XiaoMi-AI文件搜索系统
World File Search SystemMMD
量子优势和培训iSing Born Machine
搜索近期量子设备的应用是广泛的。量子机学习被吹捧为对此类设备的潜在利用，尤其是那些无法触及的古典计算机模拟功能的设备。在这项工作中，我们研究了这种应用在生成建模中，重点是一类称为出生机器的量子电路。特别是，我们基于Ising Hamiltonians定义了该类别的子集，并表明在最坏情况下，在基于梯度的训练中遇到的电路无法从经典到乘法误差进行有效地采样。我们的基于梯度的培训方法使用成本功能，称为sindhorn差异和Stein差异，这些差异以前尚未用于基于量子电路的梯度培训，我们还将量子内核引入生成性建模。我们表明，这些方法的表现优于先前的标准方法，该方法使用最大平均差异（MMD）作为成本函数，并以最小的开销来实现这一目标。最后，我们讨论了模型学习硬分布并为“量子学习至高无上”提供正式定义的能力。我们还通过使用生成建模来执行量子电路汇编来体现本文的工作。
COP 20 海地 SDS
i) 继续加强合作伙伴管理，确保遵守 MSPP 政策并实施以客户为中心的方法，以提高保留率。政策合规性包括继续招募以替诺福韦/拉米夫定/多替拉韦为基础的 (TLD) 和优化方案、6 个月多月配药 (MMD) 和优化病毒载量样本采集（指尖干血斑 [DBS]）。以客户为中心的方法包括针对新 ART 患者的 Easy Start、为失访 (LTFU) 客户以及流动和移民人口提供量身定制的服务（这还将包括与多米尼加共和国 PEPFAR 的跨境计划）。ii) 扩大社区 ART 配药点和同伴领导的社区 ART 小组 (CAG)，以确保覆盖负担最重的次国家单位 (SNU) 和失访率高的地区。利用社区卫生工作者和同伴来提高客户联系信息和位置数据的准确性。 iii) 增加有针对性的预防活动，例如针对青春期女孩和年轻女性（AGYW）的“决心、韧性、赋权、无艾滋病、指导和安全（DREAMS）”计划、信仰与社区倡议（FCI）以及孤儿和弱势儿童（OVC）计划以及暴露前预防（PrEP），以减少持续传播。具体来说，将地理覆盖范围扩大到西部省以外。
评估使用扩散降解概率模型
生成的AI模型，例如稳定的扩散，DALL-E和MIDJOURNEY，最近引起了广泛的关注，因为它们可以通过学习复杂，高维图像数据的分布来产生高质量的合成图像。这些模型现在正在适用于医学和神经影像学数据，其中基于AI的任务（例如诊断分类和预测性建模）通常使用深度学习方法，例如卷积神经网络（CNNS）和视觉变形金刚（VITS）（VITS），并具有可解释性的增强性。在我们的研究中，我们训练了潜在扩散模型（LDM）和deno的扩散概率模型（DDPM），专门生成合成扩散张量张量成像（DTI）地图。我们开发了通过对实际3D DTI扫描进行训练以及使用最大平均差异（MMD）和多规模结构相似性指数（MS-SSSIM）评估合成数据的现实主义和多样性来生成平均扩散率的合成DTI图。我们还通过培训真实和合成DTI的组合来评估基于3D CNN的性别分类器的性能，以检查在培训期间添加合成扫描时的性能是否有所提高，作为数据增强形式。我们的方法有效地产生了现实和多样化的合成数据，有助于为神经科学研究和临床诊断创建可解释的AI驱动图。
跨受试者脑电情绪分类的迁移判别词典对学习方法
脑电信号具有不易伪装、可携带、无侵入等特点，在情绪识别中被广泛应用。然而由于个体差异的存在，不同受试者的同一种情绪状态下的脑电信号数据分布会存在一定的差异。传统的情绪识别方法为了得到对新受试者分类效果良好的模型，需要收集大量新受试者的标记数据，但这往往不现实。本研究针对跨受试者脑电情绪分类提出了一种迁移判别字典对学习（TDDPL）方法。TDDPL方法将不同受试者的数据投影到领域不变子空间中，基于最大均值差异（MMD）策略构建迁移字典对学习。在子空间中，TDDPL学习共享的综合字典和分析字典，搭建从源域（SD）到目标域（TD）的判别知识桥梁。通过最小化每个子字典的重构误差和类间分离项，学习到的合成字典具有判别性，而学习到的低秩编码具有稀疏性。最后，在 TD 中，基于分类器参数、分析字典和投影矩阵构建判别分类器，而无需计算编码系数。在 SEED 和 SEED IV 数据集上验证了 TDDPL 方法的有效性。
2022 年结核病预防治疗激增计划和路线图
