XiaoMi-AI文件搜索系统
World File Search SystemAuroc
支持 AI 的商业热监控（PHEV ... - ORBilu
锂离子电池的分布式温度分析提供了有价值的见解，有助于热管理并最大限度地降低电池故障风险。欧洲电池协会强调热监控对于电池安全至关重要，其进步对于持续安全地采用电池技术至关重要。深度学习技术最近已成为许多热映射应用中异常检测 (AD) 的有力工具。这些数据驱动的方法可以应对常见的挑战，例如数据不可用或环境变化。我们的研究设计了一种方法来利用深度学习和来自市售软包电池和红外摄像机的热数据。我们解释了 FAUAD（特征自适应无监督异常检测）的构建模块，它对输入数据的正态性进行建模并在其特征空间中合成异常。对生成的模型与一些最新的先进方法进行了基准测试，并实现了高异常检测能力；模拟数据的 ROC 曲线下面积 (AUROC) 得分为 0.971，受污染的真实数据得分为 0.990，真实干净数据得分为 1.0。同时保持 15 MB 的紧凑大小。FAUAD 在电池热监测的无监督异常检测方面取得了显着进步。所提出的方法与电池化学无关，并且适用于超出本文范围的使用场景。
![arxiv：2401.06521v1 [cs.cv] 2024年1月12日](/simg/g:\will\search\icon\source\a\ac4e8a79e62bb77bebd81435441586ea29fdf974.webp)
arxiv：2401.06521v1 [cs.cv] 2024年1月12日
打开集识别（OSR）要求模型对属于封闭设置的样本进行分类，同时在测试过程中拒绝未知样本。当前，生成模型通常比OSR中的判别模型更好，但是最近的研究表明，生成模型可能是计算在复杂任务上是不可行的或不稳定的。在本文中，我们提供了有关OSR的见解，并发现学习表达可以从理论上降低开放空间风险。基于分析，我们提出了一个新的模型，即多人注意融合（MEDAF），该模型以歧视性的方式学习了不同的表示。MEDAF由多个专家组成，这些专家以注意力多样性的正则化项为生，以确保注意力图互惠互机。每个前一个学到的逻辑都具有自适应融合，并用于通过分数函数识别未知数。我们表明，注意图的差异可能导致各种表示形式，以便融合的表示可以很好地处理开放空间。进行了实验，是根据标准和OSR大规模基准进行的。结果表明，所提出的鉴别方法可以在AUROC上胜过高达9.5％的生成模型，并实现新的最先进的效果，而计算成本很少。我们的方法还可以无缝整合现有的分类模型。代码可在https://github.com/vanixxz/medaf上找到。
探索开放式识别的各种表示
打开集识别（OSR）要求模型对属于封闭设置的样本进行分类，同时在测试过程中拒绝未知样本。当前，生成模型通常比OSR中的判别模型更好，但是最近的研究表明，生成模型可能是计算在复杂任务上是不可行的或不稳定的。在本文中，我们提供了有关OSR的见解，并发现学习表达可以从理论上降低开放空间风险。基于分析，我们提出了一个新的模型，即多人注意融合（MEDAF），该模型以歧视性的方式学习了不同的表示。MEDAF由多个专家组成，这些专家以注意力多样性的正则化项为生，以确保注意力图互惠互机。每个前一个学到的逻辑都具有自适应融合，并用于通过分数函数识别未知数。我们表明，注意图的差异可能导致各种表示形式，以便融合的表示可以很好地处理开放空间。进行了实验，是根据标准和OSR大规模基准进行的。结果表明，所提出的鉴别方法可以在AUROC上胜过高达9.5％的生成模型，并实现新的最先进的效果，而计算成本很少。我们的方法还可以无缝整合现有的分类模型。代码可在https://github.com/vanixxz/medaf上找到。
一种基于深度学习的方法，使用音频分类诊断轻度创伤性脑损伤
轻度创伤性脑损伤 (mTBI 或脑震荡) 越来越受到关注，因为这种损伤在接触性运动中发病率较高，而且主观诊断方法 (纸笔) 也存在局限性。如果 mTBI 未被诊断出来，而运动员过早恢复比赛，则可能导致严重的短期和/或长期健康并发症。这表明提供更可靠的 mTBI 诊断工具以减少误诊的重要性。因此，需要开发可靠、高效的客观方法和计算稳健的诊断方法。在此初步研究中，我们建议从收集的参加橄榄球联盟的运动员的语音录音中提取梅尔频率倒谱系数 (MFCC) 特征，无论这些运动员是否被诊断患有 mTBI。这些特征是在我们新颖的粒子群优化 (PSO) 双向长短期记忆注意力 (Bi-LSTM-A) 深度学习模型上进行训练的。在训练过程中几乎没有发生过拟合，表明该方法对于当前测试数据集分类结果和未来测试数据具有很强的可靠性。区分 mTBI 患者的敏感性和特异性分别为 94.7% 和 86.2%，AUROC 得分为 0.904。这表明深度学习方法具有强大的潜力，未来分类结果的改进将依赖于更多的参与者数据和 Bi-LSTM-A 模型的进一步创新，以充分确立该方法作为实用的 mTBI 诊断工具的地位。
原创文章 持续注意反应任务中涉及的大脑网络定位为执行提供定量标记
