XiaoMi-AI文件搜索系统
World File Search SystemEncoders
在基于视觉的环境中有效学习对于强化学习（RL）代理至关重要，而从经验上则观察到Lear
在基于视觉的环境中有效学习对于加固学习（RL）代理至关重要，而从经验上则观察到，从高维观察（例如原始像素）中学习是样本中的样本感知的。对于共同实践，图像输入的RL算法通常使用由CNN组成的编码器来从高维观测值中提取有用的特征。最近的研究表明，CNN对图像样式具有很强的归纳偏见，而不是内容（即代理形状），而内容是RL算法应重点关注的信息。受到这一点的启发，我们建议通过提出对RL的控制网络来减少CNN的固有样式偏差。它可以帮助RL算法有效地关注真正值得注意的信息，例如代理商的特征。我们的方法结合了两个传输网络和功能编码器，并通过对比度学习方法进行了指导RL算法以更有效地学习采样。广泛的实验表明，扩展框架大大提高了现有的无模型方法的性能（即sac），使其能够达到深态控制套件基准的最新性能。关键字：强化学习，对比学习，归纳偏见，样式转移
多模式深卷积神经网络管道，用于AI辅助口腔癌的早期检测
摘要口服鳞状细胞癌（OSCC）提出了重大的健康挑战，早期检测对于有效治疗和提高的存活率至关重要。先前的研究检查了标准照片的使用，例如智能手机中的照片，但它们通常仅依靠图像，忽略了合并多种方式的潜在好处。这项研究通过提出一条包含多种数据源的多模式深度学习管道来解决这一差距，其中包括患者元数据，该数据源模仿了临床医生在早期发现口腔癌中的诊断方法。该研究利用最新的图像编码将口腔病变分类为良性且潜在的恶性类别。提出了六个预训练的深度学习模型（Mobilenetv3-Large，MixNet-S，Resnet-50，Hrnet-W18-C，Densenet-121和Inception_V3）的性能比较。使用MobileNetV3-Large-large-large图像Encoder，提议的管道的性能达到了81％的总体精度，精度为79％，召回79％，F1得分为78％，MATTHEWS相关系数（MCC）为0.57。与仅使用图像数据相比，研究结果突出了整合多种数据模式的功效，以更准确地检测潜在的恶性肿瘤。结果可能为改善临床决策和患者预后铺平道路。
AlphaFold3了解了什么是关于抗体和纳米型对接的，什么尚未解决？
适体是单链寡核苷酸，它们结合具有高亲和力和特异性的分子靶标。但是，他们的发现和进化仍被限制在常规的SELEX方法上。在这里，我们提出了一种适体结合语言（可易于使用的）模型，该模型通过将预处理的蛋白质和核酸序列编码与跨注意结构相结合，以捕获适体 - 蛋白结合的决定因素，从而实现跨不同蛋白质靶标的结合相互作用的可靠预测。该模型采用具有多头跨意义机制的基于变压器的结构，优化了序列特定特征和位置嵌入，以学习适体及其蛋白质靶标之间的复杂结合模式，同时维持跨不同适应性库的序列长度多样性。我们跨不同基准测试的广泛评估表明，在概括实验结合曲线方面的现有方法相对于现有方法的优势。可易于观察的蛋白质和产生的适体表现出强烈/有利的概括性。在现实世界中，可易于识别的是几种经过实验验证的CD117 ssDNA Apatamers先前被传统SELEX遗漏的，并产生了一种新型的SSDNA Apatamer，该Aptna Aptamer与APP62与人类CD4共享具有可比的结合曲线。这些结果展示了可捕获捕获适体蛋白结合的分子相互作用的能力。
NPL 报告 ENG 30 网络方法验证...
1 范围 本报告履行了 iMERA Plus 项目新工业计量技术 (NIMTech) 的交付成果 D3.7 - 多传感器网络验证实验评估报告。本报告描述了基于 NIMTech 交付成果报告 D3.1(1) 中描述的多传感器网络方法的激光跟踪器对准误差校准程序的验证。2 简介 NIMTech 交付成果报告 D3.1(1) [1] 描述了使用多传感器网络测量方法校准激光跟踪器对准误差的实验程序。在本报告中，我们介绍了该程序的实验验证，从而验证了多传感器网络方法。激光跟踪器校准的网络方法涉及使用激光跟踪器测量多个固定点的坐标。从几个不同的位置测量相同的点。然后通过使用最小二乘参数估计法拟合描述实验设置（跟踪器位置和方向、目标位置）和激光跟踪器误差的数学模型来处理这些测量的结果。为了验证这种方法，使用网络方法获得的校正参数根据 ASME B89.4.19 标准验证了 API T3 激光跟踪器的性能，并将这些结果与使用制造商的校准数据执行的类似 ASME B89.4.19 测试进行了比较。描述用于这项工作的激光跟踪器对准误差的模型 [2] 是从之前描述的 1,3 改编为更通用的形式。第 3 节简要介绍了新模型。第 4 节包含从网络测试获得的结果，第 5 节简要描述了 ASME B89 测试和获得的结果。3 激光跟踪器误差模型 3.1 激光跟踪器错位 理想的激光跟踪器（基于“经纬仪式”设计，干涉仪位于万向架上）可以通过图 1（左）中的设置示意性表示。竖轴和经轴正交且共面，激光束在中心点与两个轴相交并向外辐射，没有角度偏移。此外，仰角和方位角编码器完美地居中并垂直于经轴和竖轴，没有失真或比例误差。实际上，由于制造公差，所有激光跟踪器都可能出现错位和偏移以及其他机械缺陷。因此，更现实的几何形状类似于图 1（右）中所示的几何形状。基准轴、经线轴和激光束轴不再正交和相交；两个角度编码器都有刻度误差和失真；激光束不从轴的交点辐射，并且具有角度偏移，因此它不再垂直于经线轴。这些机械缺陷会导致范围和角度读数中的系统误差，如果不加以纠正，将导致测量误差。在实践中，激光跟踪器控制器对原始传感器数据进行软件校正，为用户提供准确的测量数据。该校正基于误差源模型和存储在控制器中的模型参数测量结果。本实验中测试的校准程序的目的是确定模型的参数及其相关的不确定性。
