XiaoMi-AI文件搜索系统
World File Search SystemAutoEncoder
基于混合自动编码器和LSTM Neural
摘要：风险识别和缓解对于在不断变化的供应链管理领域（SCM）中保持韧性和效率至关重要。现代供应网络中固有的复杂性和不确定性通常太复杂了，无法有效解决传统风险管理技术。为了增强供应链管理中的风险检测和管理，本研究探讨了将区块链技术与深度学习混合的混合策略。区块链通过为供应链操作监视提供透明和分散的系统来确保数据完整性和透明度。深度学习可以改善此过程，该过程分析了大量的历史数据和当前数据，以识别模式，预测威胁并提出对策。所提出的系统利用区块链技术的不可侵犯性和深度学习的预测能力来应对诸如欺诈检测，需求预测，供应商评估和中断预测等重要挑战。使用混合自动编码器和基于LSTM的深神经网络可以确保数据集。自动编码器用于降低维度和降低噪声和冗余数据，这些数据将进一步通过基于LSTM的神经网络，以增强基于区块链的交易数据的安全性。
生成的AI和大型语言模型Farhat Habib，...
Xianxu Hou, Linlin Shen, Ke Sun, Guoping Qiu, Deep Feature Consistent Variational Autoencoder, Neurocomputing
放射组学和深度特征：使用 3D 自动编码器神经网络对脑出血进行稳健分类和可重复性分析
1 库尔德斯坦医科大学辅助医学学院放射学系，萨南达季邮政信箱 66177-13446，伊朗；salar.bijari89@gmail.com 2 伊朗医科大学医学院神经外科系，德黑兰邮政信箱 14496-14535，伊朗；sayfollahisahar@gmail.com 3 库尔德斯坦大学工程学院机械工程组，萨南达季邮政信箱 66177-15175，伊朗；mardokh94@gmail.com 4 沙希德萨杜吉医科大学公共卫生学院老龄化与健康系，亚兹德邮政信箱 89151-73160，伊朗；s.bijari8810@gmail.com 5 德黑兰医科大学放射学系，德黑兰邮政信箱 14197-33151，伊朗； moradian.sm@gmail.com 6 伊朗阿瓦士 Jundishapur 医科大学 Golestan 医院放射肿瘤科，阿瓦士邮政信箱 61357-15794；zibazaheir@gmail.com 7 伊朗阿瓦士 Jundishapur 医科大学医学院医学物理学系，阿瓦士邮政信箱 61357-15794 8 伊朗阿瓦士 Jundishapur 医科大学癌症研究中心，阿瓦士邮政信箱 61357-15794 * 通信地址：rezaei-sm@ajums.ac.ir
ASD-SAENet：一种使用 fMRI 数据检测自闭症谱系障碍 (ASD) 的稀疏自动编码器和深度神经网络模型
自闭症谱系障碍 (ASD) 是一种异质性神经发育障碍，其特征是沟通障碍和社交互动有限。目前的临床方法完全基于对症状的行为观察，对自闭症背后的神经机制了解甚少，因此有必要确定新的生物标记，以帮助研究大脑的发育和功能，并可以准确和早期地检测出自闭症。在本文中，我们开发了一种名为 ASD-SAENet 的深度学习模型，用于使用 fMRI 数据将自闭症患者与典型的对照受试者进行分类。我们设计并实施了一个稀疏自动编码器 (SAE)，以优化可用于分类的特征提取。然后将这些特征输入到深度神经网络 (DNN) 中，从而对更容易患自闭症的 fMRI 脑部扫描进行更好的分类。我们提出的模型经过训练，可以优化分类器，同时根据重建数据误差和分类器误差改进提取的特征。我们使用从 17 个不同研究中心收集的公开的自闭症脑成像数据交换 (ABIDE) 数据集评估了我们提出的深度学习模型，该数据集包括 1,035 多名受试者。我们广泛的实验表明，与其他方法相比，ASD-SAENet 对整个数据集表现出相当的准确度 (70.8%) 和更高的特异性 (79.1%)。此外，我们的实验在 17 个成像中心中的 12 个中心表现出比其他最先进的方法更好的结果，在不同的数据采集站点和协议中表现出更高的通用性。实施的代码可在我们实验室的 GitHub 门户上找到：https://github.com/pcdslab/ASD-SAENet。
使用卷积自动编码器模型和 Interv 在 rs-fMRI 模式中自动诊断精神分裂症和注意力缺陷多动障碍
摘要 当今世界，许多人患有脑部疾病，他们的健康受到威胁。到目前为止，已经提出了许多诊断精神分裂症 (SZ) 和注意力缺陷多动障碍 (ADHD) 的方法，其中功能性磁共振成像 (fMRI) 模态是医生中流行的方法。本文提出了一种使用新深度学习方法的静息态 fMRI (rs-fMRI) 模态的 SZ 和 ADHD 智能检测方法。加州大学洛杉矶分校数据集包含 SZ 和 ADHD 患者的 rs-fMRI 模态，已用于实验。FMRIB 软件库工具箱首先对 rs-fMRI 数据进行预处理。然后，使用具有建议层数的卷积自动编码器模型从 rs-fMRI 数据中提取特征。在分类步骤中，引入了一种新的模糊方法，称为区间型2模糊回归（IT2FR），然后通过遗传算法、粒子群优化和灰狼优化（GWO）技术进行优化。此外，还将IT2FR方法的结果与多层感知器、k最近邻、支持向量机、随机森林和决策树以及自适应神经模糊推理系统方法进行了比较。实验结果表明，与其他分类器方法相比，采用GWO优化算法的IT2FR方法取得了令人满意的结果。最后，提出的分类技术能够提供72.71％的准确率。
