XiaoMi-AI文件搜索系统
World File Search SystemMulti
使用 CRISPR/Cas9 对无融合生殖四倍体草皮和牧草（Paspalum notatum Flügge ́）进行多等位基因编辑
多倍体在禾本科植物中很常见，对传统育种提出了挑战。基因组编辑技术绕过了杂交和自交，能够在一代中对多个基因拷贝进行有针对性的修改，同时保持许多多倍体基因组的杂合背景。巴哈草（Paspalum notatum Flügge ́；2 n =4 x =40）是一种无融合生殖的四倍体 C4 物种，在美国东南部广泛种植，作为肉牛生产和公用事业草坪的饲料。叶绿素生物合成基因镁螯合酶（MgCh）被选为在四倍体巴哈草中建立基因组编辑的快速读出目标。含有 sgRNA、Cas9 和 npt II 的载体通过基因枪法递送到愈伤组织培养物中。通过基于 PCR 的检测和 DNA 测序对编辑植物进行了表征，并观察到高达 99% 的 Illumina 读数的诱变频率。野生型 (WT) 巴哈草的测序显示，MgCh 的序列变异水平很高，这可能是因为存在至少两个拷贝，可能包含八种不同的等位基因，包括假基因。MgCh 突变体表现出明显的叶绿素消耗，叶片绿度降低了 82%。两种品系显示出随时间推移的编辑进展，这与体细胞编辑有关。获得了嵌合 MgCh 编辑事件的无融合生殖后代，并允许在一系列叶绿素消耗表型中识别出统一编辑的后代植物。高度编辑的突变体的 Sanger 测序显示 WT 等位基因的频率升高，可能是由于频繁的同源定向修复 (HDR)。据我们所知，这些实验是首次报道将基因组编辑应用于多年生暖季草皮或牧草。该技术将加速巴哈草品种的开发。
歌剧：通过过度信托的惩罚和转录分配
幻觉是对多模态大语言模型（MLLM）的普遍挑战的幻觉，极大地阻碍了他们需要精确判断的真实用法。现有方法可以通过特定设计的数据进行培训，或通过其他来源的特定知识来缓解此问题，从而产生了不可避免的额外费用。在本文中，我们提出了一种新型的MLLM解码方法，该方法基于o-vertust pe nalty和r eTroptoction-llocation策略，它是一种几乎免费的午餐，可以减轻幻觉问题，并没有其他数据，知识，知识或培训。我们的方法始于一个有趣的观察结果，即，大多数幻觉与自我注意力矩阵所表现出的知识聚集作用紧密相关，即MLLM倾向于通过关注一些摘要的代价来产生新的代币，但并非所有以前的代币。这种部分过度信任的倾向会导致忽略图像令牌，并用幻觉描述图像内容。基于观察结果，Opera在梁搜索解码过程中引入了对模型逻辑的惩罚术语，以使Miti-Gate the Trust问题以及回滚策略回顾了在预先生成的令牌中存在摘要令牌的存在，并在必要必要时重新分配给标记。通过广泛的实验，Opera在不同的MLLM和指标上表现出明显的幻觉降低性能，证明其有效性和性质。我们的代码为：https：//github.com/shikiw/opera。
EmbodiedScan：面向具身 AI 的整体多模式 3D 感知套件
摘要 在计算机视觉和机器人领域，具身代理有望探索其环境并执行人类的指令。 这就需要能够根据第一人称观察充分理解 3D 场景，并将其语境化为语言进行交互。 然而，传统研究更多地侧重于从全局视角进行场景级输入和输出设置。 为了解决这一差距，我们引入了 EmbodiedScan，这是一个多模态、以自我为中心的 3D 感知数据集和整体 3D 场景理解的基准。 它包含超过 5k 个扫描，封装了 1M 个以自我为中心的 RGB-D 视图、1M 个语言提示、160k 个 3D 导向框，涵盖 760 多个类别，其中一些与 LVIS 部分一致，以及具有 80 个常见类别的密集语义占用率。 基于这个数据库，我们引入了一个名为 Embodied Perceptron 的基线框架。它能够处理任意数量的多模态输入，并表现出卓越的 3D 感知能力，无论是在我们建立的两个系列基准测试（即基本 3D 感知任务和基于语言的任务）中，还是在野外。
标题转移学习基于小儿EEGS多个渠道的癫痫发作检测
摘要 - 癫痫是一种常见的神经系统疾病，其特征是在全球范围内影响多达7,000万人的癫痫发作。在生命的头十年中，每150名儿童中大约有一个被诊断出患有癫痫病。脑电图是诊断癫痫发作和其他脑部疾病的重要工具。但是，脑电图的专家视觉分析很耗时。除了减少专家注释时间外，自动癫痫发作检测方法是帮助专家分析脑电图的强大工具。对小儿脑电图中癫痫发作的自动检测的研究已被提出。深度学习算法通常用于小儿癫痫发作检测方法；但是，它们在计算上很昂贵，并且需要很长时间才能开发。可以使用转移学习来解决此问题。在这项研究中，我们在小儿EEG的多个通道上开发了一种基于转移学习的癫痫发作检测方法。公开可用的CHB-MIT EEG数据集用于构建我们的方法。数据集分为训练（n = 14），验证（n = 4）和测试（n = 6）。从10 s EEG信号产生的具有5 s重叠的频谱图用作三个预训练的传输学习模型（RESNET50，VGG16和InceptionV3）的输入。我们小心翼翼地将孩子分成培训或测试集中，以确保测试集是独立的。基于脑电图测试集，该方法具有85.41％的精度，85.94％的召回率和85.49％的精度。此方法有可能协助研究人员和临床医生对小儿脑电图中癫痫发作的自动分析。
