XiaoMi-AI文件搜索系统
World File Search SystemIID
对小型非IID批次的无连续学习
机器人视觉是一个领域，不断学习可以发挥重要作用。需要在复杂环境中运行的一种体现的代理，需要经常进行频繁且无法预测的更改才能连续学习和适应。在对象识别的上下文中，例如，机器人应该能够学习（而不忘记）从未见过的类别的对象，并在发现已经知道的班级的新知名度中提高其识别能力。理想情况下，应通过单个对象的简短视频的可用性来触发持续学习，并在线硬件上使用细粒度更新。在本文中，我们引入了一种基于Core50基准的新型持续学习方案，并提出了两种无彩排的连续学习技术CWR*和AR1*，即使在近400个小型非i.i.i.i.i.i.i.i.d的挑战性案例中，也可以有效地学习。增量批处理。尤其是我们的经验表明，在某些情况下，AR1*可以超过15％的精度，均超过15％，在某些情况下，跨培训批次的精确度和恒定的计算和内存开销。
远距离意识的非IID联合学习用于医学成像分段中的概括和个性化
医疗保健中的联邦学习（FL）患有非相同分布的（非IID）数据，从而影响模型收敛和性能。虽然现有的非IID问题解决方案通常不会量化联邦客户之间的非IID性质程度，但评估它可以改善培训经验和成果，尤其是在不熟悉数据集的现实世界中。本文提出了一种实用的非IID评估方法，用于医疗分割问题，强调了其在佛罗里达州的重要性。我们提出了一种简单而有效的解决方案，该解决方案利用了医疗图像的嵌入空间和对其元数据计算的统计测量结果。我们的方法是为医学成像而设计的，并集成到联邦平均值中，通过降低最遥远的客户的贡献，将其视为离群值，从而改善了模型的概括。此外，它通过引入客户的基于距离的聚类来增强模型个性化。据我们所知，这种方法是第一个使用基于距离的技术来为医学成像域内非IID问题提供实际解决方案的方法。此外，我们验证了三个公共FL成像放射学数据集的方法（Fets（Pati等人，2021），前列腺（Liu等人，2020b），（Liu等人，2020a）和Fed-Kits2019（Terrail等人，2022）））在各种放射学成像方案中证明其有效性。关键字：联合学习，非IID数据，个性化，概括，医学细分，医学成像。
不考虑 IID 假设的量子态学习特性
我们开发了一个框架，用于学习量子态的特性，超越了独立同分布 (iid) 输入状态的假设。我们证明，给定任何学习问题（在合理的假设下），为 iid 输入状态设计的算法可以适应处理任何性质的输入状态，尽管代价是训练数据大小（又称样本复杂度）的多项式增加。重要的是，如果所讨论的学习算法只需要非自适应的单拷贝测量，那么样本复杂度的这种多项式增加可以显着改善为多对数。除其他应用外，这使我们能够将经典阴影框架推广到非 iid 设置，同时仅导致样本效率的相对较小的损失。我们利用置换不变性和随机单拷贝测量来推导出一个新的量子德菲内蒂定理，该定理主要解决测量结果统计问题，反过来，在希尔伯特空间维度上具有更有利的扩展性。
TAF8 区域对于 TFIID B 叶组装或 TAF2 相互作用很重要，是胚胎干细胞存活所必需的
人类通用转录因子 TFIID 由 TATA 结合蛋白 (TBP) 和 13 个 TBP 相关因子 (TAF) 组成。在真核细胞中，TFIID 被认为在所有蛋白质编码基因启动子上形成 RNA 聚合酶 II (Pol II) 前启动复合物，因此对 Pol II 转录至关重要。TFIID 由三个叶组成，分别称为 A、B 和 C。5TAF 核心复合物可以在体外组装，构成 TFIID 中叶 A 或 B 进一步组装的构建块。结构研究表明，TAF8 与叶 B 中的 TAF10 形成组蛋白折叠对，并参与叶 B 和叶 C 的连接。