XiaoMi-AI文件搜索系统
World File Search SystemComplexity
全外显子组测序揭示早发并发症家族中二尖瓣主动脉瓣的遗传复杂性
此预印本的版权所有者此版本于 2024 年 2 月 8 日发布。；https://doi.org/10.1101/2024.02.07.24302406 doi: medRxiv preprint
复杂性的优点回报预测
*布莱恩·凯利（Bryan Kelly）在耶鲁大学管理学院，AQR Capital Management和Nber上。Semyon Malamud在瑞士金融学院，EPFL和CEPR，是AQR的顾问。kangy-ing周在耶鲁大学管理学院。我们感谢Cliff As-Ness的有益评论； Kobi Boudoukh;丹尼尔·邦西奇（Daniel Buncic）；詹姆斯·崔；弗兰克·迪博尔德； Egemen Eren; Paul Goldsmith-Pinkham；阿米特·戈亚尔（Amit Goyal）；罗恩·卡尼尔（Ron Kaniel）（讨论者）； Stefan Nagel（编辑）； Andreas neuhierl（铁饼）； Matthias Pelster（讨论者）； Olivier Scaillet（讨论者）；基督教施拉格（讨论者）； akos toereek; Hui Wang（讨论者）； Guofu Zhou（讨论者）； AQR，耶鲁大学，维也纳经济与商业大学，费城美联储，国际定居银行，纽约大学和EPFL的研讨会；和会议宏观金融社会的会议，亚当·史密斯资产定价会议，SFS骑兵北美会议，香港香港金融科技，AI和大数据商业大会，沃顿·雅各布斯 - 莱维会议，金融和经济学研讨会，关于金融和经济学研讨会，关于中国国际风险论坛，斯坦福大学的新领域，新领域，新领域。我们特别感谢Mohammad Pourmohammadi为我们的证明和技术条件提出了一些基本的改进。AQR Capital Management是一家全球投资管理公司，可能会或可能不采用本文所述的类似投资技术或分析方法。此处表达的观点是作者的观点，而不一定是AQR的观点。Semyon Malamud非常感谢瑞士金融学院和瑞士国家科学基金会的支持，授予100018_192692。我们已经阅读了《金融杂志》的披露政策，没有披露的意义上的冲突。
大脑网络动态的可逆性和扰动复杂性：一种全脑建模方法
Carol、Inˆes、inˆes、Lu´ıs、Peixinho、S´a、Sofia 和 Tiago 在 T´ecnico 度过了 5 年的友谊。感谢
基于学习的脑电图时频图像的深度学习视觉复杂性分析：它可以定位大脑中的癫痫发作区吗？基于学习的脑电图时频图像的深度学习视觉复杂性分析：它可以定位大脑中的癫痫发作区吗？
1胎儿神经影像学和发展科学中心，新生医学部，医学系波士顿儿童医院，哈佛医学院，马萨诸塞州波士顿，美国马萨诸塞州02115； navaneethakrishna.makaram@childrens.harvard.edu（N.M.）; sarvagya.gupta@childrens.harvard.edu（S.G.）; matthew.pesce@childrens.harvard.edu（M.P.）; ellen.grant@childrens.harvard.edu（P.E.G.）2美国马萨诸塞州波士顿的波士顿儿童医院神经病学系，美国马萨诸塞州02115； jeffrey.bolton@childrens.harvard.edu（J.B。）; phillip.pearl@childrens.harvard.edu（P.P.）; Alexander.rotenberg@childrens.harvard.edu（A.R。）3美国马萨诸塞州波士顿的波士顿儿童医院神经外科癫痫手术系，美国马萨诸塞州02115； scellig.stone@childrens.harvard.edu 4计算机科学系，马萨诸塞州波士顿大学，马萨诸塞州波士顿，美国马萨诸塞州02115； haehn@cs.umb.edu（D.H.）; marc@cs.umb.edu（M.P。） 