XiaoMi-AI文件搜索系统
World File Search SystemDimension
重新定义游戏：MVAE-DFDPnet 的低维嵌入可实现卓越的药物-蛋白质相互作用预测
摘要 — 准确预测药物-蛋白质相互作用 (DPI) 对于药物发现和推进精准医疗至关重要。该领域的一个重大挑战是表征药物和蛋白质属性及其复杂相互作用的高维和异构数据。在我们的研究中，我们引入了一种新颖的深度学习架构：嵌入级联深度森林 (MVAE-DFDPnet) 的多视图变分自动编码器。该框架熟练地学习药物和蛋白质的超低维嵌入。值得注意的是，我们的 t-SNE 分析表明，二维嵌入可以清楚地定义与不同药物类别和蛋白质家族相对应的聚类。这些超低维嵌入可能有助于增强我们的 MVAE-DFDPnet 的稳健性和通用性。令人印象深刻的是，我们的模型在基准数据集上超越了当前领先的方法，在显着降低的维数空间中发挥作用。该模型的弹性进一步体现在它在预测涉及新型药物、蛋白质和药物类别的相互作用方面的持续准确性。此外，我们还用科学文献中的实验证据证实了几种新发现的 DPI。用于生成和分析这些结果的代码可以从 https://github.com/Macau-LYXia/MVAE-DFDPnet-V2 访问。
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。
基于软件成本估算的基于降低和机器学习模型
软件成本估计（SCE）是构建网络物理 - 社会系统（CPSS）的研究重点和挑战之一。在CPSS中，要准确处理环境和社会信息并使用它来指导社会实践。因此，在回应SCE的预测准确性低，鲁棒性和可解释性差的问题时，本文提出了基于自动编码器和随机森林的SCE模型。首先，预处理项目数据，删除异常值，然后构建回归树以在数据中缺少属性中填充。第二，构建一个自动编码器，以降低影响软件成本的因素的维度。随后，使用三个数据集上的XGBoost框架（Cocomo81，Albrecht和Desharnais）对模型的性能进行了训练和验证，并与常见的成本预测模型进行了比较。实验结果表明，COCOMO81数据集上提出的模型的MMRE，MDMRE和PRED（0.25）值分别达到0.21、0.16和0.71。与其他模型相比，所提出的模型在准确性和鲁棒性方面取得了重大改进。
情绪提升者：一种心理保健的维度方法
诸如RDOC和HITOP之类的精神病理学的摘要维度，转诊模型越来越多地告知核心和协方差过程如何在Psy-ChopAthology诊断中概念化。因此，该领域可能会从考虑跨诊断，维度干预模型来促进人类体验的心理健康中受益。当前的研究将情绪升降器作为一种编程案例研究，是一种生物心理社会形成的治疗方法，该方法针对RDOC和HITOP框架中概念化的精神病学。情绪举重者是一个为期15周，由同行的，基于小组的计划，可促进经诊断的心理良好。该计划演示了单个干预如何解决DSM突出的替代模型中强调的各个领域的精神病学。考虑到公共卫生和社区实施，作者希望这种对理论框架的应用概念化将鼓励进一步发展经诊断的维度治疗方法。
石墨烯和其他二维材料的环境和健康影响：石墨烯旗舰景点
摘要：自2004年由于这些材料的特异性和通用性特性而在2004年分离原子薄石墨烯以来，二维（2D）材料一直引起了人们的兴趣。但是，增加的2D材料的生产和使用需要对对人类健康和环境的潜在影响进行彻底评估。此外，需要使用统一的测试方案来评估2D材料的安全性。由欧盟委员会资助的石墨烯旗舰项目（2013 - 2023年）介绍了基于石墨烯基材料的可能危害以及新兴的2D材料，包括过渡金属二进制二进制二色质化，六边形硝基盐等。此外，还探索了所谓的绿色化学方法，以实现安全，可持续生产和使用这种迷人的纳米材料家族的目标。本评论提供了对石墨烯旗舰中学到的发现和经验教训的紧凑调查。关键字：2D纳米材料，碳材料，暴露，环境，毒性，危害，逐局安全，生物降解性，测试指南
石墨烯和其他二维材料的环境和健康影响：石墨烯旗舰景点
摘要：自2004年由于这些材料的特异性和通用性特性而在2004年分离原子薄石墨烯以来，二维（2D）材料一直引起了人们的兴趣。但是，增加的2D材料的生产和使用需要对对人类健康和环境的潜在影响进行彻底评估。此外，需要使用统一的测试方案来评估2D材料的安全性。由欧盟委员会资助的石墨烯旗舰项目（2013 - 2023年）介绍了基于石墨烯基材料的可能危害以及新兴的2D材料，包括过渡金属二进制二进制二色质化，六边形硝基盐等。此外，还探索了所谓的绿色化学方法，以实现安全，可持续生产和使用这种迷人的纳米材料家族的目标。本评论提供了对石墨烯旗舰中学到的发现和经验教训的紧凑调查。关键字：2D纳米材料，碳材料，暴露，环境，毒性，危害，逐局安全，生物降解性，测试指南
将算法公平与官方统计和调查生产中的机器学习中的质量维度联系起来
国家统计组织（NSO）越来越多地利用机器学习（ML），以提高产品的及时性和成本效益。在引入ML解决方案时，NSO必须确保保持在稳健性，可重复性和准确性方面的高标准，例如在统计算法的质量框架中（qf4sa; Yung et e yung etel。2022）。同时，越来越多的研究集中于公平性，作为对ML安全部署的前提，以防止在实践中产生不同的社会影响。然而，在NSO在ML应用的背景下，尚未明确讨论公平作为质量方面。我们采用Yung等人。（2022）的QF4SA质量框架，并将其质量尺寸映射到算法公平。因此，我们以多种方式扩展了QF4SA框架：我们认为公平是其自身的质量维度，我们调查了公平与其他维度的相互作用，并且我们明确地解决了数据，既可以自身及其与应用方法的互动。与经验插图并行，我们展示了我们的映射如何有助于官方统计，算法公平和值得信赖的机器学习的方法论。
最小值使用具有一维潜在变量的浅生成模型
在我们看来，可以根据其数据生成过程将普遍使用的深层生成模式分为两种方法。第一种方法涉及为函数g：r d 0→r d构建估计值ˆ g，通常称为发电机。然后，从已知的D 0尺寸分布（例如标准正常或均匀）中绘制样品z，ˆ g（z）被视为估计分布中的样品。因此，ˆ g（z）的分布（或deNSISTIS）是P 0（或p 0）的间接估计器。变化自动编码器（VAE）（Kingma和Welling，2014; Rezende等，2014），正常化流量（NF）（Dinh等，2015; Rezende and Mohamed，2015）和生成的对抗性网络（GAN）（GAN-LOW-LOW-LOW。 Al。，2017年）是重要的例子。
基于时间的纵向微生物组研究降维
引言鉴于微生物群落的高度动态和复杂性，识别和预测其时间依赖性模式对于理解其结构和功能至关重要。纵向微生物组样本的收集为捕捉微生物群落的动态及其与宿主表型的关联提供了独特的机会。然而，纵向微生物组数据的性质带来了一些分析挑战。首先，微生物组数据是高维的，降维是指导分析和解释的关键。其次，宿主内变异的模式可能随时间而改变，并因宿主而异，这使得提取微生物特征的稳健时间模式具有挑战性 1 。第三，由于纵向研究固有的实际限制（例如，错过患者随访或样本采集不一致），多个宿主经常缺少时间样本，这会导致跨宿主的时间采样不规则 2–5 。