XiaoMi-AI文件搜索系统
World File Search SystemModel
人工智能在冷冻电镜中从头分子结构建模方面的进展
低温电子显微镜（cryo-EM）已成为确定大型蛋白质复合物和分子组装体结构的主要实验技术，2017 年的诺贝尔奖就是明证。尽管低温电子显微镜已得到极大改进，可以生成包含大分子详细结构信息的高分辨率三维（3D）图谱，但利用这些数据自动构建结构模型的计算方法却远远落后。传统的低温电子显微镜模型构建方法是基于模板的同源性建模。当数据库中找不到模板模型时，手动从头建模非常耗时。近年来，使用机器学习（ML）和深度学习（DL）的从头低温电子显微镜建模已成为大分子结构建模中表现最好的方法之一。基于深度学习的从头低温电子显微镜建模是人工智能的重要应用，其成果令人印象深刻，对下一代分子生物医学具有巨大潜力。因此，我们系统地回顾了具有代表性的基于 ML/DL 的从头低温电子显微镜建模方法。并从实践和方法论的角度讨论了它们的意义。我们还简要介绍了低温电子显微镜数据处理工作流程的背景。总体而言，本综述为从头分子结构建模的人工智能 (AI) 现代研究以及这一新兴领域的未来方向提供了入门指南。
基于干细胞的心脏再生的3D器官模型的进步
摘要：成年人的心脏无法在组织损伤后恢复完全心脏功能，这使心脏再生成为当前的临床未满足需求。有许多临床程序旨在减少受伤后缺血损伤；但是，尚无刺激成年心肌细胞恢复和增殖的可能性。多能干细胞技术和3D培养系统的出现彻底改变了领域。特别是3D培养系统通过获得更准确的人类微环境条件来在体外建模疾病和/或药物相互作用，从而增强了精度医学。在这项研究中，我们涵盖了基于干细胞的心脏再生医学的当前进展和局限性。特别是，我们讨论了基于干细胞的技术和正在进行的临床试验的临床实施和局限性。然后，我们解决了3D培养系统的出现，以产生心脏类细胞器，以更好地代表人类心脏的微环境，用于疾病建模和遗传筛查。最后，我们深入研究了从心脏器官中与心脏再生有关的见解，并进一步讨论了对临床翻译的影响。
在手动和机器人辅助工作中为操作员建模疲劳5.0
职业应用疲劳以及许多其他人类绩效因素，影响工人的健康状况，从而产生了生产质量和效率。采用行业5.0观点，我们建议将人类绩效模型整合到更广泛的工业系统模型中可以提高建模准确性并带来卓越的成果。将我们的工人疲劳模型整合为其工业系统建筑师模型的一部分，使领先的飞机制造商Airbus可以更准确地预测系统的性能，这是劳动力妆容的函数，这可能是人类工人和机器人的组合，或者是经验丰富且经验丰富且经验丰富且经验丰富的工人的组合。我们的方法证明了将人类绩效模型包括在商店地板上引入机器人的重要性和价值，可用于在工业系统模型中包括人类绩效的各个方面，以满足特定的任务要求或不同级别的自动化。
文本到图像生成模型中的开放式偏差检测
文本到图像生成模型正变得越来越流行，公众可以访问。由于这些模型看到大规模的部署，因此有必要深入研究其安全性和公平性，以免消散和永久存在任何形式的偏见。然而，存在的工作重点是检测封闭的偏见集，定义了先验的偏见，将研究限制为众所周知的概念。在本文中，我们解决了出现OpenBias的文本到图像生成模型中开放式偏见检测的挑战，该模型是一条新管道，该管道可识别和量化双质量的严重性，而无需访问任何预编译的集合。OpenBias有三个阶段。在第一阶段，我们利用大型语言模型（LLM）提出偏见，给定一组字幕。其次，目标生成模型使用相同的字幕绘制图像。最后，一个视觉问题回答模型认识到了先前提出的偏见的存在和范围。我们研究了稳定扩散1.5、2和XL强调新偏见的稳定扩散，从未研究过。通过定量实验，我们证明了OpenBias与当前的封闭式偏见检测方法和人类判断一致。
医疗保健专业人员在实施基于机器学习的糖尿病预测模型
