州洛杉矶，90095年，美国2，加利福尼亚州洛杉矶大学，加利福尼亚大学90095的加利福尼亚大学，洛杉矶分校的戴维·盖芬医学院儿科，加利福尼亚州洛杉矶大学，3美国3. 3. 3.美国3号，洛斯科群岛，加利福尼亚州。 United States 4 Cystic Fibrosis Foundation, Cystic Fibrosis Foundation Therapeutics Laboratory, Lexington, MA, 02421, United States 5 Department of Pediatrics, School of Medicine, University of California, San Diego, San Diego, California 92103, United States 6 Eli & Edythe Broad Center of Regenerative Medicine and Stem Cell Research, University of California, Los Angeles, Los Angeles, California 90095, United States 7加利福尼亚大学分子和医学药理学系，洛杉矶分子，加利福尼亚州洛杉矶90095，美国8加利福尼亚纳米系统研究所，加利福尼亚大学，洛杉矶分校，洛杉矶，洛杉矶，加利福尼亚州90095摘要
策略：inter-...
合作多代理增强学习（MARL）中的“视力范围难题”提出了一个重大挑战：有限的访问性阻碍团队的协调，而广泛的视线范围会导致注意力分散注意力和绩效下降。虽然通讯可以潜在地解决这个问题，但现有的方法通常很难跨越不同的视觉范围，从而限制了它们的有效性。我们提出了策略，任务不合时宜的对比前训练策略间互动。策略是一种自适应沟通机制，即使执行过程中的视线范围与训练中的视线范围大不相同，也可以增强代理坐标。通信机制编码消息并将其与本地观察结果集成在一起，并使用对比度学习以基于全球状态的产生表示形式。通过学习生成和解释有关整个环境重要信息的信息，策略使代理商能够通过交流有效地“看到”更多的信息，无论其视觉范围如何。我们在各种情况下，在各种情况下对SMACV2基准进行了全面评估。结果表明，战术始终优于传统的最先进的MARL技术，而没有通信，而在训练中尤其是在极限有限或广泛的观察性的情况下，对视力范围有所不同。
应用程序 - 架构不可知效率优化...
使用国家科学基金会支持的变色龙测试床获得了此处介绍的结果。Argonne国家实验室的工作得到了美国能源部高级科学计算机研究办公室的支持，根据合同DE-AC02-06CH11357。这项研究得到了Exascale Computing项目（17-SC-20-SC）的支持，这是美国科学办公室和国家核安全管理局的合作努力。
肿瘤无关疗法重塑癌症治疗
癌症治疗已转向精准肿瘤学，部分原因是基因组测序的进步揭示了肿瘤独特的基因组组成。分子检测已被纳入国家癌症治疗最佳实践指南，目的是识别可操作的基因组变异，从而为治疗决策提供信息和个性化（Cocco 等人，2019 年）。从历史上看，癌症治疗方法是为了治疗起源于特定器官或组织的癌症而开发的（Seligson 等人，2021 年）。肿瘤不可知论癌症疗法不考虑癌症的起源组织，而是专注于针对驱动癌症生长和进展的基因组变异，而不管肿瘤的组织学如何（Subbiah 等人，2024 年）。这意味着组织不可知论癌症疗法被评估和批准用于治疗具有相同基因组变异的多种癌症类型（Zettler，2023 年）。
物理上不可知的准模式扩展时间分散结构：从机械振动到纳米光子共振
属性，对给定频率征集的响应与系统的内在特性密切相关，看来最强的响应与结构的共振有关，即没有来源的波动方程的解决方案，在自由空间中不再与特定问题有关。看来，这些解决方案是相应特定操作员的本征码，这些本征码的集合是一个非常适合开发具有给定源的其他解决方案的非常适合的基础。因此，确定这些本征码对于物理理解和实际计算都非常有用。还可以预期，这些模式的小子集可以包含足够的信息来解决一些问题，并构成了有效的降低模型。一个引人入胜且流行的共鸣的例子是塔科马窄桥的崩溃，但由于现象更加复杂，这是造成的[10]。最近的案件是盖茨黑德千禧桥在行人在开幕日经历了令人震惊的摇摆动作和伏尔加格勒的伏尔加桥[15]。新方法旨在防止这些灾难性的振动损害由于共振而发生。相反，共振可用于设计和研究新型的超材料和光子/语音晶体[46]。模式的另一个例子是波导中的传播模式，例如光纤。在2000年代初期，显微结构化的光纤出现了。传播常数）。最初的想法是使用光子晶体纤维的带隙，但很快就显然是在覆层中有限的周期性孔足以获得良好的指导性能[59]。一个基本模型是考虑在较高的折射率中考虑低折射率孔，足够大，可以被视为无限制。在这种情况下，没有真正的繁殖模式，而是与复杂特征值相关的泄漏模式（即这些模式确实遭受了损失，但足够小以保持出色的指导性能。更普遍地，光子学中使用的材料由复杂的介电渗透性表示，其中虚部对应于损失。光频率下的所有经典光学材料都是分散的，即频率依赖性，因此是根据因果关系原理引起的Kramers-Kronig关系[45]的耗散性的。