MAIA 项目：多语言 AI 代理助理
在线对话支持——聊天——是增长最快的客户服务渠道，是千禧一代获得客户服务的首选方式。如今，通过该渠道支持国际客户主要是通过使用讲不同语言的人工代理——一种稀缺且昂贵的资源。语言技术（机器翻译和对话系统）在过去几年中取得了巨大进步，使其成为多语言客户服务的有吸引力的工具。然而，当前的系统仍然过于脆弱和不切实际：首先，它们需要太多数据和计算能力，在标记数据稀缺的领域或语言中失败；其次，它们不捕获上下文信息（例如，当前的机器翻译系统以逐句为基础工作，忽略对话上下文）；第三，全自动系统缺乏人类同理心，在意外情况下会失败，导致客户满意度低
多模态人工智能中的偏见：公平自动招聘的试验台
决策算法在社会中的存在感如今正在迅速增加，同时人们也开始担心其透明度以及这些算法可能成为新的歧视来源。事实上，许多相关的自动化系统已被证明会根据敏感信息做出决策或歧视某些社会群体（例如，某些用于人员识别的生物特征识别系统）。为了研究当前基于异构信息源的多模态算法如何受到数据中的敏感元素和内部偏见的影响，我们提出了一个虚构的自动招聘测试平台：FairCVtest。我们使用一组有意识地以性别和种族偏见进行评分的多模态合成档案来训练自动招聘算法。FairCVtest 展示了此类招聘工具背后的人工智能（AI）从非结构化数据中提取敏感信息并以不良（不公平）的方式将其与数据偏见结合起来的能力。最后，我们列出了最近开发能够从深度学习架构的决策过程中删除敏感信息的技术的列表。我们使用其中一种算法（SensitiveNets）来实验歧视感知学习，以消除我们多模态 AI 框架中的敏感信息。我们的方法和结果展示了如何生成更公平的基于 AI 的工具，特别是更公平的自动招聘系统。
Agilent 8904A 多功能合成器 直流至 600 kHz
Agilent Technologies 8904A 多功能合成器采用最新的 VLSIC 技术，从六种基本波形创建复杂信号。标准 8904A 以数字方式合成精确的正弦波、方波、三角波、斜波、白噪声和直流波形，并将这些信号路由到单个输出。选件 001 增加了三个相同的内部合成器（通道），它们可以调制第一个合成器或与输出相加。可以为每个合成器独立设置频率、幅度、波形、相位和目标。通道 A 可用的调制类型包括 AM、FM、FM、DSBSC 和脉冲调制。选件 002 增加了第二个 50 Ω 输出，为双通道应用提供了第二个独立信号。选件 003 为 8904A 添加了快速跳频和数字调制功能。选件 005 允许多个 8904A 进行相位同步，以满足需要使用多个 8904A 的应用。选件 006 将 8904A 的输出 1 从 50 Ω 浮动输出更改为 600 Ω 高功率平衡输出。使用此选项，8904A 可以将 10 伏特有效值电压输出到 600 Ω 负载，频率范围从 30 Hz 到 100 kHz 以上。所有这些独特功能使 8904A 成为 VOR、ILS、FM 立体声和通信信号等要求苛刻的应用的强大工具。
MC1408−8 8位乘法D/A转换器
电路描述 MC1408-8 由一个参考电流放大器、一个 R-2R 梯形放大器和 8 个高速电流开关组成。对于许多应用，只需要添加一个参考电阻和参考电压。开关在操作时为非反相；因此，输入的高状态会打开指定的输出电流分量。开关使用电流转向来实现高速，并使用由有源负载增益级和单位增益反馈组成的终端放大器。终端放大器在切换期间将梯形放大器的寄生电容保持在恒定电压，并为梯形放大器的所有支路提供相等电压的低阻抗终端。R-2R 梯形放大器将参考放大器电流分成二进制相关分量，这些分量被馈送到等于最低有效位的剩余电流。该电流被分流至地，最大输出电流为参考放大器电流的 255/256，如果 NPN 电流源对完全匹配，则 2.0 mA 参考放大器电流的最大输出电流为 1.992 mA。
多相机3D帕金森氏病的精度评估
帕金森氏病（PD）是一种毁灭性的运动，在全球流行率上加速了，但是缺乏精确的症状测量使得有效疗法的发展具有挑战性。统一的帕金森统一级评级量表（UPDRS）是评估运动症状严重程度的黄金标准，但其手动评分标准含糊不清，既模糊又主观，导致了粗糙和嘈杂的临床评估。机器学习方法有可能通过使PD症状评估现代化，以使其更具定量，客观和可扩展性。但是，缺乏用于PD运动考试的基准视频数据集阻碍了模型开发。在这里，我们介绍了郁金香数据集以弥合此差距。Tulip强调预先挑剔和全面性，包括25种UPDRS运动考试活动的多视频记录（6张摄像机），以及3位临床专家的评级，在帕金森氏症患者和健康对照组中。多视图记录实现了身体运动的3D重建，该重建更好地捕获疾病特征，而不是更多的调用2D方法。使用数据集，我们建立了一个基本线模型，用于预测3D姿势的UPDRS分数，以说明如何自动化现有诊断。展望未来，郁金香可以帮助开发超过UPDRS分数的新的精确诊断，从而深入了解PD及其潜在治疗方法。