XiaoMi-AI文件搜索系统
World File Search SystemStrate
来自再生大鼠肝脏的DNA-甲基酶
摘要DNA甲基化酶已从再生大鼠肝脏中的核中纯化660倍。该酶能够甲基化单链（SS）和双链（DS）DNA，唯一的反应产物是5-甲基胞霉素。先前未甲基化的双链DNA来自原核生物（M.luteus）以及Euka-ryotes（Ascaris suis）可以用作底物。合成共聚物（DG-DC）n。（DC-DG）N和（DG，DC）N也被甲基化。虽然SV40 DNA几乎不是甲基化的，但即使以超涂层形式，PM2 DNA也是一个很好的底板。甲基化酶在异源性luteus dna中的17个碱基中的1个，但在同源大鼠肝脏DNA中只有590分之一。M. uteus DNA的高甲基化水平，对甲基化嘧啶等属菌的分析和初步的二核苷酸分析表明，DNA中的所有CpGs都可以甲基化。
使用扩散模型生成合成超声心动图
摘要 — 超声心动图是使用超声成像捕获的人体心脏的视频序列。它显示心脏结构和运动，有助于诊断心血管疾病。需要大量训练数据的深度学习方法已成功利用超声心动图检测心脏瓣膜病等心血管疾病。可用于机器学习训练的大型超声心动图数据集很少。解决这个问题的一种方法是使用现代机器学习生成方法来生成可用于机器学习训练的合成超声心动图。在本文中，我们提出了一种用于生成超声心动图的视频扩散方法。我们的方法使用 3D 自注意机制和超分辨率模型。我们证明，与现有的超声心动图生成方法相比，我们提出的方法可以生成分辨率更高、伪影更少的超声心动图。索引词 — 超声心动图、扩散模型、生成式 AI
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得
偏置定制量子 LDPC 码
偏差定制使量子纠错码能够利用量子比特噪声不对称性。最近，有研究表明，表面码的一种修改形式 XZZX 码在偏置噪声下表现出显著改善的性能。在这项工作中，我们证明量子低密度奇偶校验码也可以进行类似的偏差定制。我们引入了一种偏差定制的提升乘积码构造，该构造提供了一个框架，可将偏差定制方法扩展到二维拓扑码系列之外。我们给出了基于经典准循环码的偏差定制提升乘积码的示例，并使用信念传播加有序统计解码器对其性能进行了数值评估。我们在非对称噪声下进行的蒙特卡罗模拟表明，与去极化噪声相比，偏差定制码在错误抑制方面实现了几个数量级的提高。
连接可持续性议程，预防感染和抗菌素抵抗之间的点
澳大利亚的医疗部门占澳大利亚碳足迹的7％。但是，该行业具有更广泛的直接和间接环境影响。在减少环境影响和优化感染预防和控制策略之间需要达到平衡，其中包括最大程度地减少抗菌耐药性。讨论涵盖了卫生服务需求，低碳护理，以患者为中心的治疗，安全的药物处理和一次性医疗用品，以及与澳大利亚基于澳大利亚的例子的废水。实施可持续性议程的障碍包括已经伸展的卫生系统以及社区卫生，医院系统和流程之间的脱节，以及拥有资本，能力和资源来推动这些努力的人。本文探讨了医疗保健系统的环境影响以及通过预防感染镜头改善可持续性的当前策略。这包括预防和管理抗菌抗性的潜在意外负面后果。
基于物理的脑部 MRI 分割
摘要。磁共振成像 (MRI) 是最灵活、最强大的医学成像方式之一。然而，这种灵活性是有代价的；在不同位置和使用不同参数获取的 MRI 图像在对比度和组织外观方面表现出显著差异，导致在量化脑解剖结构或病理存在时出现下游问题。在这项工作中，我们建议将基于多参数 MRI 的静态方程序列模拟与分割卷积神经网络 (CNN) 相结合，以使这些网络对采集参数的变化具有鲁棒性。结果表明，当给定图像及其相关的物理采集参数时，CNN 可以产生对采集变化具有鲁棒性的分割。我们还表明，所提出的物理信息方法可用于桥接多中心和纵向成像研究，其中成像采集在站点或时间上有所不同。
食品系统，气候变化和营养
粮食系统，气候变化和营养之间的复杂关系变得越来越明显。这些相互联系的Chal Lenges提出了一项艰巨的任务，但这也是一个无与伦比的协作行动机会。尽管面临挑战，但仍然有一些卡值可供玩。确实存在证据，可以实现经过证明的策略，并在我们目前缺乏的地区进行创新。，尽管我们手中可能有卡片，但却一如既往地辨别哪些有价值以及如何玩游戏可能是压倒性的。通过从最近出版物的见解（ENN，2024; FAO，2023）和网络研讨会（ANH Academy，2024a; Unnu Trition，2024）中汲取灵感，我们可以在所有噪音中重新定位自己。有一条前进的途径，即杠杆会衰老，建立伙伴关系并推动影响力的变化。
![arxiv：2502.14264v1 [cs.ai] 2025年2月20日](/simg/9\91d92c1b59721e27856344a080fb32d0b6678a23.webp)
arxiv：2502.14264v1 [cs.ai] 2025年2月20日
深度强化学习者经常面临有效协调感知和决策共同体的挑战，尤其是在具有高度感官输入的环境中，特征相关性各不相同。这项工作介绍了Sprig（使用内部游戏动力学的Spackelberg感知 - 预定学习学习），该框架将内部的感知互动建模为合作的Stackelberg游戏。在Sprig中，感知模块充当领导者，战略性地处理原始感觉状态，而策略模块则遵循，根据提取的功能做出决策。Sprig通过修改后的Bellman运营商提供了理由保证，同时保留了现代政策优化的好处。对Atari Beamrider环境的实验结果，通过其游戏理论提取和决策制定的游戏理论，获得了Sprig的有效性，比标准PPO提高了30％的回报。
计数奖励自动机：通过奖励功能结构的开发
我们提出计数奖励自动机 - 一个有限的状态机变体，能够建模任何奖励函数可作为正式语言表达的奖励函数。与以前的方法不同，该方法仅限于任务作为普通语言，我们的框架允许由不受限制的革命范围描述的任务。我们证明，配备了这样的抽象机器的代理能够解决一组更大的任务集，而不是使用当前方法。我们表明，增强功率的增加并不是以增加自动机复杂性的成本。提出了一系列学习算法，以利用自动机结构来提高样品效率。我们表明，可以使用大语言模型从自然语言任务描述我们的锻炼中所需的状态机器。经验结果表明，我们的方法在样本效率，自动机复杂性和任务完成方面优于竞争方法。
物理系统的可解释的元学习
机器学习方法在科学过程中可能是有价值的帮助，但是他们需要面对来自非均匀实验条件的数据的具有挑战性的环境。最近，元学习方法在多任务学习方面取得了重大进展，但它们依靠黑盒神经网络，占据高计算成本和有限的解释性。利用学习问题的结构，我们认为可以使用更简单的学习模型，并具有以学习任务为例，可以使用更简单的学习模型来实现多环境的概括。至关重要的是，我们证明该体系结构可以识别系统的物理参数，从而实现可解释的学习。我们通过将其与物理系统上的最新算法进行比较，降低了我们方法的竞争性概括性能和低计算成本，从玩具模型到复杂的，非分析系统。我们的方法的解释性用原始应用在物理参数诱导的适应性和自适应控制中进行了说明。