XiaoMi-AI文件搜索系统
World File Search SystemMAMBA
sc-mamba2：利用
单细胞转录组学彻底改变了我们对细胞异质性的理解，但建模了超长的转录组序列（即基因的数量）仍然是一个重大的计算挑战。在这项研究中，我们基于最新的MAMBA2档案介绍了SC-MAMBA2，这是该体系结构与状态空间模型（SSMS）的首次应用，用于单细胞转录组建模。与传统的基于变压器的语言模型不同，SC-MAMBA2利用SSM的效率和可扩展性，使得通过减少的计算开销来处理更长的转录组序列。我们引入了专门针对转录组序列量身定制的独特设计适应，并在SSM框架下实现了双向建模方法，从而促进了整个基因组转录组序列的全面分析。SC-MAMBA2是单细胞转录组学结构域中最大的模型，具有超过1.5亿个参数，能够处理涵盖60,000多个基因的转录组序列。该模型在5700万个单元的数据集上进行了训练，这使其成为处理迄今为止超长序列的最全面解决方案。通过在各种下游任务中进行广泛的基准测试，SC-MAMBA2始终胜过最先进的模型，证明了卓越的准确性和计算效率。我们的结果强调了SC-MAMBA2的有效性和高级功能，将其定位为未来单细胞转录组研究的关键工具。
Mamba：有效的世界模型
[1] Dorfman等。离线元RL - 可识别性挑战和有效的数据收集策略，2021 [2] Yu等。元世界：多任务和元加强学习的基准和评估，2019 [3] Rakelly等。通过概率上下文变量有效的非政策元提升学习，2019
心态：以AMAMBA为基础的方法……
这项工作探索了基础模型（特别是基于 Mamba 的选择性状态空间模型）在增强神经系统疾病诊断中 EEG 分析的潜力。EEG 对于诊断癫痫等疾病至关重要，由于其噪声大、高维和非线性的特性，它带来了巨大的挑战。传统的机器学习方法在自动化 EEG 分析方面取得了进展，但往往无法捕捉其复杂的时空动态。深度学习的最新进展，特别是序列建模，为创建能够处理这种复杂性的更通用、更具表现力的模型提供了新途径。通过自监督重建任务和随后的癫痫检测任务，在包含癫痫和非癫痫 EEG 记录的大型数据集上训练基于 Mamba 的模型，我们展示了该模型的潜力，在保留测试集上实现了 0.72 的 AUROC。这种方法标志着朝着开发用于 EEG 数据分析的大规模、临床适用的基础模型迈出了重要一步。
BLACKMAMBA：人工智能合成、可即时修改程序的多态键盘记录器
“从网络安全的角度来看，研究大型语言模型、它们可以生成的内容以及生成这些内容所需的提示非常重要……。这样的研究让我们了解了当前工具可以做什么和不能做什么，并让社区警惕这些技术的潜在滥用[4]。”
MAMBA 在乌克兰 - 武装部队部
武装部队部媒体中心 60 boulevard du général Martial Valin CS 21623 - 75009 Paris Cedex 15