XiaoMi-AI文件搜索系统
World File Search SystemMulti
多学科研究国际会议...
我们是谁：我们是一个年轻、充满活力的团体，由一群对全球一体化和智慧共享充满热情的科学人士创立。我们的组织源于我们坚信，未来真正成功的研究成果将是那些拥抱日益扁平的科学世界的成果。我们支持并开展新技术的跨学科合作研究。
AI驱动的无人驾驶汽车的多学科概念设计
本文基于人工智能驱动的分析模型，为无人机的多学科概念设计框架提供了一个多学科的概念设计框架。这种方法利用了驱动的分析模型，其中包括空气动力学，结构质量和雷达横截面预测，以将定量数据带到初始设计阶段，从而从各种优化的概念设计中选择了最合适的配置。由于设计优化周期，为以后的设计活动提供了更准确的翼，尾部和机身等关键组件的初始尺寸。同时，生成的结构可以通过设计迭代中的反馈循环实现更合适的设计点选择。因此，除了降低设计成本外，这种方法在整个设计过程中还具有很大的时间优势。
数字技术的本质 – 多种技术的开发...
数字化颠覆了商业模式，使产品和服务更加智能。随着物联网、区块链或增强现实等数字技术的快速出现和采用，数字化在全球范围内不可逆转地改变了我们所有行业的私人生活和组织惯例。因此，数字化在创新、连通性、效率和生产力改进方面发挥了无限潜力。然而，研究和实践仍然缺乏对数字技术本质的根本理解。为了弥补这一差距，我们开发了一种多层数字技术分类法，其中包括八个维度，这些维度沿着既定的模块化架构层构建，即服务、内容、网络和设备。基于我们的分类法，我们还通过聚类分析确定了七种数字技术的原型。为了修改和评估我们的成果，我们从 Gartner 新兴技术炒作周期中对 45 种数字技术进行了分类，并与其他研究人员进行了评估。我们的结果有助于对数字技术的描述性知识。它们使研究人员和从业人员能够在两个聚合级别上对数字技术进行分类，并就其采用做出明智的决策。关键词：数字化、数字技术、分类法、原型。
MAPP FY25多年投影信息表
随着对气候和天气状况的基础设施脆弱性的认识而增长，并且随着气候变化的影响而表现出来。在美国，目前以异类的方式满足了信息需求，这取决于您的前瞻性时间表 - 通过个人研究人员的互动，定制的数据和信息提供方法，使用各种方法（例如，降级）以及针对各种各样的用户社区的生态系统，具有多样化的生态系统，具有各种各样的范围，并且具有多样性的范围，并需要一系列的范围，并提供了各种范围的范围。已经出现了丰富的用户科学家关系和各种方法的网络，但是需要在加强这些共同开发协作方面进行投资，以确保我们将最佳的气候建模，数据和理解付诸实践。
香港通往绿色流动性的道路 - 研究收集
人体组织工程矩阵（HTEMS）已被提议作为原位式心脏瓣膜（TEHVS）的有前途的方法。然而，人们对HTEM中的ECM组成如何在组织培养时间中发展仍然存在有限的理解。因此，我们使用（IM-MUNO）组织学，生化测定和质谱法（LC-MS/MS）进行了培养时间（2、4、6周）的纵向HTEM评估。 2）使用基因集富集分析（GSEA）分析参与ECM开发的蛋白质途径； 3）使用单轴拉伸测试评估HTEM机械表征。最后，作为概念验证，使用6周HTEM样品进行了TEHV制造，在脉冲重复器中测试。LC-MS/MS证实了在组织学和生化测定中观察到的ECM蛋白的组织培养时间依赖性增加，揭示了最丰富的胶原蛋白（Col6，Col12），蛋白聚糖（HSPG2，VCAN，VCAN）和糖蛋白（FN，TNC）。gsea在2周（mRNA代谢过程），4周（ECM生产）和6周（ECM组织和成熟度）的HTEM中鉴定出最大代表的蛋白质途径。单轴机械测试显示出在失败时的刚度和应力增加，以及组织培养时间的应变减少。htem的TEHV在肺部和主动脉压力条件下表现出有希望的体外性能，具有对称的LEA频率和无狭窄。总之，在组织培养时间内ECM蛋白丰度和成熟度增加，随之而来的是HTEM机械性征象。这些发现表明，较长的组织培养会影响组织组织，导致可能适合高压应用的HTEM。
arxiv_censoring-awaretree基于基于估算多阶段动态治疗方案的增强措施
动态治疗方案（DTRS）提供了一种系统的方法来制定适合个人患者特征的顺序治疗决策，尤其是在感兴趣的生存结果的临床环境中。审查感知树的增强学习（CA-TRL）是一个新的框架，可在估计最佳DTR时解决与审查数据相关的复杂性。我们探索从观察数据中学习有效DTR的方法。通过增强基于树木的增强学习方法，具有增强的反可能性加权（AIPW）和审查感知的修改，CA-TRL提供了强大而可解释的治疗策略。我们使用SANAD癫痫数据集通过广泛的模拟和现实世界应用来展示其有效性，在该数据集中，它的表现优于最近提出的关键指标中提出的ASCL方法，例如受限的平均生存时间（RMST）和决策精度。这项工作代表着跨不同医疗机构的个性化和数据驱动的治疗策略迈出的一步。
用于多智能体轨迹预测的二阶图微分方程
多智能体轨迹预测是一项基础任务，可应用于自动驾驶、物理系统建模和智慧城市等各个领域。该任务具有挑战性，因为智能体交互和底层连续动力学共同影响其行为。现有方法通常依赖图神经网络 (GNN) 或 Transformer 来提取智能体交互特征。然而，它们往往忽略了智能体之间的距离和速度信息如何动态地影响它们的交互。此外，以前的方法使用 RNN 或一阶常微分方程 (ODE) 来模拟时间动态，这可能缺乏对每个智能体如何受交互驱动的解释性。为了应对这些挑战，本文提出了 Agent Graph ODE，这是一种显式模拟智能体交互和连续二阶动力学的新方法。我们的方法采用变分自编码器架构，在编码器模块中结合了具有距离信息的时空Transformer和动态交互图的构建。在解码器模块中，我们采用具有距离信息的GNN来建模智能体交互，并使用耦合的二阶微分方程(ODE)来捕捉底层的连续动力学，该微分方程通过建模加速度和智能体交互之间的关系来构建模型。实验结果表明，我们提出的Agent Graph ODE在预测精度方面优于最先进的方法。此外，我们的方法在训练数据集中未见的突发情况下也表现良好。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet
一种多视图聚类的锚点增强策略
近年来，基于锚点的方法在多视图聚类中取得了可喜的进展。这些方法的性能受到锚点质量的显著影响。然而，以前的研究生成的锚点仅仅依赖于单视图信息，忽略了不同视图之间的相关性。特别地，我们观察到相似的模式更有可能存在于相似的视图之间，因此可以利用这种相关性信息来提高锚点的质量，而这同样被忽略了。为此，我们提出了一种新颖的即插即用的通过视图相关性进行多视图聚类的锚点增强策略。具体而言，我们基于对齐的初始锚点图构建视图图来探索视图间相关性。通过从视图相关性中学习，我们使用相邻视图上锚点和样本之间的关系来增强当前视图的锚点，从而缩小相似视图上锚点的空间分布。在七个数据集上的实验结果证明了我们的方法优于其他现有方法。此外，大量的对比实验验证了所提出的锚增强模块应用于各种基于锚的方法时的有效性。