XiaoMi-AI文件搜索系统
World File Search SystemNetworks
图形神经网络和结构化数据分析...
向前发展：垂直农业如何融合技术能力和古老的农艺知识来改变世界 - （Videopillola）Castrogiovanni Antonino国家形象和购买的意愿：绿色产品形象在消费者感知中的中介作用
生成对抗网络的收敛动力学
拟合神经网络通常求助于随机（或类似）的梯度下降，这是梯度下降动力学的耐噪声（且有效的）分辨率。它输出了一系列网络参数，这些参数在训练步骤中会演变。梯度下降是极限，当学习率较小并且批处理大小不限时，在训练过程中获得的这组越来越最佳的网络参数。在此贡献中，我们研究了机器学习中使用的生成对抗网络中的收敛性。我们研究了少量学习率的限制，并表明，与单个网络培训类似，GAN学习动力趋于消失学习率至一定的限制动态。这导致我们考虑度量空间中的进化方程（这是我们称为双流的自然框架）。我们给出了解决方案的正式定义，并证明了这种转化。该理论然后将其应用于甘斯的特定实例，我们讨论了这种见解如何有助于理解和减轻模式崩溃。关键字：gan;公制流；生成网络
使用 3D 卷积神经网络对缺氧缺血性昏迷患者进行基于多模态 MRI 的全脑评估
摘要背景：人们尚未找到最佳方法来自动捕获、分析、组织和合并结构和功能性脑磁共振成像（MRI）数据，以最终提取相关信号，协助缺氧昏迷患者床边的医疗决策过程。我们的目标是开发和验证一种深度学习模型，以利用多模态3D MRI全脑时间序列对缺氧缺血性昏迷相关的脑损伤进行早期评估。方法：这项概念验证、前瞻性、队列研究于 2018 年 3 月至 2020 年 5 月期间在大学医院（法国图卢兹）附属的重症监护室进行。所有患者在心脏骤停后至少 2 天（4±2 天）处于昏迷状态时接受扫描。在同一时期，我们招募并纳入年龄匹配的健康志愿者。脑 MRI 量化包括来自感兴趣区域（楔前神经和后扣带皮层）的“功能数据”和全脑功能连接分析以及“结构数据”（灰质体积、T1 加权、各向异性分数和平均扩散率）。专门设计的 3D 卷积神经元网络 (CNN) 通过使用原始 MRI 指标作为输入来区分意识状态（昏迷与对照）。基于卷积滤波器研究的体素可视化方法被用于支持 CNN 结果。法国图卢兹大学教学医院伦理委员会 (2018-A31) 批准了这项研究，并获得了所有参与者的知情同意。结果：最终队列包括 29 名缺氧后昏迷患者和 34 名健康志愿者。通过结合不同的 MR 指标使用 3D CNN 成功将昏迷患者与对照区分开来。功能性 MRI 数据（尤其是后扣带皮层的静息态功能性 MRI）的准确率最高，经过 10 次重复的十倍交叉验证，测试集的准确率为 0.96（范围为 0.94-0.98）。通过多数投票策略，可以实现更令人满意的表现，这可以弥补
使用机器学习在Wi-Fi网络中的性能
这项工作是三年研究的结果，涉及许多为成功做出贡献的人的参与。首先，我对家人，特别是我的父亲阿德南（Adnan），母亲玛丽亚姆（Mariam）以及我的兄弟姐妹（Hassan，Nour和Khalil）表示感谢，他们在整个旅程中都坚定不移。我对董事杰拉德·查尔布（Gerard Chalhoub）表示衷心的感谢，他在这本论文和充满挑战时期的学术追求期间的能力和鼓励是无价的。我还要感谢我的共同服务员吉尔·德·索萨（Gil de Sousa）在整个工作中的存在和支持。我感谢陪审团成员的时间和宝贵的反馈意见，从审稿人V´eronique Veque教授开始，后者也曾担任陪审团主席，以及Abed Ellatif Samhat教授和Andrzej Duda教授。我还感谢陪审团曾担任考官的Cherifa Boucetta博士。此外，我要感谢我的同事Ali，Mouna，Samar，Ines，Theo，Theo，Lea，Omaima，Amani和Wassim，以便在办公室启用一个很棒的大气。
在早产与完整学科的多尺度大脑网络之间改变了功能网络能量：青少年脑认知发展（ABCD）研究
摘要 - 婴儿过早出生或早产，可能会改变大脑的连接性，部分原因是分娩时的大脑发育不完整。研究还显示，与出生时完全成熟的同龄人相比，这些人进入青春期时，大脑的结构和功能差异。在这项研究中，我们研究了来自青少年脑认知发展（ABCD）研究的大约4600名青少年的多尺度功能连通性的功能网络能量，他们是早产或出生时的全学期。我们确定了三个关键的大脑网络，它们在早产和成熟受试者之间显示网络能量的显着差异。这些网络包括视觉网络（包括枕骨和枕骨子网），感觉运动网络以及高认知网络（包括颞叶和额叶子网）。此外，已经证明，与早产受试者相比，完善受试者表现出更大的不稳定性，从而导致功能性脑信息的动态重新配置更大，并在三个确定的规范大脑网络中提高了灵活性。相比之下，那些天生的过早表现出更稳定的网络，但在这些关键规范网络中功能性大脑信息的动态和灵活组织较少。总而言之，测量多尺度功能网络能量提供了对与出生的受试者相关的规范大脑网络的稳定性的见解。这些发现增强了我们对早期出生如何影响大脑发育的理解。索引术语 - 早产学科，完整学科，多尺度功能连接，功能网络能量，大脑发展
FGF/FGFR改动的景观...