A DR 药物不良反应 APIN APIN 公共卫生倡议 AHF 艾滋病医疗基金会 艾滋病获得性免疫缺陷综合征 ARFH 生殖与家庭健康协会 ART 抗逆转录病毒疗法 CCM-尼日利亚国家协调机制-尼日利亚 CDC 疾病控制和预防中心 CHW 社区卫生工作者 CIHP 综合健康计划中心 DOD 国防部 DOTS 直接观察治疗短期课程 DSD 差异化服务提供模式 FCT 联邦首都特区 FGD 焦点小组讨论 FHI 360 家庭健康国际 FMOH 联邦卫生部 HCW 卫生保健工作者 HIV 人类免疫缺陷病毒 IHVN 尼日利亚人类病毒学研究所 IPT 异烟肼预防疗法 KNCV KNCV 尼日利亚结核病基金会 LGA 地方政府区域 LTBI 潜伏性结核感染 MMD 多月配药 NACA 国家艾滋病控制机构 NASCP 国家艾滋病毒/艾滋病和性传播感染控制计划 NSP 国家战略计划 NTBLCP 国家结核病、麻风病和布鲁里溃疡控制计划 PLHIV 艾滋病毒感染者/艾滋病患者 TB/HIV 结核病/艾滋病毒合并感染 TPT 结核病预防治疗 UNHLM 联合国高级别会议 UNAIDS 联合国艾滋病规划署 USAID 美国国际开发署 WHO 世界卫生组织
用于运动想象脑电图解码的跨主体深度迁移学习
摘要 — 卷积神经网络 (CNN) 已成为解码 EEG 的强大技术，并已成为运动想象 EEG 脑机接口 (BCI) 解码的基准。然而，在不降低个体表现的情况下在多个受试者的 EEG 上训练 CNN 仍然具有挑战性。这被称为负迁移问题，即从不同的分布中学习会导致 CNN 错误地表示每个受试者的 EEG，而不是学习更丰富的表示。因此，CNN 不能直接使用多个受试者的 EEG 来直接提高模型性能。为了解决这个问题，我们将深度迁移学习技术扩展到 EEG 多受试者训练案例。我们提出了一个多分支深度传输网络，即分离-公共-分离网络 (SCSN)，该网络基于为各个受试者拆分网络的特征提取器。我们还探讨了将最大均值差异 (MMD) 应用于 SCSN (SCSN-MMD) 的可能性，以更好地对齐来自各个特征提取器的特征分布。在 BCI 竞赛 IV 2a 数据集 (BCICIV2a 数据集) 和我们的在线记录数据集上对所提出的网络进行了评估。结果表明，所提出的 SCSN (81.8%，53.2%) 和 SCSN-MMD (81.8%，54.8%) 在使用多个受试者的两个数据集上均优于基准 CNN (73.4%，48.8%)。我们提出的网络显示出利用更大的多受试者数据集来训练 EEG 解码器的潜力，而不会受到负迁移的影响。索引术语 — 脑机接口、EEG、多受试者、深度学习、迁移学习、在线解码 I. 介绍
沟通策略
ART：抗逆转录病毒疗法 AUA：ARV 用户协会 CDC：美国。美国疾病控制与预防中心 CPN+：柬埔寨艾滋病毒感染者网络 CRS：天主教救济服务社 CSO：民间社会组织 EpiC：达到目标与维持疫情控制项目 FHI360/EpiC：家庭健康国际 360/EpiC 项目 GPC：全球艾滋病毒预防联盟 HCP：医疗保健提供者 IEC：信息教育传播 JAMA：美国医学会杂志 KHANA：高棉艾滋病毒/艾滋病非政府组织联盟 KP：重点人群 LTFU：失访 MMD：抗逆转录病毒药物多月配药 NAA：国家艾滋病管理局 NCHADS：国家艾滋病毒/艾滋病、皮肤病和性病中心 NEJM：新英格兰医学杂志 NSP V：第五个国家综合和多部门艾滋病毒战略计划 PAC：预防获取运动 PE：同伴教育者 PEP：暴露后预防 PLHIV：艾滋病毒感染者 PrEP：暴露前预防PSF：患者和提供者满意度反馈 RHAC。柬埔寨生殖健康协会 ROI：投资回报率 SBCC：社会行为改变沟通 SD：污名化和歧视 SMS：短信服务 STI：性传播感染 EW：娱乐工作者 TOT：培训师培训 U=U：检测不到=不可传播 UNAIDS：联合国艾滋病毒/艾滋病联合规划署 USAID：美国国际开发署 US-CDC：美国疾病控制与预防中心 VL：病毒载量 WAD：世界艾滋病日 WHO：世界卫生组织
通过标签感知神经嵌入
Learnware范式旨在建立一个众多训练有素的机器学习模型的Learnware Dock系统，使用户能够重用现有的有用模型来完成其任务，而不是从头开始。系统中的每个学习软件都是由其开发操作提交的良好模型，与学习仓库系统生成的规范相关联。规范表征了相应模型的特定，使其能够准确地确定新的任务要求。Existing specifi- cation generation methods are mostly based on the R educed K ernel M ean E mbedding (RKME) technique, which uses the M aximum M ean D iscrepancy (MMD) in the R eproducing K ernel H ilbert S pace (RKHS) to seek a reduced set that char- acterizes the model's capabilities.