5 Jane和John Justin Mind Health研究所，美国德克萨斯州沃思堡库克儿童医疗保健系统，美国德克萨斯州76104； Christos.papadelis@cookchildrens.org *通信：eleonora.tamilia@childrens.harvard.edu3美国马萨诸塞州波士顿的波士顿儿童医院神经外科癫痫手术系，美国马萨诸塞州02115； scellig.stone@childrens.harvard.edu 4计算机科学系，马萨诸塞州波士顿大学，马萨诸塞州波士顿，美国马萨诸塞州02115； haehn@cs.umb.edu（D.H.）; marc@cs.umb.edu（M.P。）5 Jane和John Justin Mind Health研究所，美国德克萨斯州沃思堡库克儿童医疗保健系统，美国德克萨斯州76104； Christos.papadelis@cookchildrens.org *通信：eleonora.tamilia@childrens.harvard.edu
书籍章节平均和时间分辨率的影响和影响对混合动力的充满活力，经济和技术问题的评估书籍章节基于机器学习的检测，对心血管疾病的检测使用ECG信号：绩效与复杂性Huy Pham 1，Konstantin Egoro
书章基于机器学习的检测，对心血管疾病的检测使用ECG信号：绩效与Complexity Huy Pham 1 , Konstantin Egorov 2 , Alexey Kazakov 3 and Semen Budennyy 3,4 * 1 Department of Computer Science, HSE University, Russia 2 AI for Medicine, Sber AI Lab, Russia 3 Applied Research Center, Sber AI Lab, Russia 4 New Materials Discovery Group, Artificial Intelligence Research Institute (AIRI), Russia *Corresponding Author: Semen Budennyy, Applied Research中心，俄罗斯莫斯科Sber AI实验室，于2023年10月26日出版，本书是Huy Pham等人发表的一篇文章的一章。在2023年7月在心血管医学的边境。（Pham H，Egorov K，Kazakov A和Budennyy S（2023）使用ECG信号基于机器学习对心血管疾病的检测：性能与复杂性。正面。心脏。Med。10：1229743。 doi：10.3389/fcvm.2023.1229743）如何引用本书章节：Huy Pham，Konstantin Egorov，Alexey Kazakov，精液Budennyy。使用ECG信号基于机器学习对心血管疾病的检测：性能与复杂性。in：心脏病学的主要档案。印度海得拉巴：录像。2023。©作者2023。本文根据创意共享归因4.0国际许可（http://creativecommons.org/licenses/4.0/）的条款分发，该条款允许在任何媒介中不受限制地使用，分发和再现，前提是原始工作被正确引用。
神经技术的社会复杂性：设计一个期货研讨会，以探索更多的替代期货
人工智能或神经技术等新型技术预计将来会产生社会影响。正如他们处于发展的早期阶段一样，确定他们可能对社会产生的潜在负面影响是一项挑战。通常，评估这些效果取决于专家，虽然这是必不可少的，但也需要更广泛的公众积极参与，因为它们也可能有助于必须考虑的相关思想。本文介绍了一个名为Spark More Just Futures的教育期货研讨会，旨在作为基于能力方法的社会正义角度刺激批判性思维的工具。为此，我们首先探讨了神经技术，社会正义和现有建议的理论背景，这些建议评估了技术的社会含义，并基于能力方法。然后，我们提出一个通用框架，工具和研讨会结构。最后，我们介绍了从车间的两个略有不同版本（4和5）获得的结果。这样的结果使我们得出结论，该设计的研讨会成功地完成了其主要目标，因为它使参与者能够讨论神经技术的社会含义，并且还扩大了参与专家的社会观点。但是，研讨会可以进一步改善。
