XiaoMi-AI文件搜索系统
World File Search SystemRegression
基于脑电图的图像回归
摘要 - 注意力多动障碍（ADHD）是一种神经发育障碍，影响了一定程度的儿童及其生活方式。一种治疗这种疾病的新方法是在整个患者中使用脑部计算机界面（BCI）学会自行自我调节自己的症状。在这种情况下，研究导致了旨在估计对这些界面的关注的工具。同时，虚拟现实（VR）耳机的民主化以及它为多个方面产生有效的环境的事实：安全，灵活和生态上有效，导致其用于BCI应用程序的使用增加。另一点是人工智能（AI）在不同领域的医疗领域越来越发达。在本文中，我们提出了一种创新的方法，目的是从生理信号的测量中估算注意力：脑电图（EEG），凝视方向和头部运动。该框架是为了评估VR环境中的注意力的开发。我们为特征提取和专用的机器学习模型提出了一种新颖的方法。试点研究已应用于一组志愿者，与最先进的方法相比，我们的方法的错误率较低。关键字 - 虚拟现实，机器学习，大脑计算接口，眼睛跟踪
脑功能连接的协变量辅助主回归的贝叶斯估计
本文在贝叶斯范式中重新表述了赵等人（2021b）的协变量辅助主（CAP）回归。该方法确定了多变量响应数据协方差中与协变量相关的成分。具体而言，该方法估计一组多元响应信号的线性投影，其方差与外部协变量相关。在神经科学中，人们对分析来自大脑不同区域的脑信号时间序列之间的统计依赖性很感兴趣，我们将其称为功能连接（FC）（Lindquist 2008；Fornito 和 Bullmore 2012；Fornito 等人 2013；Monti 等人 2014；Fox 和 Dunson 2015）。功能连接背后的大脑信号是多变量的，在分析功能连接时，每个大脑活动都被视为与其他大脑活动的相对关系（Varoquaux 等人，2010），因为这种统计依赖性与行为特征（协变量）相关。本文开发了一种贝叶斯方法对反应信号进行监督降维，以分析外部协变量与以多变量信号的协方差为特征的功能连接之间的关联。通常，分析大脑功能连接的第一个步骤是定义一组对应于感兴趣的空间区域（ROI）的节点，其中每个节点都与其自己的图像数据时间过程相关联。然后，根据每个节点时间过程之间的统计依赖性（van der Heuvel 和 Hulshoff Pol，2010；Friston，2011），估计网络连接（或节点之间的“边缘”结构）。 FC 网络是使用 Pearson 相关系数（ Hutchison 等人，2013 年）以及部分
AI Feynman 2.0：利用图形模块化的帕累托最优符号回归
符号回归之所以很难，是因为符号表达式的组合空间呈指数级增长。传统上，它依赖于人类的直觉，从而发现了一些最著名的科学公式。最近，在完全自动化该过程方面取得了巨大进展 [6-26]，现在已有开源软件可以通过将神经网络与受物理学和信息论启发的技术相结合来发现相当复杂的物理方程 [25]。尽管 [25] 使用未知函数的神经网络近似来发现简化函数属性，取得了最先进的性能，但它是以一种非原则性和临时性的方式实现的，我们用一种通用的、有原则的、更有效的方法取而代之，该方法包含四个主要贡献：
cgaposenet+gcan：用于几何相机姿势回归的几何克利福德代数网络
我们介绍了CGAPOSENET+GCAN，它通过使用几何Clifford代数网络（GCAN）增强了CGAPOSENET，这是相机姿势回归的架构。添加GCAN，我们仅从RGB图像中获得了相机姿势回归的几何感知管道。cgaposenet使用Clifford几何代数将四元组和翻译向量统一为单个数学对象，即电动机，可用于独特地描述相机姿势。cgaposenet可以在其他方法中获得综合结果，而无需调查损失功能或有关场景的其他信息，例如3D点云，这可能并不总是可用。cgaposenet就像文献中的几种方法一样，只学会了预测运动系数，并且没有意识到预测位于其几何含义的数学空间。通过利用几何深度学习的最新进展，我们从GCAN上修改了CGAPOSENET：从InceptionV3背骨中获得与摄像机框架相关的可能的运动系数的建议，然后通过在G 4，0中使用的一组层来，将它们通过单个电动机为单个电动机。网络的工作是几何意识，具有多活性价值in-