背景：门静脉肿瘤血栓形成（PVTT）是晚期肝细胞癌（HCC）的频繁而严重的并发症，通常会导致预后不良。尽管PVTT具有显着的临床相关性，但驱动其形成的分子机制尚不清楚。长的非编码RNA（LNCRNA）已成为PVTT进展的潜在贡献者，促使这项研究探索LNCRNA作为PVTT的潜在生物标志物。方法：我们分析了来自基因表达综合的公开可用数据集，以识别三个比较的差异表达的LNCRNA和mRNA：正常与HCC，正常与PVTT和HCC与PVTT。转录曲线，并使用在线数据库筛选了与HCC和PVTT特异性LNCRNA相互作用的蛋白质，表明所有相互作用的蛋白质都是转录因子（TFS）。我们通过从每次比较中与TF靶基因与差异表达的基因（DEG）相交的LNCRNA – TF – TF -TARGAT基因调节网络。蛋白质 - 蛋白质相互作用（PPI）网络分析以识别关键簇和集线器基因，并突出显示了AR和ESR1之类的TF。进行了基因本体分析，以了解调节网络的生物学功能。结果：该研究确定了正常，HCC和PVTT样品的不同转录曲线。构建了涉及LNCRNA，TFS和靶基因的关键调节网络，并将包括AR和ESR1在内的重要集线器基因确定为潜在的治疗靶标。PPI网络分析揭示了与PVTT进展相关的重要集群，而基因本体分析则提供了对相关生物学功能的见解。结论：本研究提出了一个新的理解LNCRNA – TF介导的基因调节的框架。它确定了潜在的治疗靶标和预后生物标志物，这些靶标可以促进PVTT的靶向疗法的开发，从而提供新的机会来改善临床结果。
使用卷积神经网络通过图像处理和分类中的水稻作物检测
人工智能（AI）今天占据了中心排名，尤其是在技术进步无处不在的情况下。在最有影响力的工具中，深度学习已经在专业和学术领域中建立了自己。本文着重于卷积神经网络在检测与大米竞争的杂草方面的有效性。为了实现这一目标，将预训练的Inception_V3模型的扩展用于图像分类，而Mobilenet则用于图像处理。这种创新的方法在大米和杂草之间有挑战性的稻田上进行了测试，这是AI领域的重大进步。然而，两种模型的训练都揭示了局限性：Inception_V3在第10次迭代后表现出过度拟合，而Mobilenet在第一次迭代中表现出较高的波动性和过度拟合。尽管面临这些挑战，但Inception_V3还是以其出色的准确性而脱颖而出。
基于氨基吡咯支架的HIV-1核素蛋白的一类有效抑制剂
能量数据包网络（EPN）由n个块形成的排队网络组成，其中每个块由一个数据队列形成，该数据队列处理工作负载和一个能量队列，可以处理能量包。我们研究一个EPN模型，其中能量数据包启动转移。在此模型中，能量数据包被发送到同一块的数据队列。如果数据队列不是空的，则能量数据包将一个工作负载数据包路由到下一个块，否则会丢失。我们假设能量队列具有有限的缓冲尺寸，并且如果缓冲区满足时，可以执行缓冲区时能量数据包到达系统，则执行跳跃障碍（JOB），因此，由于某种概率，它将发送到数据队列，否则会丢失。我们首先提供了跳跃阻塞概率的值，以便队列中数据包的稳态概率分布允许产品形式解决方案。在FCF，Preemptive LCF和PS纪律下为多类数据包队列建立了产品表格。此外，在有向树排队网络的情况下，我们表明每个子树中的数据数据包数量随着每个块的工作概率增加而减小。©2021作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
