XiaoMi-AI文件搜索系统
World File Search SystemBin
个人简历第一部分个人资料 Binu Koirala，博士......
2021-2023 与心力衰竭和多重疾病共存：多重疾病管理中的性别差异和优先事项，Binu Koirala，首席研究员，75% 的努力，由约翰霍普金斯大学女性健康跨学科研究职业建设 (BIRCWH) K12 奖资助，75% 的努力/100,000 美元和每年 34,392 美元的研究基金，为期两年。IRB00244792 2020-2024 与多重疾病共存：疾病轨迹中的症状管理，Binu Koirala，首席研究员，15% 的努力，由 NINR-P30 促进复原力中心试点资助，100,000 美元。 IRB00244792 2019-2024 新护理教师奖学金，Binu Koirala，首席研究员，由马里兰州高等教育委员会资助。50,000 美元 2019-2020 共同设计临终关怀的创新方法：ANANTA 研究，Binu Koirala，首席研究员，由老龄化创新护理中心资助，10,000 美元。2018-2020 心力衰竭自我护理：影响自我护理和与健康相关生活质量的关系的因素，Binu Koirala，首席研究员，由全国护理联盟资助，5,300 美元。IRB00169924 2018-2019 尼泊尔的心力衰竭自我护理，Binu Koirala，首席研究员，由南方护理研究协会资助，5,000 美元。 IRB00169924 2018-2020 心力衰竭自我护理：影响自我护理和与健康相关生活质量关系的因素，Binu Koirala，首席研究员，由 Sigma Theta Tau Nu Beta Chapter-At-Large 资助，1,500 美元。IRB00169924 2018-2020 改善澳大利亚女性心脏病结果的策略，数据分析师，由澳大利亚研究委员会发现基金资助。IRB- HREC/15/WMEAD/1；ETH160353 2017-2021 加速高级实践姑息治疗能力并扩大实践伙伴关系，Cheryl Dennison Himmelfarb，项目经理，70% 的努力，由马里兰高等教育委员会资助，1,264,039 美元。 IRB00168035 2017-2019 澳大利亚战争寡妇的特征和福祉，数据分析师，由澳大利亚战争寡妇协会资助 - 新南威尔士州 非赞助研究项目 2022-2024 老年护理：与加德满都大学、全球卫生大学联盟和世界卫生组织尼泊尔办事处合作，在尼泊尔进行课程规划和评估，教师导师和内容专家 2021 年至今 患有心力衰竭和身体虚弱的社区患者的姑息治疗需求，
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
拟南芥转录因子结合位点与转录起始位点的语法
对TFBS间距配置的比较分析以及相对于体内TSS和体外实验条件的距离。tfs分为Y轴的家庭和类，颜色与PlantTF级超类3相对应。TSS以0 bp为中心，并均匀地定向右侧。每行右侧的数字表示分析中使用的样本数量。浅灰色颜色的行表示相应的TF家族缺乏数据。tfbss以与TSS相同的方向为方向而定，指向右侧的蓝色箭头表示，而相对于TSSS的TFBS朝着相反的方向表示的，用指向左侧的红色箭头表示。plindromic TFBS由紫色钻石表示。颜色的强度反映了平均z得分，固体颜色代表更高的分数和更透明的颜色代表得分较低。
Clemens Segur-Cabanac在第8条上的声明südwind关于就商业和人权的法律约束力进行谈判
因此，我们需要将第8条的第8.2点更改为“本条中的犯罪，民事或行政”，以确保不仅对公司进行惩罚，还可以通过民事责任确保对受害者的赔偿。这对于全球供应链上的数百万工人和农民来说至关重要
基于自旋轨道扭矩的交叉阵列用于抗错误二进制卷积神经网络
摘要 — 卷积神经网络 (CNN) 是最重要的深度神经网络 (DNN) 类别之一，有助于解决许多与图像识别和计算机视觉相关的任务。它们使用传统 CMOS 技术和数字设计技术的传统实现仍然被认为非常耗能。浮点 CNN 主要依赖于 MAC（乘法和累加）运算。最近，基于 XNOR 和位计数运算的经济高效的 Bite-wise CNN 已被视为可能的硬件实现候选。然而，由于内存和计算核心之间密集的数据提取导致的冯诺依曼瓶颈限制了它们在硬件上的可扩展性。XNOR-BITCOUNT 操作可以通过在忆阻交叉开关阵列上执行的内存计算 (IMC) 范例轻松实现。在新兴的忆阻设备中，自旋轨道扭矩磁随机存取存储器 (SOT-MRAM) 提供了具有更高导通电阻的可能性，从而可以降低读取电流，因为所有交叉开关阵列都是并行读取的。这有助于进一步降低能耗，为更大的交叉开关设计铺平道路。本研究提出了一种基于 SOT-MRAM 的交叉开关架构，能耗极低；我们研究了工艺变异性对突触权重的影响，并对整个交叉开关阵列进行了蒙特卡罗模拟，以评估错误率。模拟结果表明，与其他忆阻解决方案相比，此实现的能耗较低，每次读取操作的能耗为 65.89 fJ。该设计对工艺变化也具有很强的鲁棒性，读取误差极低，最高可达 10%。