目的：确定持续注意反应任务 (SART) 期间参与的皮质区域，并描述与神经退行性疾病肌萎缩侧索硬化症 (ALS) 相关的活动变化。方法：在 SART 范式期间，记录了 33 名对照者和 23 名 ALS 患者的高密度脑电图 (EEG)。测量了 Go 和 NoGo 试验中相关事件相关电位峰值的差异。确定在这些峰值期间活跃的源，并量化与 ALS 相关的差异。结果：Go 和 NoGo N2 和 P3 峰值源定位于左侧初级运动皮层、双侧背外侧前额叶皮层 (DLPFC) 和外侧后顶叶皮层 (PPC)。NoGo 试验在 N2 期间引起较多的双侧内侧 PPC 活动，而在 P3 期间引起较少的左侧岛叶、PPC 和 DLPFC 活动。在 P3 期间，ALS 患者出现广泛的皮质过度活跃。下顶叶和岛叶活动的变化在患者和对照组之间提供了非常好的区分（AUROC > 0.75）。P3 期间右侧楔前叶的激活与 ALS 中更大的执行功能有关，表明其具有补偿作用。解释：SART 涉及许多额叶和顶叶皮质结构。SART-EEG 测量与可定位到特定结构的特定认知障碍相关，有助于鉴别诊断。
深度学习的进步经历了Surgi
Aspart等人2022腹腔镜CNN 122,470仪器AUROC：0.9107; （18）胆囊切除术图像识别特异性66.15％； and sensitivity: 95% Cheng et al 2022 Laparoscopic CNN 156,584 Surgicalphase Accuracy: 91% (19) cholecystectomy images recognition Kitaguchi et al 2022 Transanaltotal CNN 42 Surgicalphase Accuracy: 93.2% (20) mesorectal images recognition excision Kitaguchi et al 2020 Laparoscopic CNN 71手术晶法精度：91.9％（21）sigmoid case识别切除Twinanda etal 2019胆囊切除术CNN和290个手术时间N.A.（23）和胃LSTM病例预测旁路网络Bodenstedt et al 2019腹腔镜复发3,800手术时间平均平均（24）CNN框架预测错误的干预措施：37％的各种型号IGAKI IGAKI IGAKI IGAKI et al 2022 AT 2022总Mesorecorcal CNN 600 Safe CNN 600 SAFICAZ SUED KUM KUM KUM KUM SERGITIC 4.（25）ICKITION 4（25）ICKITION 4（25）ICKITION 4（25）（25）（25）（25）（25） 2021机器人辅助CNN 630安全手术N.A.（26）胃切除术图像导航Moglia等2022 VirtualSimulator CNN 176手术精确度：机器人辅助医学教育手术学生Zheng等2022 Box Trainer长期/ 30个手术精确度> 80％（27）用于Laparoscic Suttry Nuet neturn Neturn Neturn Neturn Neturn Necury Surgery Nebrent 30
质量
抽象动机：人类基因组学的最新进展表明，单个蛋白质中的错义突变会导致明显不同的表型。尤其是，RAS，MEK，PI3K，PTEN和SHP2等癌蛋白中的某些突变与各种癌症和神经发育障碍（NDDS）相连。虽然存在许多用于预测错义突变的致病性的工具，但将这些变体与某些表型联系起来仍然是一个主要挑战，尤其是在个性化医学的背景下。结果：为了填补这一空白，我们开发了质量（蛋白质表型突变分析仪），利用多种可预修建的机器学习方法并整合了多样化的生物物理学和基于网络动态的特征，以预测同一蛋白质突变的范围，可以促进癌症或NDD。我们通过对PI3Kα和PTEN的两种蛋白质病例的突变分析来说明质量在Phe-Notypes（癌/NDDS）预测中的效用。与其他七种预测工具相比，质子表现出了与癌症和考登综合征相关的PI3Kα突变的AUROC 0.8501的预测表型效应方面具有非凡的精度。对于与癌症，PHT和HCP相关的PTEN突变的多型预测，质子可以通过微观触觉实现0.9349的AUC。使用Shap模型的解释，我们对驱动表型形成的机制获得了见解。还提供了一个用户友好的网站部署。可用性：源代码和数据可在https://github.com/spencer-jrwang/protphemut上找到。我们还提供一个用户友好的网站，网址为http://netprotlab.com/protphemut。补充信息：可以在线生物信息学上获得补充数据。图形摘要：
EFMSDTI：基于多源数据有效融合的药物-靶标相互作用预测
准确识别药物靶标相互作用（DTI）对于理解药物治疗机制、发现治疗疾病的新药物具有重要意义。目前，结合药物和靶标多源数据的DTI预测计算方法可以有效降低药物研发的成本和时间。但在多源数据处理中，往往不考虑不同源数据对DTI的贡献，因此如何充分利用不同源数据对DTI预测的贡献进行有效融合是提高DTI预测精度的关键。本文考虑不同源数据对DTI预测的贡献，提出一种基于药物和靶标多源数据有效融合的DTI预测方法，即EFMSDTI。EFMSDTI首先基于多源信息网络构建15个相似度网络，根据药物和靶标的生物学特征将其分类为药物和靶标的拓扑和语义图。然后根据多网络对DTIs预测的贡献，采用基于相似性网络融合（SNF）的选择性和熵加权方法对多网络进行融合。深度神经网络模型学习药物和靶标的低维向量的嵌入。最后，采用基于梯度提升决策树（GBDT）的LightGBM算法完成DTIs预测。实验结果表明，EFMSDTI比几种最先进的算法具有更好的性能（AUROC和AUPR为0.982）。此外，它在分析前1000个预测结果方面具有良好的效果，而前1000个DTI中有990个得到了确认。代码和数据可在https://github.com/meng-jie/EFMSDTI获得。
