XiaoMi-AI文件搜索系统
World File Search SystemINFER
热生物学杂志
多年来，蜥蜴热生态学研究一直依靠接触式测温法获得动物的体内温度 (T b )。然而，随着技术的进步，人们对使用新的、侵入性较小的方法（如红外 (IR) 高温计和热成像法）来推断爬行动物的 T b 产生了兴趣。尽管如此，很少有研究测试过这些新工具的可靠性。本研究测试了使用红外摄像机作为一种非侵入性工具来推断蜥蜴的 T b 的效果，使用了三种不同体型的蜥蜴科物种（Podarcis virescens、Lacerta schreiberi 和 Timon lepidus）。考虑到区域异温现象的发生，我们将六个身体部位（吻部、眼睛、头部、背部、后肢、尾根）的热成像读数与常用于在现场和实验室研究中测量 T b 的泄殖腔温度（通过温度计相关的热电偶探头测量）成对进行了比较。结果显示，所有身体部位与泄殖腔温度之间存在中等至强相关性（R 2 =0.84 – 0.99）。然而，尽管尾根读数在所有三个物种中都显示出最强的相关性，但眼睛的温度绝对值和变化模式与泄殖腔测量值最为一致。因此，我们得出结论，眼睛是红外摄像机读数与动物内部环境读数最接近的身体部位。或者，也可以使用其他身体部位，只要进行仔细的校准即可。我们为未来使用热成像技术推断蜥蜴 Tb 的研究提供了指导。
使用高密度微电极阵列对脑器官进行功能成像
研究已提供证据表明，人类脑类器官 (hCO) 重现了早期大脑发育的基本里程碑，但关于其功能和电生理特性的许多重要问题仍然存在。高密度微电极阵列 (HD-MEA) 是一种有吸引力的分析平台，可用于在细胞和网络规模上进行神经元网络的功能研究。在这里，我们使用 HD-MEA 从切片 hCO 中获取大规模电生理记录。我们记录了几周内 hCO 切片的活动，并从药理学角度探究观察到的神经元动态。此外，我们还展示了如何对获得的记录进行尖峰分类并随后进行跨尺度研究的结果。例如，我们展示了如何在 HD-MEA 上跟踪几天内的单个神经元以及如何推断轴突动作电位速度。我们还从 hCO 记录中推断出假定的功能连接。引入的方法将有助于更好地理解脑类器官中正在发育的神经元网络，并为它们的功能表征提供新方法。
元逆约束增强...
逆增强学习（IRL）由于其有效性从专家的演示中恢复奖励功能的有效性，因此一直在接受大量的研究工作，这些奖励功能可以很好地解释专家的行为。在实际应用中，约束无处不在，与一组约束相比，奖励功能比单个奖励功能更好地解释了复杂的行为（Malik等，2021）。因此，提出了逆约束强化学习（ICRL）以从专家的示范中学习限制。IRL上的最新目前（Fu等，2018; Imani＆Ghoreishi，2021）和ICRL（Scobee＆Sastry，2019年）可以在不受约束的环境中学习奖励功能，或者可以推断出与获得地面真相奖励但不能推断出两者的约束。为了解决这一挑战，提出了分布式ICRL（Liu＆Zhu，2022）来学习专家的奖励功能和约束。在本文中，我们遵循（Liu＆Zhu，2022）中的ICRL的定义，这意味着学习专家的奖励功能和约束。
大脑有效的连通性学习深入增强学习
摘要 - 近年来，使用功能磁共振成像（fMRI）数据来推断不同大脑区域之间的大脑有效连通性（EC）是神经信息学的重要高级研究。但是，由于神经成像数据的高噪声，当前方法总是表现不佳。在本文中，我们提出了一种有效的连通性学习方法，其中具有深厚的增强学习，称为EC-DRL，旨在更准确地从fMRI数据中确定大脑有效的连通性。提出的方法基于参与者批判性算法框架，使用编码器模型作为Actor网络。更具体地说，编码器采用变压器模型结构，解码器使用带有注意机制的双向长期记忆网络。对模拟fMRI数据和现实世界fMRI数据的大量实验结果表明，与最新方法相比，EC-DRL可以更好地推断有效的连通性。索引术语 - 脑有效的连通性，深度强化学习，编码器模型，双向长短记忆网络，fMRI时间序列。
从以自我为中心视频的过程理解
任务：给定视频段s及其以前的视频段历史记录，必须：1）确定先前的键步（在s t之前执行）；推断如果S t为2）可选或3）程序错误； 4）预测缺失的密钥步骤（应该在s t之前进行，但不是）； 5）下一个关键步骤（满足依赖关系）。
迈向泰国数字土壤测绘
6.1.2 研究利用航空伽马射线数据推断土壤特性 ...................................................................................................... 147 6.1.3 研究一种结合土壤形成因素参数的模糊逻辑预测方法，并评估其在绘制土壤系列和特性方面的成功率。...................................................................................... 148 6.1.4 土壤调查现状、当前需求和应用前景，以及建立环境数字土壤调查框架 ................................................................................................................ 149
使用基于得分的生成模型
a b s t r a c t重建宇宙的初始条件是宇宙学的关键问题。基于模拟宇宙向前发展的方法提供了一种推断与当今观测值一致的初始条件的方法。ho ver，由于推理问题的高复杂性，这些方法要么无法采样可能的初始密度领域的分布，要么需要模拟模型中的显着近似值是可触及的，因此可能导致偏见。在这项工作中，我们建议使用基于得分的生成模型来采样对早期的Uni Verse Gi ven当前观察结果的实现。我们从当今的密度范围内推断出全高分辨率暗物质n个体的初始密度字段，并根据摘要统计数据与地面真相相比验证了所产生的样品的质量。所提出的方法能够从初始条件后部分布边缘化的宇宙学参数提供早期宇宙密度领域的合理实现，并且比当前的最新方法更快地采样数量级。