XiaoMi-AI文件搜索系统
World File Search SystemGRU
基于一致性评价的药物-靶标亲和力预测方法...
摘要 - 药物发现的第一步是找到具有针对特定靶标的药用活性的药物分子部分。因此，研究药物靶标蛋白与小化学分子之间的相互作用至关重要。然而，传统的发现潜在小药物分子的实验方法劳动密集且耗时。目前，人们对使用药物分子相关数据库建立计算模型来筛选小药物分子非常感兴趣。在本文中，我们提出了一种使用深度学习模型预测药物靶标结合亲和力的方法。该方法使用改进的GRU和GNN分别从药物靶标蛋白序列和药物分子图中提取特征以获得它们的特征向量。组合向量用作药物-靶标分子对的向量表示，然后输入到完全连接的网络中以预测药物-靶标结合亲和力。该提出的模型证明了其在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
在线多模式转向三方对话的预测
预测多方对话中的转变对于提高口语对话系统的可用性和自然流程至关重要，从而为对话剂提供了实质性的增强。我们提出了一种基于窗口的新方法，可以通过利用尖端预训练的语言模型（PLM）和经常性的神经网络（RNN）的能力来实时进行实时的转变末端。我们的方法将Distilbert语言模型与封闭式复发单元（GRU）融合在一起，以在线方式准确预测转弯点。我们的AP-PRACH可以显着胜过基于常规的临时单元（IPU）的预测方法，这些方法通常忽略了在动态对话中重叠和中断的细微差别。这项研究的潜在应用很重要，尤其是在虚拟药物和人类机器人相互作用的领域。我们可以促进我们准确的在线预测模型，以增强这些应用程序中的用户体验，从而使它们更自然，无缝整合到现实世界中的对话中。
自主驾驶中场景流网络的解码器
摘要 - 场景流估计通过预测场景中的点运动来确定场景的3D运动场，尤其是在自主驾驶中的帮助任务时。许多具有大规模点云的网络作为输入使用Voxelization来创建用于实时运行的伪图像。但是，体素化过程通常会导致特定点特征的丧失。这引起了为场景流任务恢复这些功能的挑战。我们的论文引入了Deflow，该文件可以从基于体素的特征过渡到使用门控复发单元（GRU）改进的点特征。为了进一步增强场景流量估计的性能，我们制定了一种新颖的损失函数，以解释静态点和动态点之间的数据不平衡。对Argoverse 2场景流量任务的评估表明，Deflow在大规模点云数据上取得了最新的结果，表明我们的网络与其他网络相比具有更好的性能和效率。该代码在https://github.com/kth-rpl/deflow上进行开源。
AI使用BCI设备和基于FBG的感官平台用于足底压力测量的人体步态的大脑信号预测
摘要：为生物医学问题开发现代解决方案（例如人类康复步态的预测）中的人工智能（AI）正在发展。试图通过安装在单孔上的FIL BRAGG光栅（FBG）传感器，与脑部计算机界面（BCI）设备同时使用足底压力信息，以预测与人的坐着，站立和行走姿势相对应的大脑信号。的姿势分类范围。这些型号用于识别从16通道BCI设备的四个用户的坐，站立和步行活动响应的电极。基于10–20脑电图系统（EEG）的六个电极位置被鉴定为对足底活性最敏感的位置，并发现与脚步运动过程中感觉运动皮层的临床研究一致。与均值最低的FBG数据相对应的大脑脑电图（MSE）值（0.065–0.109）是通过选择长期术语记忆（LSTM）机器学习模型进行的，与复发性神经网络（RNN）和门控复发单元（GRU）模型相比，进行了。
基于几何模型的手势方法...
