XiaoMi-AI文件搜索系统
World File Search SystemBCPNN
StreamBrain：一种用于 CPU、GPU 和 FPGA 上的类脑神经网络的 HPC 框架
摘要 基于反向传播的现代深度学习方法越来越受欢迎，并已用于多个领域和应用领域。与此同时，还有其他鲜为人知的机器学习算法，它们具有成熟而坚实的理论基础，但其性能仍未被探索。类似大脑的贝叶斯置信传播神经网络 (BCPNN) 就是一个例子。在本文中，我们介绍了 StreamBrain——一个允许基于 BCPNN 的神经网络实际部署在高性能计算系统中的框架。StreamBrain 是一种领域特定语言 (DSL)，概念上类似于现有的机器学习 (ML) 框架，并支持 CPU、GPU 甚至 FPGA 的后端。我们通过经验证明 StreamBrain 可以在几秒钟内训练著名的 ML 基准数据集 MNIST，并且我们是第一个在 STL-10 大小网络上展示 BCPNN 的人。我们还展示了如何使用 StreamBrain 进行自定义浮点格式训练，并说明了使用 FPGA 对 BCPNN 使用不同 bfloat 变体的影响。关键词 HPC、无监督学习、表示学习、神经网络、AI、新兴机器学习、BCPNN、GPU、FPGA
d-stem突变以忠诚为代价提高了翻译速度
我们搜索了FAERS数据库中的“自身免疫性肝炎”一词，并从2004年第一季度到2024年第一季度提取了Di-ALH报告。使用比例报告比率（PRR），报告优势比（ROR），贝叶斯置信度传播神经网络（BCPNN）和经验贝叶斯贝叶斯地理均值（EBGM）鉴定阳性信号药物。要确认重要的药物不良事件关联，每种方法都必须满足预定义的阈值：对于PRR和ROR，如果较低的95％置信区间（CI）大于1，并且至少确定了三个报告，则认为值是很重要的。对于BCPNN，信息组件（IC025）大于0表示信号；对于EBGM，使用较低95％置信区间（EBGM05）的值大于2表示正信号。
具有最佳贝叶斯学习的神经自联想
神经联想记忆是具有快速突触学习的单层感知器，通常存储神经活动模式对之间的离散关联。先前的研究分析了在独立模式成分和异质关联的朴素贝叶斯假设下的最佳网络，其任务是从输入到输出模式学习关联。在这里，我研究了用于自动关联的最优贝叶斯联想网络，其中输入层和输出层相同。特别是，我将性能与近似贝叶斯学习规则的不同变体（如 BCPNN（贝叶斯置信传播神经网络））进行比较，并尝试解释为什么有时次优学习规则比（理论上）最优模型实现更高的存储容量。事实证明，性能可能取决于违反“朴素贝叶斯”假设的输入成分的微妙依赖关系。这包括具有恒定数量的活动单元的模式、通过循环网络重复传播模式的迭代检索以及最可能单元的赢家通吃激活。如果所有学习规则都包含一种新的自适应机制来估计迭代检索步骤 (ANE) 中的噪声，则其性能可以显著提高。具有 ANE 的贝叶斯学习规则再次实现了整体最大存储容量。
o r i g i n a l r e s a r c h研究药物诱导的甲状腺功能障碍的不良事件与非选择性RET多激酶抑制作用相关
目的：本研究旨在通过使用美国FDA不良事件报告系统（FAERS）的数据进行药物守护性分析来研究非选择性RET激酶抑制剂与甲状腺功能障碍（TD）之间的潜在关联。方法：从FAERS数据库中获得非选择性RET MKI的数据，跨越2015年第一季度到2023年第四季度。不成比例分析用于量化与非选择性RET MKI相关的AE信号并识别TD AE。亚组分析和多元逻辑回归用于评估影响TD AES发生的因素。时间发作（TTO）分析和Weibull形状参数（WSP）测试。结果：描述性分析表明，与非选择性RET MKI相关的TD不良事件的趋势越来越大，报告的严重反应很明显。使用ROR，PRR，BCPNN和EBGM算法的不成比例分析始终显示出Sunitinib，Cabozantinib和Lenvatinib与TD不良事件之间的正相关。亚组分析基于年龄，性别和体重强调了对TD的差异敏感性，每个抑制剂都观察到了不同的模式。逻辑回归分析确定了独立影响TD不良事件发生的因素，强调了年龄，性别和体重在患者分层中的重要性。发出的时间分析表明用非选择性RET MKI治疗后TD不良事件的早期表现，随着时间的推移风险降低。结论：我们研究的结果表明使用非选择性RET MKI与TD AE的发生之间存在相关性。这可以为非选择性RET MKI的临床监测和风险识别提供支持。然而，需要进一步的临床研究来证实这项研究的结果。关键字：药物诱导的甲状腺功能障碍，非选择性RET MKIS，药物守流，FDA不良事件报告系统，临床监测