XiaoMi-AI文件搜索系统
World File Search SystemFeature
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
EP Collisions中D0重建的机器学习（ML） 沙丘远检测器光子检测系统的特征和表演 «Moleculardna
●在Milano-Bicocca和Ciemat中测试的HD-XA PDE●相同的sipms（在CIEMAT和MIB之间交换），但不同的WLS栏●这些四个配置在Protodune-HD NP04中同样表示，并且在数字和位置W.R.T.中平衡。横梁，进行公平比较●跨言论校正
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。
功能重新安装：迈向计算病理学中的基础模型级表现
多个实例学习（MIL）是计算病理学中最广泛使用的框架，包括分型，诊断，预后等等。但是，iS-iSting MIL范式通常需要脱机实例提取器，例如预训练的重新网络或Foun-Dation模型。这种方法缺乏在特定下游任务中进行微调进行微调的能力，从而限制了其适应性和性能。为了解决此问题，我们提出了一个重新安装的区域变压器（R 2 T），用于在线重新安装实例功能，该功能可以限制精细元素的本地功能并在不同地区建立联系。与现有的作品不同，该作品专注于预训练强大的功能提取器或设计复杂的实例聚合器，r 2 t量身定制为在线重新设计实例功能。它是一种便携式模块，可以无缝集成到主流MIL模型中。对常见的综合病理学任务的广泛实验结果验证：1）功能重新嵌入基于Resnet-50特征的MIL模型的性能到基础模型模型的水平，并进一步增强了基础模型特征的性能； 2）r 2 t可以对各种MIL模型引入更大的性能改进； 3）R 2 T-MIL，作为R 2 T-增强的AB-MIL，以大幅度优于其他最新方法。该代码可在以下网址提供：https：//github.com/dearcaat/rrt-mil。
核心银行解决方案（CBS）功能和控件
ACH :Automated Clearing House ACU :Asian Clearing Union AD :Authorized Dealer AFS :Annual Financial Statement ALM :Asset-Liability Management AML :Anti-Money Laundering APR :Annual Percentage Rate ATM :Automated Teller Machine BACH :Bangladesh Automated Clearing House BCBS :Basel Committee on Banking Supervision BFIU :Bangladesh Financial Intelligence Unit BGTB :Bangladesh Government Treasury Bonds BoP :Balance of Payments CBS :Core Banking Solution CC :Cash Credit CCY :Currency CD :Certificate of Deposit CMSME : Cottage Micro Small and Medium Enterprise CRG :Credit Risk Grading CRM :Cash Recycling Machine CDR :Credit Deposit Ratio CFRA :Combined Finance and Revenue Accounts CGRA :Currency and Gold Revaluation Account CL :Classified Loan CO :Capital Outlay CPI :Consumer Price Index CRAR :Capital to Risk-Weighted Asset比率CRR：现金储备比率CPV：每次查看CTR：现金交易报告DD：DPD：过去到期日的需求草案：EFT日期：电子资金转移：环境风险转移ERQ ERQ：出口商保留配额EXP：Export fatca exp：Export FATCA FATCA：外国帐户税收合规性ACT FCCB：外国货币兑换货币投资公司FCNRA FCNRA：外汇FCNRA：外汇FCNRIC FCNRIC FCNRIC FCNRIC FCNRIC FDIC：外汇FDI：FDI：FDI：FDI： ：基金流量FPI：外国投资组合投资FPP：固定个人薪酬GDP：国内生产总值GL：总账GRR：全球存储库收据IBAN：国际银行帐户IBAS IBAS IBAS：ICC的综合预算和会计系统ICC：内部控制和合规性ICRR ICRR：内部信用风险ICRR：内部信用风险ILF：INSTAY流动性设施
深度绘制无监督异常检测
X射线照相成像方案集中在特定的身体区域上，因此产生了相似性的图像并产生跨染料的复发性解剖结构。为了利用这些结构化信息，我们建议使用空间感知的记忆队列在射线照相图像（缩写为squid）中进行镶嵌和检测异常。我们表明，鱿鱼可以将无网状的解剖结构分类为复发模式。在推论中，它可以识别图像中的异常（未见/修改模式）。squid在无监督的异常检测中超过了13种最先进的方法，在两个胸部X射线基准数据集中至少在曲线下测量的两个胸部X射线基准数据集（AUC）。此外，我们还制定了一个新的数据集（数字解剖），该数据集综合了胸部解剖结构的空间相关性和一致的形状。我们希望数字解剖学能够促使异常检测方法的开发，评估和解释性。
飞机滑行时间预测：特征重要性及其...
滑行仍然是许多机场的主要瓶颈。最近，已经提出了几种为滑行飞机分配有效路线的方法。这些方法所依赖的路线算法依赖于对穿越每一段滑行道所需时间的准确预测。许多特征都会影响滑行时间，包括所走的路线、飞机类别、机场的运营模式、交通拥堵信息和当地天气状况。使用几个国际机场的真实数据，我们比较了多个预测模型并调查了这些特征的影响，得出了准确建模滑行时间的最重要特征的结论。我们表明，使用一小部分特征可以实现高精度，这些特征包括所有机场普遍重要的特征（出发/到达、距离、总转弯、平均速度和最近的飞机数量）以及特定目标机场的少数特征。从所有特征转移到这个小子集会导致在 1、3 和 5 分钟内正确预测的动作下降不到 1 个百分点。
具有高级功能的革新商业模型
总而言之，LMCHING对其具有高级功能的业务模型的转变将品牌定位为不断发展的数字市场的领导者。通过利用AI，自动化，机器学习和增强现实，LMCHING不仅优化了其运营，而且还为客户创造了更具个性化，引人入胜且高效的购物体验。随着像Penhaligon和Shiseido这样的品牌继续在各自的行业中进行创新，LMCHING的整体技术整合方法为企业如何保持竞争力并在快速变化的零售环境中蓬勃发展提供了模型。通过不断改善其内部流程和面向客户的功能，LMCHING为现代零售的未来铺平了道路。