但是，现有的基于RKME的方法主要利用特征信息来通过假设地面真实标签函数的存在，而留下标签信息，该标签信息能够提供丰富的语义特征，并没有受到影响。此外，生成的规范的质量在很大程度上依赖于内核的选择，这使其无法适应所有真实世界的场景。在本文中，为了克服上述局限性，我们提出了一种名为l ane的新颖规范方法，即l abel- a a a a a a eural e mbedding。在l ane中，使用神经嵌入空间来替换RKHS，有效地规避了内核选择的步骤，从而解决了现有基于RKME的规范方法中内核上的de否。更重要的是，L ane使用标签信息作为附加监督来增强生成过程，从而导致质量的规格。广泛的例证证明了学习软件范式中提出的LANE方法的有效性和优势。
通过观察性临床人机可靠性分析 (OCHRA) 对外科手术表现进行客观评估：系统评价
摘要背景发病率和死亡率数据 (MMD) 以及学习曲线 (LC) 均未提供有关术中错误性质及其机制的信息，因为这些错误会对患者结果产生不利影响。OCHRA 是专门为解决未满足的外科需求而开发的，即在个体操作员层面对手术技术执行质量进行客观评估的技术。本系统评价的目的是评价 OCHRA 作为客观评估外科手术表现的方法。方法系统评价基于在 4 个数据库中搜索 1998 年 1 月至 2019 年 1 月发表的文章。该评价符合系统评价和荟萃分析的首选报告项目 (PRISMA) 指南，并包括基于多个外科专业手术过程中技术错误的外科任务表现的原始出版物。结果 仅有 26 篇已发表的研究符合搜索标准，表明在研究期间 OCHRA 的采用率很低。在 31% 的报告中，手术由完全合格的顾问/主治外科医生执行，69% 的报告中，手术由经批准的培训计划中的外科实习生执行。OCHRA 在 719 例临床手术（平均 = 11 例 CE）的实施过程中发现了 7869 例后果性错误 (CE)。它还确定了手术的“危险区”和熟练度增益曲线 (P-GC)，以确认个别实习外科医生能够持续胜任特定手术的执行。P-GC 既是外科医生又是手术。结论 增加 OCHRA 的使用有可能改善手术后患者的预后，但这是朝着自动评估未编辑手术视频迈出的有条件的一步。OCHRA 的低采用率归因于其涉及人为因素（认知工程）专业知识的劳动密集型性质。除了更快、更客观的同行评估外，这一发展还应加速临床采用和在常规外科实践和外科培训中使用该技术。
RyR1 相关肌病的基因治疗
蛋白质 [ 1 , 3 ]，导致细胞质钙稳态改变。许多不同的肌病与 RYR1 致病变异有关，例如中央核病 (CCD)、多小核病 (MmD)、中心核肌病 (CNM)、先天性纤维类型不平衡 (CFTD)，现在这些肌病被称为“RyR1 相关肌病”或 RyR1-RM。RyR1-RM 的治疗受到 RYR1 基因和蛋白质的许多特性的限制，其中包括基因的大小（转录本为 15 kb）和蛋白质（超过 5,000 个氨基酸），形成超过 2 MDa 的同型四聚体。目前，人们正在探索两种治疗方案：使用化学分子的药物治疗和基因治疗，前者包括欧洲药品管理局和美国食品药品管理局分类的 DNA 或 RNA 导向治疗。两种治疗策略都有各自的特点，因此各有优缺点。一般而言，药物治疗通常使用小化学分子，定期（每天或每周）口服或静脉注射。药物治疗针对部分或全部下游病理生理机制。基因治疗通常使用大 DNA/RNA 分子，一次或多次给予患者。基因治疗直接针对不同病理生理机制上游的受影响基因或其产物，因此其作用涵盖了广泛的后果，理论上可以通过同一种治疗逆转所有这些后果。目前，药物疗法是 RyR1-RM 临床试验中唯一有效的治疗方法。最近完成了一项随机、双盲、安慰剂对照试验（I/II 期），研究对象为抗氧化剂治疗（N-乙酰半胱氨酸），但不幸的是，该治疗既没有降低之前发现的氧化应激升高，也没有显著改善患者的身体活动能力 [4]。正在进行的一项试验使用一种所谓的 Rycal 分子 (S48168) 来调节 RyR1 通道功能（ClinicalTrials.gov 标识符 NCT4141670，[5]），以减少由一组致病变异引起的钙漏。除了药物治疗外，基因治疗现在似乎也是这些遗传疾病的一种有吸引力的解决方案。事实上，使用药理学疗法很有吸引力，因为它很容易实施（例如当分子以口服形式提供时，如 NAC 或 S48168），在出现