为了更好地了解 TAF8 在 TFIID 中的作用，我们研究了 TAF8 不同区域对叶 B 和 C 体外组装的要求以及某些 TAF8 区域对小鼠胚胎干细胞 (ESC) 活力的重要性。我们已经确定了 TAF8 的一个区域，该区域不同于组蛋白折叠结构域，对于与叶 B 中的 5TAF 核心复合物组装非常重要。我们还划定了另外四个 TAF8 区域，每个区域都单独需要与叶 C 中的 TAF2 相互作用。此外，CRISPR/Cas9 介导的基因编辑表明，与 5TAF 核心相互作用的 TAF8 结构域和与 TAF2 相互作用的 TAF8 富含脯氨酸的结构域都是小鼠胚胎干细胞存活所必需的。因此，我们的研究确定了参与连接 TFIID 叶 B 和叶 C 的不同 TAF8 区域，这些区域似乎对 TFIID 功能和随之而来的 ESC 存活至关重要。
iids2.pdf
序言：如何使用本文档所有申请人及其机构均应在完成和提交申请申请之前仔细阅读本计划概述和指南注释（指南注释）。如果发现您的申请不符合本指南注释中规定的任何要求，则研究补助金理事会（RGC）可能会停止进一步处理您的申请。申请人还应阅读呼吁提案，以获取机构间发展计划（IIDS）的详细信息，并参考“针对RGC网站的本地自我资助学位部门的竞争性研究资金计划的支出，会计和监测安排”（SF-DAMA）。本指南的注释分为两个部分：第1节总结了有关该方案的关键信息，而第2节则构成旨在反映申请表的部分，并提供有关申请文档完成的逐节指南。询问有关本指南的内容以及有关IID资金练习的其他相关事项，包括上诉和投诉，应针对研究协调员（RCS）或机构的负责人。在附件a中包含有关提交给RGC的应用程序中包含的信息和个人数据的指南。申请人需要有关内部截止日期，申请程序或填写申请表的帮助的申请人可以联系其机构的RCS或负责人员。第1节 - 方案概述方案目的1。IID旨在增强学者在本地自融资学位机构中的研究能力，并使其与相关领域的新发展和具有挑战性的研究主题保持一致。应由机构的首席调查员（PI）或联合主管调查员（CO-PIS）提交申请，共同组织研讨会或短期课程等，持续时间从几天到几天。拟议的活动应有助于参与者在访问学者和专家的指导下进行集中研究和密集的学术交流。参与必须向其他当地自力选列的机构开放，最好是香港的所有机构。
墨西哥糖尿病前期患病率 - SIID
在临床和公共卫生环境中及时识别糖尿病前期的一个重要挑战在于其定义的异质性和争议性。2、12、13 专业协会提出了五种糖尿病前期的定义，并在当前的实践中采用 14 – 16：美国糖尿病协会 (ADA) 将糖尿病前期定义为空腹血糖 (FPG，100 – 125 mg/dL)、糖化血红蛋白 A1c (HbA1c，5.7 – 6.4%) 或 75 克口服葡萄糖负荷后 2 小时 (140 – 199 mg/dL)。 16 世界卫生组织 (WHO) 和国际专家委员会 (IEC) 提出的定义也包括 75 克口服葡萄糖负荷后 2 小时或 FPG (WHO) 或仅 HbA1c (IEC)，但具有不同的临界值。14、15 这些差异导致了对糖尿病前期患病率的估计不一致，并且关于其识别效用的数据相互矛盾。2、13、17 在本研究中，我们旨在使用一系列具有全国代表性的调查，提供有关 2016 年至 2022 年墨西哥成年人糖尿病前期患病率趋势的可靠估计，并评估糖尿病前期患病率的潜在修正因素。最后，我们还量化了糖尿病前期与流行的心脏代谢合并症的关联程度。
MIIDAPS-AI - noaa/nesdis/star