中立面符号回归：利用大型语言模型进行功能发现
艺术符号回归状态（SR）当前构建专业模型，而大语模型（LLMS）的应用仍未得到探索。在这项工作中，我们介绍了将LLMS用于SR任务的第一个综合框架。我们提出了一种SR方法，它提出了一种SR方法，该方法迭代地改善了具有LLM的功能形式，并使用外部光学器来终止其系数。ICSR利用LLMS的强数学先验，同时提出一组可能的功能，并根据其误差来完善它们。我们的发现表明，LLMS能够成功找到适合给定数据，匹配或超越四个流行基准的最佳SR基线的整体性能的符号方程，同时产生了更简单的方程，同时又能提供更好的分布概括。
通过树结构双重动态编程
动机：从多个组织样品的大量DNA测序中重建肿瘤的进化史仍然是一个具有挑战性的计算问题，需要同时对肿瘤组织的反卷积及其进化史的推论。最近，系统发育重建方法通过将重建问题分为两个部分，从而取得了重大进展：固定拓扑的回归问题和对树空间的搜索。尽管已经为后一种搜索问题开发了有效的技术，但由于缺乏快速，专业的算法，回归问题仍然是方法设计和实施的瓶颈。结果：在这里，我们介绍了FastPPM，这是一种快速工具，可以通过树结构的双动态编程来解决回归问题。FastPPM支持任意可分离的凸损耗函数，包括ℓ2，分段线性，二项式和β-二元损失，并为现有算法提供了ℓ2和分段线性损失的渐近改进。我们发现，FastPPM的表现优于专业和通用回归算法，获得了50-450×加速度，同时提供了与现有方法一样准确的解决方案。将FASTPPM纳入几种系统发育推理算法中，立即产生高达400倍的速度，仅需要对现有软件的程序代码进行少量更改。最后，FASTPPM可以在模拟数据和结直肠癌的患者衍生的小鼠模型中分析低覆盖量的大量DNA测序数据，从精度和运行时都优于最先进的系统发育推断算法。可用性：FastPPM在C ++中实现，并在github.com/elkebir-group/fastppm.git上作为命令行接口和Python库可用。
用于建模锂离子电池容量降解的量子神经网络回归
摘要 - 赋予高功率密度，低排放率和降低的成本，可充电锂离子电池（LIBS）发现了广泛的应用，例如电动机网级存储系统，电动汽车和移动设备。开发一个框架，以准确地建模LIB的非线性降解过程，这确实是一个有监督的学习问题，成为一个重要的研究主题。本文提出了一种经典的Quantum混合机学习方法，以捕获LIB降解模型，该模型评估了操作过程中的电池电池寿命损失。我们的工作是由量子计算机最近进步以及神经网络和量子电路之间的相似性所激发的。类似于调整常规神经网络中的权重参数，量子电路的参数（即Qubits的自由度）可以调整以以监督的学习方式学习非线性功能。作为概念文件证明，我们获得了由NASA提供的电池数据集获得的数值结果，这表明了量子神经网络在降级容量与操作周期之间非线性关系建模的能力。我们还讨论了量子方法的潜在优势与经典计算机中传统的神经网络相比，在处理大量数据时，尤其是在EV和储能未来渗透的背景下。关键字 - Quantum神经网络，锂离子电池，电池降解，电池寿命估算。
TAK1的药理抑制可防止并诱导实验器官纤维化的消退
