XiaoMi-AI文件搜索系统
World File Search SystemFeature
使用深神网络和基于特征的融合
这项研究通过将深度神经网络（DNN）模型与基于特征的融合整合在一起，介绍了一种创新的药物配方优化方法。该研究利用各种数据集，包括分子数据库，生物反应数据集和药代动力学信息，以对影响生物系统中药物行为的复杂因素进行整体理解。DNN模型以其处理高维数据和捕获复杂关系的能力而被选为基于特征的融合，以增强药物制剂的认知策略。在10个试验中进行的模型的定量评估产生了令人鼓舞的结果。DNN模型表现出值得称赞的性能，平均精度为91.8％，精度为89.2％，召回93.5％，F1得分为91.3％。但是，基于特征的融合方法始终优于DNN，平均准确度为93.5％，精度为91.7％，召回94.6％，F1得分为92.8％。这些结果突出了基于特征的融合方法在优化药物制剂，展示更高的定量指标以及精确度和召回之间更加平衡的权衡方面的优越性。这项研究通过提供一个结合高级认知策略的强大框架来推动药物制定领域，从而有助于更有效和个性化的治疗干预措施。
心脏MRI特征和免疫检查点抑制剂的预后价值诱导心肌炎
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
Sn3N2-LiNO3-NaCl/单层BN高导热相变储能材料的热特性
热能存储引起了广泛关注，相变材料 (PCM) 因其有益的物理和化学特性而被广泛使用。虽然氮化物基盐 PCM 通常用于热能存储，但其潜热存储能力仍然有限。这项研究通过加入单层氮化硼来增强氮化物基盐用于热能存储的性能，从而提高热导率和潜热存储能力。Sn₃N₂-LiNO₃-NaCl/单层氮化硼的新型混合物具有高比热容、高潜热值和低相变温度的特点，使其成为热能存储的绝佳候选材料。在 PCM 中添加单层氮化硼可显著提高热导率，将其从 1.468 W/m·K 提高到 5.543 W/m·K。值得注意的是，这些氮化物基三元盐不会相互发生化学反应；它们的相互作用纯粹通过混合来改善热性能。该新型共混物还表现出了良好的热稳定性，在600℃时分解率仅为0.5%，熔化温度为150℃，凝固温度为130℃。三元盐的比热容达到最大值3.5 J/g·℃，表明热流速率更高，充电和放电速率也更高。复合PCM（CPCM）的储热能力在600℃时为600 kJ/kg，这些PCM的组合延长了储热时间。三元盐表现出优异的热稳定性，在100次循环中保持性能而质量没有显著减少。此外，三元盐向单层孔隙中的扩散进一步增强了其有效性。使用基于Anaconda的Jupyter Notebook和Python进行模拟分析。
在心脏杂音特征上探索填充的音频-LLM
大型语言模型（LLMS）在认可和分析人类言论，音乐和环境声音方面表现出色。然而，尽管有很大的科学兴趣，但他们理解其他类型的声音，尤其是生物医学声音的潜力仍然很大程度上。在这项研究中，我们专注于使用Phonocardiongons，即心脏声音诊断心血管疾病。大多数现有的深神经网络（DNN）范式仅限于心脏杂音分类（健康与不健康），并且不预测杂音的其他声学特征，例如时间，时间安排，评分，苛刻，音高和质量，这对于帮助医生可以帮助医生诊断出底层心脏状况很重要。我们建议在Physionet Circor digiscope Phonocardiogram（PCG）数据集上对Audio llm（Qwen2-audio）进行验证，并评估其在对11个专家标记的杂音特征进行分类时的性能。从事方面的目标，我们旨在通过使用音频表示模型Ssamba探索预处理细分算法来实现更多的噪声和可推广系统。我们的结果表明，基于LLM的模型在11个功能中的8个中优于最先进的方法，其余3个。更重要的是，LLM成功地将长尾杂音功能分类为有限的培训数据，这是所有以前的方法都无法分类的任务。这些发现强调了Audio LLM作为人类心脏病专家在增强心脏病诊断方面的助手的潜力。
自动化特征转换的进化大语言模型
特征转换旨在重建原始功能的特征空间，以增强下游模型的性能。然而，功能和操作的组合呈指数增长构成了挑战，因此现有方法很难有效探索宽阔的空间。此外，它们的优化仅由在特定域中下游模型的准确性驱动，从而忽略了一般特征知识的获取。为了填补这一研究空白，我们提出了一个用于自动特征转换的进化LLM框架。This framework con- sists of two parts: 1) constructing a multi-population database through an RL data collector while utilizing evolutionary al- gorithm strategies for database maintenance, and 2) utiliz- ing the ability of Large Language Model (LLM) in sequence understanding, we employ few-shot prompts to guide LLM in generating superior samples based on feature transforma- tion sequence distinction.