摘要 — 在本文中，我们利用最先进的人工智能 (AI) 技术，通过微波和红外传感器，在全天候、全地表条件下对温度、湿度、表面和云参数进行卫星遥感。多仪器反演和数据同化预处理系统，人工智能版本，简称 MIIDAPS-AI，适用于极地和地球静止微波和红外探测器和成像仪，以及组合红外和微波探测器对。该算法可生成温度和湿度的垂直剖面以及表面温度、表面发射率和云参数。高光谱红外传感器的其他产品包括选定的痕量气体。从微波传感器，可以从初级产品中获得降雨率、第一年/多年海冰浓度和土壤湿度等其他产品。与传统的操作探测算法相比，MIIDAPS-AI 算法效率高，准确度没有明显下降。这种深度学习算法自动生成的雅可比矩阵可以提供可解释性机制，以建立算法的可信度，并量化算法输出的不确定性。计算增益估计为两个数量级，这为以下两种情况打开了大门：1）处理大量卫星数据，或 2）在处理相同数量的数据的情况下，提高及时性并显着节省计算能力（从而节省成本）。在这里，我们概述了 MIIDAPS-AI 的实现，讨论了它对各种传感器的适用性，并为选定数量的传感器和地球物理参数提供了初步性能评估。
Biid多样性与包容策略
种族/种族我们的“英国机构室内设计学生的多样性分析”表明，有29％的室内设计学生来自少数民族背景，而总体学生人数的23％。我们的研究生成果分析表明，毕业后18个月的室内设计相关工作中，有33％的少数民族背景的毕业生与35％的白人毕业生一起使用。在我们的“室内设计多样性”调查中，超过22％的受访者同意“我认为我的种族/种族为室内设计进展的障碍''。目前尚无关于整个英国室内设计专业种族多样性的国家统计数据，但室内设计活动和媒体报道有强有力的轶事证据，即当前的职业并不反映英国的种族多样性。总的来说，虽然似乎并没有障碍少数民族背景的学生学习室内设计的障碍，但从长远来看，他们似乎确实有各种障碍。
稀疏量：通过非IID数据集对定向和时间变化的图表进行交流和节能分散的分布式学习
当前的深度学习（DL）系统依赖于集中的计算范式，该计算范式限制了可用培训数据的数量，增加了系统延迟并增加了隐私和安全性。通过分散的DL模型对DL模型对点对点连接的边缘设备进行的分散和分布式培训启用的设备学习，不仅可以减轻上述限制，而且还可以启用需要DL模型的下一代应用程序，以连续进行交互并从他们的环境中学习。然而，这需要开发新型培训算法，这些新型培训算法会通过随着时间变化和定向的对等图结构进行训练DL模型，同时最大程度地减少设备之间的连接数量，并且对非IID数据分布也有弹性。在这项工作中，我们提出了稀疏的畅通，这是一种交流效率分散的分布式培训算法，该培训算法支持对点对点，指导和时间变化的图形拓扑。所提出的算法可以减少466倍的交流，而在训练各种DL模型（例如Resnet-20和VGG11）上的CIFAR-10数据集时，性能仅降解了1％。此外，我们证明了如何导致非IID数据集的频率降解的显着性能降解，并提出了偏斜补偿的稀疏推动算法，从而恢复了这种性能下降，同时保持相似的通信压缩水平。
IID 列出的局部给药成分
本文所含信息被认为是可靠的，但不对其准确性、对特定应用的适用性或所获得的结果作出任何形式的陈述、保证或担保。这些信息通常基于使用小型设备的实验室工作，并不一定表明最终产品的性能或可重复性。所提供的配方可能尚未经过稳定性测试，应仅作为建议的起点使用。由于商业上用于加工这些材料的方法、条件和设备各不相同，因此不保证或担保产品是否适用于所披露的应用。全面测试和最终产品性能是用户的责任。对于使用或处理任何超出 Lubrizol Advanced Materials, Inc. 直接控制范围的材料，Lubrizol Advanced Materials, Inc. 不承担任何责任，客户承担所有风险和责任。卖方不作任何明示或暗示的保证，包括但不限于适销性和特定用途适用性的暗示保证。本文所含内容不应被视为未经专利所有者许可而实施任何专利发明的许可、建议或诱因。Lubrizol Advanced Materials, Inc. 是 Lubrizol Corporation 的全资子公司。