dfsnet：一个3D点云分割网络朝着果园场景中的树木检测
摘要：为了指导果园管理机器人实现果园生产中的某些任务，例如自主导航和精确喷涂，这项研究提出了一个深入学习的网络，称为动态融合细分网络（DFSNET）。该网络包含局部特征聚合（LFA）层和动态融合分割体系结构。LFA层使用位置编码器进行初始转换嵌入，并通过多阶段层次结构逐渐汇总本地模式。Fusion分割模块（FUS-SEG）可以通过学习多插入空间来格式化点标签，而生成的标签可以进一步挖掘点云特征。在实验阶段，在果园田的数据集中证明了DFSNET的显着分割结果，其准确率为89.43％，MIOU率为74.05％。dfsnet优于其他语义细分网络，例如PointNet，PointNet ++，D-PointNet ++，DGCNN和Point-NN，其精度的提高了11.73％，3.76％，3.76％，2.36％，2.36％和2.74％，并分别为2.74％，并改善了这些网络，并改善了这些网络，并分别为28.3％，28.3％，9.9％，9.9％，9.9％，9.9％，9.9％，9.9％，占28.3％，占28.3％，占28.3％，分别为9.19％，分别为9.9％，均为28.3％，分别为9.3％，分别为2.19％。在全尺度数据集（简单尺度数据集 +复杂尺度数据集）上，分别为9.89和24.69％。提议的DFSNET可以从果园场景点云中捕获更多信息，并提供更准确的点云分割结果，这对果园的管理有益。
docllm：用于多模式文档理解的布局感知的生成语言模型
企业文档，例如表格，收据，报告和其他此类记录，通常在文本和规范模式的交集中携带丰富的语义。其复杂布局提供的视觉提示在有效地培养这些文档中起着至关重要的作用。在此过程中，我们提出了Docllm，这是传统大型语言模型（LLMS）的轻量级扩展，以考虑文本语义和空间布局，以通过视觉文档进行推理。我们的模型通过避免昂贵的图像编码器并专注于边界框信息以结合空间外部结构，这与现有的Mul- Timodal llms不同。具体而言，文本和空间方式之间的交叉对齐是通过将经典变压器中的注意机制分解为一组分离的矩阵来捕获的。此外，我们设计了一个学会填充文本段的预训练目标。这种方法使我们能够解决视觉文档中经常遇到的不规则布局和异质内容。使用大规模的指定数据集对预训练的模型进行了微调，涵盖了四个核心文档中的识别任务。我们证明，在所有任务中，在16个数据集中的14个数据集中，我们的解决方案的表现优于Sota LLMS，并概括为5个以前看不见的数据集中的4个。
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。
mblip：多语言视觉-LLMS的有效自举
模块化视觉模型（视觉-LLM）与（冷冻）大语言模型（LLMS）和事后状况LLMS对齐图像编码器，以“理解”图像输入。随着丰富的高质量英语图像文本数据以及强大的单语英文LLM的丰富性，研究重点一直放在英语的视觉上。多语言视觉语言模型仍主要通过昂贵的端到端预审计获得，从而产生了相对较小的模型，该模型接受了培训的多语言图像数据，并补充了仅文本的多语言语料库。我们提出了MBLIP，这是第一个Vision-Llm利用Mul-litsiantual LLM，我们以构成有效的方式在消费者级硬件上获得。为此，我们将先前调整为英文LLM调整为新的多语言LLM的图像编码器仅使用几百万个多语言培训示例，这些训练示例来自视觉和语言任务的组合，我们通过机器转换为95种语言而获得的高质量的英语数据。在Iglue基准和XM3600上，MBLIP产生与最先进的mod-els竞争的重新竞争，它极大地超过了强大的英语 - 仅有llava 1.5的视觉效果。我们在https：//github.com/gregor-ge/mblip上发布了模型，代码和火车数据。
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。
Brain2GAN：灵长类大脑中视觉感知的特征解缠神经编码和解码
图 6：基于生成的编码性能。对于每个单独的微电极单元，我们基于三个不同的特征表示拟合三个编码模型：z -、w - 和 CLIP 潜在表示。因此，我们拟合了 3 × 960 个独立编码器，从而得到 3 × 960 个预测神经响应，因为 V1、V4 和 IT 分别有七个、四个和四个微电极阵列（每个 64 个单元）（即 V1 中 7 × 64 = 448，V4 中 4 × 64 = 256，IT 中 4 × 64 = 256）。散点图在 X 轴上显示一个编码模型的预测-目标相关性 (r)，在 Y 轴上显示另一个编码模型，以研究两者之间的关系。每个点代表一个建模微电极单元在两个编码模型方面的性能（因此，每个图 960 个点）。负相关值设置为零。对角线表示两种模型的性能相同。Bonferonni 校正的 α = 5 . 21e − 5 的临界 r 值分别为人脸 ( df = 100 ) 和自然图像 ( df = 200 ) 的 r = 0 . 3895 和 r = 0 . 2807，用阴影区域表示。很明显，w 潜在值优于 z 潜在值和 CLIP 潜在值，因为大多数点位于 w 轴方向（对角线上方）。星号表示基于阴影区域外的数据点的每个感兴趣区域的平均相关系数。