增强脑肿瘤检测和分类并降低复杂性
摘要：在本研究中，我们提出了一种用于检测和分类脑肿瘤的新型增强型深度学习方法，即降低复杂度空间融合 CNN (RCSF-CNN) 方法。该方法集成了复杂度特征提取，从而提高了脑肿瘤图片特征提取的质量。为了捕获关键的检测属性，提取了图像变量，例如平均值、标准差、熵、方差、平滑度、能量、对比度和相关性。然后，RCSF-CNN 使用这些属性来检测和分类脑癌。当与离散正交斯托克韦尔变换 (DOST) 配对作为中间阶段时，所提出的方法说明了增强型深度学习方法在脑癌识别中的有效性和优越性。研究是通过 Kaggle 使用 BRATS 数据集进行的，网络在 32 个样本上进行训练，并评估了 5 个样本图片的特征。RCSF-CNN 以其高效的架构脱颖而出，其中包括空间融合以及关键的规范化步骤。类激活映射 (CAM) 的加入提高了透明度和可解释性，突出了模型的创新性。MATLAB 仿真工具用于实现，并在自由源脑肿瘤图像分割基准 (BRATS) 数据集上进行了实验研究。脑肿瘤识别的结果显示熵值为 0.008、能量值为 0.8155、对比度值为 0.354。这些熵、对比度和能量值对于脑肿瘤的检测至关重要。此外，在准确度、特异性和灵敏度方面，新技术在脑肿瘤检测中胜过早期的方法，例如传统 CNN、具有修改后的局部二元模式的深度学习和 ML 算法（例如 SVM）。实现的准确度为 98.99%，表明总正确分类水平很高。99.76% 的特异性说明了该方法能够正确识别非肿瘤区域，而 98.43% 的灵敏度则证明了其能够正确检测癌症位置。
定向和加权代谢超图的鲁棒性和复杂性
摘要：代谢网络可能是最具挑战性和最重要的生物网络之一。他们的研究提供了有关生物学途径的工作方式以及特定生物体对环境或治疗的鲁棒性的见解。在这里，我们提出了一个有针对边缘的顶点重量作为代表代谢网络的新框架的定向超图。这种基于超级图的表示捕获了代谢物和反应之间的高阶相互作用，以及反应和化学计量权重的方向性，从而保留了所有必需信息。在此框架内，我们提出了通信性和搜索信息作为指标，以量化有向超图的鲁棒性和复杂性。我们探讨了网络方向对这些度量的含义，并通过将它们应用于小型大肠杆菌核心模型来说明了一个实践示例。此外，我们比较了30种不同模型的代谢模型的鲁棒性和复杂性，并连接结构和生物学特性。我们的发现表明抗生素耐药性与高结构鲁棒性有关，而复杂性可以区分真核和原核生物。
处理运营复杂性的实用方法
1:15 2:00主题演讲Douglas Augusto Guilherme，VP供应链北美和加拿大 @ Hershey1:15 2:00主题演讲Douglas Augusto Guilherme，VP供应链北美和加拿大 @ Hershey
驯服量子理论中的复杂性Arxiv：2310.01484 ...
灵感来自物理系统只能包含有限数量的信息或复杂性的观念，我们引入了一个框架，该框架允许量化指定函数或集合所需的逻辑信息量。然后，我们将此方法应用于各种物理系统，并得出有效的Lagrangians中出现的参数依赖性物理观察物和耦合功能的复杂性。为了实施这些想法，必须考虑可以在O最低结构中定义的物理理论。o最小程度，是数学逻辑的概念，封装了驯服原则。人们认为，这种属性是许多已知的量子场理论固有的，并且与该理论的紫外线完成有关。要为这些理论中的每个语句分配复杂性，必须进一步限制允许的O-最低结构。为了举例说明这一点，我们表明可以使用PFAFFIAN O-WIMIMAL结构来置换许多物理系统，这些结构具有良好的复杂性概念。更普遍地，我们建议采用Binyamini和Novikov最近引入的急剧O-最低结构，作为衡量量子理论中复杂性的总体框架。