引言系统性硬化症（SSC）的发病机理涉及皮肤和多个内部器官中的血管病，免疫失调和对组织纤维化（1、2）。tgf-β具有有效的促链活性，异常的TGF-β活性与SSC发病机理有关（3）。细胞外基质（ECM）组件的生产过多和组织积累是SSC（4）的标志。TGF-β-诱导的激酶1（TAK1），促丝分裂原激活蛋白激酶（MAP激酶激酶激酶[MAP3K]）的成员，介导了非儿童TGF-β信号传导（5，6）。此外，通过NF-κB，TAK1也被视为TLR依赖性信号中的临界节点（7）。在这方面，已经表明TLR4/TAK1促进了炎症（8），而这种途径的抑制会阻止激动剂的激活并降低下游启动流量介体的表达（9-13）。我们先前证明了内源性TLR配体损伤相关的分子模式（湿），包括纤维蛋白 - 脱发域A（FN-EDA）和Tenascin-C，触发TLR4依赖性抗纤维性反应，与SSC有关（14，15）。鉴于TAK1参与多种类型的纤维化反应，毫不奇怪的是，在小鼠中，Tak1 In肾脏，肺和骨骼肌的靶向遗传消融与免受纤维化的保护和侵袭性有关（16-19）。 重要的是，TAK1的成年小鼠具有特异性缺失，表明皮肤伤口修复延迟（20）。 进一步，缺乏TAK1的胚胎小鼠纤维细胞显示出依赖性的tgf-β依赖性蛋白固定剂（21）。鉴于TAK1参与多种类型的纤维化反应，毫不奇怪的是，在小鼠中，Tak1 In肾脏，肺和骨骼肌的靶向遗传消融与免受纤维化的保护和侵袭性有关（16-19）。重要的是，TAK1的成年小鼠具有特异性缺失，表明皮肤伤口修复延迟（20）。进一步，缺乏TAK1的胚胎小鼠纤维细胞显示出依赖性的tgf-β依赖性蛋白固定剂（21）。在一起，这些观察结果表明，TAK1可能与SSC发病机理有关，而TAK1的药理学靶向可能代表了一种可行的治疗策略，可改善SSC以及其他形式的纤维化。TAK1的抑制剂已开发用于治疗各种疾病，但是由于次优的选择性和生物利用度，它们的临床应用开发已停滞不前（22，23）。最近，使用定向药物化学方法，我们开发了一种高度选择性和有效的TAK1抑制剂（13）。潜在的新型TAK1抑制剂（HS-276）是一个小分子，具有较低的nm afintion（IC 50 = 2.5 nm）
预测血糖水平：非侵入性监测的线性回归方法
这项研究证明了使用包括人口统计学，生理和传感器衍生的变量的数据集估算血糖水平来估算血糖水平的应用。通过严格的数据准备和假设验证，包括使用Box-Cox转换，模型的有效性和性能得到了增强。逐步选择和假设检验促进了该模型的重新构建，保留了关键预测因子，例如年龄，性别，赫特拉特和糖尿病患者，这些预测因素明显增添了葡萄糖水平。排除了NIR阅读和最后食用的非贡献变量，改善了模型的可解释性，而不会损害其预测精度。结果强调了基于回归的非侵入性葡萄糖监测方法的潜力，为糖尿病管理中具有成本效益且可访问的解决方案提供了基础。虽然FNDING突出显示了明显的预测指标和稳健的模型性能，但未来的工作可以探索高级传感器技术和非线性建模技术的集成，以进一步提高预测精度。这些进步可以显着促进改善糖尿病护理，并促进更广泛的非侵入性监测解决方案的采用。
埃及的能源支出：基于分位数回归方法的实证证据
本文表达的任何观点均为作者观点，而非 IZA 观点。本系列中发表的研究可能包括政策观点，但 IZA 不代表任何机构政策立场。IZA 研究网络致力于遵守 IZA 研究诚信指导原则。IZA 劳动经济研究所是一个独立的经济研究机构，开展劳动经济学研究，并就劳动力市场问题提供基于证据的政策建议。在德国邮政基金会的支持下，IZA 运营着世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究、政策制定者和社会之间架起桥梁。IZA 讨论文件通常代表初步工作，并被分发以鼓励讨论。引用此类文件时应说明其临时性质。修订版可直接从作者处获得。