记忆结合测试检测临床前阿尔茨海默氏病的早期微妙的发作记忆下降：一项纵向研究
Filipa Raposo Pereira A, B, ∗, Nathalie George A, Gianfranco Dalla Barba C, Bruno Dubois A, B, D, Valentina La Cort B, E, F and the Insight-Preat Study Group A Institute of the Brain-Paris Brain Institute-ICM, Inserm, U 1127, CNRS, UMR 7225 ' Aphp, Cenir, Center Meg-Eeg, Sorbonne University, Pitié-Salpêtrière Hospital, Paris, France B Department of Neurology, Institute of Memory and Alzheimer's Disease (IM2A), Piti´e-Salpˆetri`eere University Hospital, Public Assistance-Hospitals de Paris (AP-HP), Paris, France C. University Degli Studi di Trieste, Trieste, Italy D Department of Neurology, Center神经退行性疾病（COEN），ICM，CIC神经科学，公共援助 - 巴黎医院（AP-HP）（AP-HP），Piti´e-Salpˆere，Sorbonne University，Paris，Paris，Cognition，认知（UR 7536），心理学研究所，巴黎大学，巴黎大学，Boulogne-Boulogne-Bologne-billancourt，France France france deitut deitut deitut deitut parise crocessiate
面向医疗应用的二值化神经网络的内存电阻式 RAM 实现
摘要 — 深度学习的出现大大加速了机器学习的发展。然而，边缘深度神经网络的部署受到其高内存和能耗要求的限制。随着新内存技术的出现，新兴的二值化神经网络 (BNN) 有望降低即将到来的机器学习硬件一代的能量影响，使机器学习能够在边缘设备上进行，并避免通过网络传输数据。在这项工作中，在介绍采用混合 CMOS - 氧化铪电阻存储器技术的实现后，我们提出了将 BNN 应用于心电图和脑电图等生物医学信号的策略，以保持准确度水平并降低内存要求。我们研究了二值化整个网络和仅二值化分类器部分时的内存-准确度权衡。我们还讨论了这些结果如何转化为 Imagenet 任务上面向边缘的 Mobilenet V1 神经网络。这项研究的最终目标是实现智能自主医疗设备。
bin gao副教授
∠ A space-decoupling framework for optimization on bounded-rank matrices with orthogonally invariant constraints 2024.11.23 Seminar on Advanced Mathematical Optimization, Nanning, China ∠ Desingularization of bounded-rank tensor sets 2024.11.14 2024 SCMS workshop on learning and optimization in non-Euclidean spaces , Shanghai, China ∠双层优化的高成分：Krylov子空间的有效计算和重新掌管学习中的增强调查2024.12.07 2024 2024国际数据科学和脑启发的智能会议，上海，中国2024.08.11中国科学机器学习（CSML2024），Shanghai和中国的应用方法： 2024.12.11 2nd Brazil-China Joint Mathematical Meeting , Dongguan, China 2024.09.29 Forum on Mathematical Optimization, Dalian, China 2024.05.13 SIAM Conference on Applied Linear Algebra (LA24) , Sorbonne University, Paris, France ∠ Low-rank optimization on matrix and tensor varieties 2024.04.20 Seminar on Advanced Optimization , Jilin,中国