利用多人口数据库最初提供了广泛的搜索范围，以发现出色的人群。通过淘汰和进化，高质量的人群获得了更多的机会，从而进一步追求最佳个人。通过将LLM与进化算法整合在一起，我们在庞大的空间内实现了有效的外观，同时利用特征知识来推动优化，从而实现了更适应性的搜索范式。最后，我们从经验上证明了我们提出的方法的效率和普遍性。
深度卷积神经网络在脑电图中的应用：原始数据与光谱特征
摘要 — 深度学习在计算机视觉领域的成功启发了科学界探索新的分析方法。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需进行广泛的特征工程。本文使用两种不同的深度卷积神经架构比较了使用经过最低限度处理的 EEG 原始数据的深度学习与使用 EEG 光谱特征的深度学习。其中一个来自 Putten 等人 (2018)，专门用于处理原始数据；另一个来自 VGG16 视觉网络 (Simonyan and Zisserman, 2015)，旨在处理 EEG 光谱特征。我们应用它们对来自 1,574 名参与者的大型语料库的 24 通道 EEG 进行性别分类。我们不仅改进了此类分类问题的最新分类性能，而且还表明在所有情况下，与光谱 EEG 特征相比，原始数据分类可带来更出色的性能。有趣的是，我们表明，专门用于处理 EEG 频谱特征的神经网络在应用于原始数据分类时性能有所提高。我们的方法表明，用于处理 EEG 频谱特征的相同卷积网络在应用于 EEG 原始数据时可产生优异的性能。
临床基因组学实验室特色测试
要了解所提供的测试、所需样本的更多信息以及订购测试，请访问 NationwideChildrens.org/Specialties/Institute-for-Genomic-Medicine 或致电 (614) 722-5321。
GOMP：伽马型特征选择算法
描述伽马 - 正交匹配追踪（伽马型）是最近建议对OMP特征选择算法的修改，用于广泛的响应变量。包装提供了许多替代回归模型，例如线性，健壮，生存，多元等，包括K折叠的交叉验证。参考文献：Tsagris M.，Papadovasilakis Z.，Lakio-taki K.和Tsamardinos I.（2018）。``````''sub-sion数据的有效特征选择：要使用哪种算法？''Biorxiv。。Tsagris M.，Papadovasi Lakis Z.，Lakiotaki K.和Tsamardinos I.（2022）。``用于针对基因表达数据的功能分配的伽马型算法''。IEEE/ACM关于计算双学和生物信息学的交易19（2）：1214---1224。。
使用自由能量优化的互补工作记忆来学习序列中的特征和结构
摘要 — 我们提出了一个整体框架，用于对皮质基底系统 (CX-BG) 和额叶纹状体系统 (PFC-BG) 进行建模，以生成和回忆音频记忆序列；即声音感知和语音产生。我们真正的模型基于称为 INFERNO 的神经结构，代表循环神经网络的迭代自由能优化。自由能 (FE) 对应于内部或外部噪声的预测误差。FE 最小化用于在 PFC 中探索、选择和学习在 BG 网络中执行的最佳操作选择（例如声音产生），以便尽可能准确地重现和控制代表 CX 中声音的脉冲序列。两种工作记忆之间的差异依赖于神经编码本身，它基于 CX-BG 网络中的时间排序（脉冲时间依赖可塑性）和 PFC-BG 网络中序列的排序（门控或增益调制）。我们在这篇短文中详细介绍了负责以几毫秒的顺序对音频基元进行编码的 CX-BG 系统，以及负责学习序列中时间结构的 PFC-BG 系统。使用小型和大型音频数据库进行的两个实验展示了神经架构在检索音频基元以及基于结构检测的长距离序列方面的探索、泛化和抗噪能力。虽然两种学习机制都是用相同的顺序编码算法实现的，但 CX-BG 系统实现了无模型循环神经网络 (INFERNO)，而 PFC-BG 系统实现了门控循环神经网络 (INFERNO GATE)。
457(b) 计划特点和亮点
• 退休 • 残疾退休，允许但须由社会保障局或田纳西州综合退休系统定义 • 国内税收法典定义的不可预见的紧急情况，并且如果您的计划条款允许 • 国内税收法典定义的解雇 • 死亡，您的受益人将在此死亡时收到您的福利 • 购买服务积分 • 由合格的退休公共安全官员要求直接向健康或长期护理保险提供商分配 • 如果仍在工作，则年满 59 岁半