使用上下文感知的自动编码器
对药物治疗的患者特定反应的准确，可靠的预测对于药物开发和个性化医学至关重要。但是，患者数据通常太稀缺了，无法训练广义的机器学习模型。尽管已经开发了许多方法来利用细胞系数据，但由于数据分布变化和混杂因素，很少有它们可以可靠地预测患者对新药的临床反应。我们开发了一种新颖的上下文感知的反面自动编码器（Code-AE），该自动编码器（Code-AE）可以提取通过上下文特定模式和混杂因素掩盖的常见生物学信号。广泛的研究表明，代码可以有效地减轻模型泛化的分布外问题，显着提高了对最先进方法的准确性和鲁棒性，这两种方法都可以预测患者特异性的体内和体内药物反应纯粹是从体外筛查中，并且是从体外筛查中的，并且是从体外筛查中的，并脱离了本质上的生物学因素。使用Code-AE筛选了9,808例癌症患者的50种药物，并发现了新型的个性化抗癌疗法和药物反应生物标志物。
高级心力衰竭分配中的多组分实施策略的试点测试
传统的诊断阿尔茨海默氏病（AD）的方法，例如脑成像和脑脊液易In侵入性且昂贵。希望通过利用从外围组织获得的生物标志物来开发有用的诊断工具。然而，在外周血中使用DNA甲基化数据预测AD进展的能力很少已知。在一项纵向研究中，考虑复杂且高维的DNA甲基化数据，开发有效的预测模型也是一项挑战。在这里，我们开发了两个多任务深度自动编码器，它们基于卷积自动编码器和长期短期内存自动编码器，通过共同最大程度地减少重建误差并最大化预测准确性，以学习压缩特征表示。通过基于阿尔茨海默氏病神经影像学计划中的外周血收集的纵向DNA甲基化数据进行基准测试，我们证明，提议的多任务深度自动设计器超过了最先进的机器学习方法，以预测广告的进展和重新构建时间dna甲基化。此外，提出的多任务深度自动编码器可以仅使用历史DNA甲基化数据准确地预测AD进展，并且通过包括所有时间暂时的DNA甲基化数据，可以进一步提高性能。可用性：： https：//github.com/lichen-lab/mtae。2022作者。由Elsevier B.V.代表计算和结构生物技术的研究网络发布。这是CC BY-NC-ND许可证（http：//creative-commons.org/licenses/by-nc-nd/4.0/）下的开放式访问文章。
使用新的稀疏监督自动编码器神经网络
基于CRISPR的单细胞转录组筛选是有效的遗传工具，可同时评估由一组指南RNA（GRNA）靶向的细胞的表达式，并从观察到的扰动中推断靶基因函数。然而，由于各种局限性，这种方法在检测弱扰动方面缺乏灵敏度，并且在研究主调节器（例如转录因子）时基本上是可靠的。为了克服检测微妙的GRNA诱导的转录组扰动和对响应最快的细胞进行分类的挑战，我们开发了一种新的监督自动编码器神经网络方法。我们稀疏的监督自动编码器（SSAE）神经网络提供相关特征（基因）和实际扰动细胞的选择。我们将此方法应用于基于基于缺氧的长期非编码RNA（LNCRNA）的子集的基于内部单细胞CRISPR干扰（CRISPRI）转录组筛查（CROCPRI）转录组筛选（CROP-SEQ），该子集受缺氧调节的疾病，该疾病在肺腺癌（Lung adenacoarcinoma）（LUAD）的背景下促进了肿瘤的侵略性和耐药性。针对LNCRNA的子集进行了经过验证的GRNA的农作物序列库，并且作为阳性对照，HIF1A和HIF2A（低氧反应的2个主要转录因子）在3、6或24 h期间在正态氧中培养的A549 LUAD细胞中转导的2个主要转录因子。我们首先通过确定在低氧反应的时间开关期间确定其敲低的特定效应，从而验证了HIF1A和HIF2上的SSAE方法。接下来，SSAE方法能够检测出稳定的短缺氧依赖性转录组特征，该特征是由某些LNCRNA候选者的敲低诱导的，表现优于先前发表的
网络安全性的量子密钥分布算法深层小波自动编码器使用深神经网络T.Balamurugan 1，e.gnanamanoharan 2，L.Martin 3
摘要。最近一年，大脑成像技术在检查和专注于解剖学和脑功能的新视野中一直发挥着重要作用。图像处理机制被广泛用于医学中，以增强早期检测和治疗。分割和分类对于MRI脑图像处理是至关重要的作用。这项工作的目的是开发一种系统，该系统通过提出的图像分类器的过程来帮助肿瘤检测和脑MRI图像识别。在这项工作中，我们建议一个深层神经网络进行分类和细分。这项工作提出了使用深波自动编码器（DWA）的图像压缩技术，该技术结合了将自动编码器的主要功能与小波变换的图像降解属性最小化的能力。两者的组合对减小与DNN的其他分类任务的函数的大小相同。已经消除了脑系统，并考虑了提出的DNN-DWAE图像分类。与不同现有方法相比，DNN-DWAE分类器的性能评估已得到改善。