摘要：基于机器学习的糖尿病预测模型已在医疗保健中引起了人们的重大关注，作为糖尿病早期检测和管理的潜在工具。但是，这些模型的成功实施在很大程度上取决于医疗保健专业人员的参与。本摘要探讨了医疗保健专业人员在实施基于机器学习的糖尿病预测模型中的作用。医疗保健专业人员通过与数据科学家和机器学习专家合作，在这些模型的开发和实施中起着至关重要的作用。他们的临床专业知识和领域知识有助于确定相关的数据源和模型开发变量。他们还确保数据质量和完整性，在整个过程中解决道德方面的考虑。在实施阶段，医疗保健专业人员负责数据收集和预处理，包括从电子健康记录和可穿戴设备中收集患者数据。他们在清洁和组织模型输入数据时确保数据隐私和安全性。医疗保健专业人员评估和验证模型的性能和准确性，评估局限性和潜在偏见。集成到临床工作流程中是医疗保健专业人员的另一个关键责任。他们与IT部门合作，无缝整合
具有人工智能规划模型的分层强化学习
两种常见的顺序决策方法是人工智能规划 (AIP) 和强化学习 (RL)。每种方法都有优点和缺点。AIP 具有可解释性，易于与符号知识集成，并且通常很高效，但需要预先指定逻辑域，并且对噪声敏感；RL 只需要指定奖励，并且对噪声具有鲁棒性，但样本效率低下，不易获得外部知识。我们提出了一种将高级规划与 RL 相结合的综合方法，保留了可解释性、迁移和效率，同时允许对低级规划操作进行鲁棒学习。我们的方法通过在 AI 规划问题的状态转换模型和马尔可夫决策过程 (MDP) 的抽象状态转换系统之间建立对应关系，从 AIP 运算符定义分层强化学习 (HRL) 中的选项。通过添加内在奖励来学习选项，以鼓励 MDP 和 AIP 转换模型之间的一致性。我们通过比较 MiniGrid 和 N 室环境中 RL 和 HRL 算法的性能来展示我们的集成方法的优势，展示了我们的方法相对于现有方法的优势。
构建表达和可处理的概率生成模型：评论
1引言生成建模在机器学习和人工智能领域起着重要作用，因为它提供了一种能够理解，解释以及在我们数据丰富世界中存在的复杂模式的功能工具包。通过将概率理论作为捕获给定数据集中固有不确定性的原则方法，这些模型旨在近似负责生成数据的基础分布或随机过程。因此，概率生成模型具有解决各种问题的潜力，包括生成新的数据示例，进行观察给出的推理，估计事件的可能性以及有关不确定信息的推理。但是，从数据中学习分布是一个挑战问题，通常需要在建模灵活性和概率推断的障碍之间进行权衡。早期生成模型的优先级优先考虑可牵引推理，通常是通过图形模型的形式将概率结构施加在random变量上[Koller and Friedman，2009]。因此，他们缺乏对复杂分布进行建模的挠性。自那以后，提出的可进行的概率模型（TPM）的领域随后发生了，并提出了端流的参数化和学习范式，从而在概率电路的统一概念下产生了广泛而流行的模型类别。从障碍性的角度设计，这些模型可以有效地推断和精确的概率推理，使其适合于要求快速准确计算的任务。但是，
导航和解决基础模型的数据问题（DPFM），ICLR 2024研讨会
本研讨会旨在将开拓者和从业人员汇集到研究问题上的研究问题，以讨论其新的范式并寻找路线图，从而促进对新兴研究问题的理解，从而引起广泛的兴趣并以方向向前发展交流见解。我们努力在这个基本主题背后建立一个社区，并提供平台，共享想法，探索共识并创造协作机会。值得一提的是，基础模型的当前数据实践在很大程度上是不透明的1。本研讨会的一个使命是在预处理阶段本身就开源数据工作进行社区努力。随后的努力包括创建数据集，基准（例如MLCommons和Dataperf）以及专门的场所（例如DMLR）来促进基础模型数据问题的研究，并最终促进FMS在社交技术方面的广泛部署，从而为大体而提供受益的型社会技术。