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻求最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自统计模型，而统计模型很难解释。相反，我们提出了 µC 1 和 µC 2 ，这两种基于几何模型的手势识别方法支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 中的十个手势类别，每个手势类别由五名缺乏经验的非母语手语者重复 100 次，并使用可穿戴技术（传感手套和惯性测量单元）收集。结果，我们在高识别率（> 90%）和低识别时间（< 0 .1 秒）之间取得了折衷，这足以实现人机交互。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于理解识别过程。
基于几何模型的手势识别方法
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻找最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自于统计模型，而统计模型很难解释。与此相反，我们提出了 µC 1 和 µC 2，两种基于几何模型的手势识别方法，支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 的十个手势类别，每个类别由五名没有经验的非母语手语者重复 100 次，并通过可穿戴技术（传感手套和惯性测量单元）收集。最终，我们在高识别率（> 90%）和低识别时间（< 0.1 秒）之间实现了折衷，这足以满足人机交互的需要。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于对识别过程有所理解。
英国金融制裁目标综合名单
出生日期：1990 年 11 月 15 日。出生地：库尔斯克 国籍：俄罗斯 职位：军事情报官员 其他信息：（英国制裁名单编号）：CYB0010。（英国理由陈述）：Dmitry Sergevey Badin 参与了对德国联邦议会 (Deutscher Bundestag) 的网络攻击，造成了重大影响。作为俄罗斯联邦武装部队 (GRU) 俄罗斯总参谋部第 85 特种技术总中心 (GTsSS) 的军事情报官员，Dmitry Badin 是俄罗斯军事情报官员团队的一员，该团队于 2015 年 4 月和 5 月对德国联邦议会 (Deutscher Bundestag) 进行了网络攻击。这次网络攻击针对议会的信息系统，并影响了其运行数天。大量数据被盗，多名议员以及总理安格拉·默克尔的电子邮件帐户受到影响。 (性别): 男 列入名单日期: 23/10/2020 英国制裁名单 指定日期: 31/12/2020 最后更新: 31/12/2020 团体 ID: 13983. 2. 名称 6: BENDERSKIY 1: EDUARD 2: VITALEVICH 3: n/a 4: n/a 5: n/a。
使用 Vision Transformers 增强 SEED-IV 数据集上的情绪分析：一项比较研究
本文介绍了一种利用深度学习模型（特别是视觉变换器 (ViT) 模型）进行情绪分类的新方法，用于分析脑电图 (EEG) 信号。我们的研究实施了一种双特征提取方法，利用功率谱密度和差分熵来分析 SEED IV 数据集。这种方法对四种不同的情绪状态进行了详细分类。最初设计用于图像处理的 ViT 模型已成功应用于 EEG 信号分析。它表现出色，测试准确率达到 99.02%，方差很小。值得注意的是，它在这方面的表现优于 GRU、LSTM 和 CNN 等传统模型。我们的研究结果表明，ViT 模型在准确识别 EEG 数据中存在的复杂模式方面具有很高的有效性。具体而言，该模型的准确率和召回率超过 98%，而 F1 分数估计约为 98.9%。该研究的结果不仅证明了基于变压器的模型在分析认知状态方面的有效性，而且还表明它们在改善人机交互系统方面具有巨大的潜力。
精神障碍的新治疗选择？预测车辆燃油效率：机器的比较分析
本研究探讨了使用自动MPG数据集预测各种机器学习模型的应用。它检查了算法的有效性，例如决策树回归器，随机森林，支持向量回归体以及基于神经网络的模型，例如LSTM和GRU。该研究旨在通过分析发动机规格，驾驶习惯和车辆设计等因素来提高燃油效率预测。使用诸如R平方（R2），均方根误差（RMSE），平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等指标评估模型的性能，以确保准确性并最小化误差。关键字：MPG，回归，机器学习©2023 AI Ntelia 1。引言在环境可持续性与技术创新相遇的时代，汽车行业处于相当大变化的最前沿[1,2]。随着气候变化的加剧影响以及全球对能源效率的不断增长的需求，精确预测车辆燃料使用的能力不仅成为一个关键挑战，而且还成为巨大的潜力。输入机器学习的世界，这是一种动态而强大的工具，正在改变我们对汽车燃料效率的看法[3,4]。
文章 使用深度学习和公平人工智能技术对幼儿和成人进行自闭症筛查
摘要：自闭症谱系障碍 (ASD) 与抑郁、焦虑、癫痫等疾病有关，因为它会影响个人的教育、社交和就业。由于诊断困难且无法治愈，因此目标是通过减轻症状来最大限度地发挥个人的能力，早期诊断在改善行为和语言发展方面发挥着作用。本文使用公平人工智能（特征工程、SMOTE、优化等）和深度学习方法对幼儿和成人的自闭症筛查分析。该分析考虑了传统的深度学习方法，如多层感知器 (MLP)、人工神经网络 (ANN)、卷积神经网络 (CNN) 和长短期记忆 (LSTM)，并提出了两种混合深度学习模型，即带有粒子群优化 (PSO) 的 CNN-LSTM 和结合门控循环单元 (GRU-CNN) 的 CNN 模型。这些模型已经通过多种性能指标进行了验证，并且分析证实了所提出的模型比传统模型的性能更好。