财务稳定报告
AEs Advanced economies AUROC Area under the receiver operating characteristic curve CAB Current account balance CAR Capital adequacy ratio CBU Central Bank of Uzbekistan CCoB Capital conservation buffer CCyB Countercyclical capital buffer CoVaR Conditional value at risk DSR Debt service ratio ELA Emergency liquidity assistance EMs Emerging markets EWI Early warning indicator FDIC US Federal Deposit Insurance Corporation FED US Federal Reserve System FGDCB Fund for guaranteeing deposits of citizens in banks FSI Financial stress index GARCH Generalized autoregressive conditional heteroskedasticity GDP Gross domestic product GSADF Generalized supremum augmented Dickey-Fuller HHI Herfindahl-Hirschman index HLA Highly liquid assets HP Hodrick-Prescott IMF International Monetary Fund JSC Joint-stock company LCR Liquidity coverage ratio LTV Loan-to-value MSCI Morgan Stanley Capital International NGFS Network of Central Banks and Supervisors for Greening the Financial System NSFR Net stable funding rate ratio OLS Ordinary least squares PTI Payment-to-income ROA Return on assets ROC Receiver operating characteristic curve ROE Return on equity RWA Risk-weighted assets SIB Systemically important banks SSM State-space model SyRB Systemic risk buffer UCI乌兹别克斯坦综合索引USD美国美元UZS UZBEK SOUM VAR AF PRIGAT AS IAM AS IAG
数据和文本挖掘评估人工智能驱动的生物医学信息学的推荐系统
动机：由于缺乏 ML 和/或编码专业知识，许多具有领域专业知识的研究人员无法轻松地将机器学习 (ML) 应用于他们的生物信息学数据。迄今为止提出的自动化 ML 方法大多需要编程经验以及专家知识来正确调整和应用算法。在这里，我们研究一种使用基于 Web 的 AI 平台自动化生物医学数据科学的方法，以推荐模型选择并进行实验。我们有两个目标：首先，使构建复杂的生物医学过程模型变得容易；其次，提供一个完全自动化的 AI 代理，可以根据用户的实验以及先前的知识为用户选择和开展有希望的实验。为了验证这个框架，我们对 165 个分类问题进行了实验，并与最先进的自动化方法进行了比较。最后，我们使用此工具开发重症监护患者脓毒症休克的预测模型。结果：我们发现基于矩阵分解的推荐系统在自动化 ML 方面优于元学习方法。该结果反映了其他领域早期推荐系统研究的结果。在为数据集选择最佳算法配置方面，所提出的 AI 与最先进的自动化 ML 方法具有竞争力。在我们预测脓毒症休克的应用中，AI 驱动的分析产生了一个称职的 ML 模型（AUROC 0.85 6 0.02），其性能与这项任务的最先进的深度学习结果相当，但计算工作量要少得多。它根据 GNU 公共许可证 (GPL) 版本 3 分发。可用性和实施：PennAI 可免费使用，并且是开源的。联系方式：lacava@upenn.edu 或 jhmoore@upenn.edu 补充信息：补充数据可在 Bioinformatics 在线获取。