XiaoMi-AI文件搜索系统
World File Search SystemAutoCododer
具有不同粒子数量的系统的动力学
在这项工作中，我们提出了一种新的方法，用于使用AutoCododer（AE）（AE）（一种未加权的机器学习技术，具有最少的先验知识）来识别一维量子多体系统中的量子相变。AES的训练是通过在整个驱动参数的整个范围内通过精确的对角线化（ED）获得的减少密度矩阵（RDM）数据进行的，因此不需要对相图的事先了解。使用这种方法，我们通过跟踪AE的重建损失的变化，成功地检测了具有多种类型的多种相变的广泛模型中的相变。AE的学习表示表示，以表征不同量子相的物理现象。我们的方法论展示了一种新的方法，可以使用最少的知识，少量所需数据研究量子相变，并产生量子状态的压缩代表。
scdtl：基于深度转移学习的单细胞RNA-seq插定使用散装细胞信息
摘要。动机：单细胞RNA示例（SCRNA-SEQ）的增长量使研究人员能够研究细胞性质和基因表达曲线，从而在单细胞水平上提供了转录组的高分辨率视图。但是，SCRNA-Seq数据中通常存在的辍学事件仍然是下游分析的挑战。尽管已经开发了许多研究来恢复单细胞表达曲线，但它们的性能有时会受到不完全利用基因之间的固有关系而受到限制。结果：为了解决这个问题，我们提出了一种基于深度转移学习的方法，称为SCDTL，称为SCDTL，用于通过探索大量的RNA序列信息来推出SCRNA-Seq数据。SCDTL首先使用Denoising AutoCododer（DAE）训练批量RNA-Seq数据的插补模型。然后，我们应用了一个域的适应体系结构，该结构在批量基因和单细胞基因域之间构建图形，该结构将大量归档模型学到的知识转移到SCRNA-Seq学习任务。此外，SCDTL采用了1D U-NET DeNoising模型的并行操作，以提供不同粒度的基因表示，从而捕获了Scrna-Seq数据的粗糙和精细特征。在最后一步中，我们使用跨通道注意机制来融合从转移的散装螺旋桨和U-NET模型中学到的效果。在评估中，我们进行了广泛的实验，以证明基于SCDTL的方法可以在定量比较和下游分析中优于其他最新方法。联系人：zhangd@szu.edu.cn或tianj@sustech.edu.cn
宏基因组学深度学习方法：评论
于2023年12月20日收到； 2024年3月27日接受； 2024年4月17日出版作者分支：1 IRD，索邦大学，Ummisco，32 Avenue Henry Varagnat，Bondy Cedex，法国； 2 Sorbonne University，Inserm，Nutriomics，91 BVD de L'Hopital，法国75013，法国。*信函：加斯帕·罗伊（Gaspar Roy），加斯帕（Gaspar。 Jean-Daniel Zucker，Jean-Daniel。Zucker@ird。FR关键字：微生物组；宏基因组学；深度学习；神经网络；嵌入； binning;疾病预测。缩写：ASV，扩增子序列变体； CAE，卷积自动编码器； CGAN，有条件的生成对抗网络； CNN，卷积神经网络； Dae，Denoing AutoCododer； DL，深度学习； FFN，馈送网络； GAN，生成对抗网络；它的内部转录垫片； LSTM，长期记忆； MAG，元基因组组装基因组； MGS，宏基因组； MIL，多个实例学习； ML，机器学习； MLP，多层感知器； NGS，下一代测序； NLP，自然语言处理； NN，神经网络； RNN，经常性神经网络； SAE，稀疏的自动编码器； Sota，艺术状态； SVM，支持向量机； TNF，四核苷酸频率； Vae，各种自动编码器； WGS，全基因组测序。数据语句：文章或通过补充数据文件中提供了所有支持数据，代码和协议。补充材料可与本文的在线版本一起使用。001231©2024作者