XiaoMi-AI文件搜索系统
World File Search SystemTTING
在准现实的场景中解码心理努力
摘要：人类的表现因精神资源而有所不同，这些精神资源可成功地追求一项任务。为了监视用户在自然主义方案中的当前认知资源，不仅要衡量任务本身引起的需求，而且要考虑情况和环境影响。我们对18名参与者进行了多模式研究（9名女性，M = 25.9，SD = 3.8岁）。在这项研究中，我们使用功能性近红外光谱（FNIRS）记录了呼吸道，眼部，心脏和大脑活动，而参与者则以同时的情感语音分散注意力进行了军舰指挥官任务的适应性版本。我们测试了通过多模式的机器学习体系结构解码经验丰富的精神努力的可行性。该体系结构包括特征工程，模型优化和模型选择，以结合跨主题分类中的多模式测量。我们的方法减少了对锻炼的可能性，并可靠地区分了两种不同级别的心理努力。这些发现有助于预测不同的心理努力状态，并为在现实应用中跨个体跨个体监测铺平了道路。
纽约州愿景计划 - NY.gov
本手册中介绍的视力福利可供您、您的配偶或同居伴侣以及 19 岁及以上的受保家属每 24 个月享受一次。隐形眼镜佩戴者每 12 个月有资格接受一次眼科检查、评估、配戴和后续护理，前提是他们最近一次购买的隐形眼镜由视力计划承保。19 岁以下的受保家属每 12 个月可享受一次福利。所有视力福利必须在 90 天的购买/服务期内发生才有资格享受保险。在接受服务之前，您可以通过访问纽约州公务员局网站 https://www.cs.ny.gov 来确认资格。在公务员主页上，选择福利计划，然后选择 NYSHIP 在线，如果出现提示，请选择您的组和计划。然后选择“其他福利”，再选择“视觉福利”，并按照链接进入戴维斯视觉网站，或致电戴维斯视觉的客户呼叫中心 888-588-4823。
获得更精简的深度神经网络，一次性解码大脑功能连接组
神经科学知识指出大脑功能活动的相关性中存在冗余。当使用深度神经网络 (DNN) 模型对神经影像数据集进行分类时，可以消除这些冗余以缓解过度拟合的问题。我们提出了一种算法，该算法以分层方式删除 DNN 中不重要的节点，然后一次性添加一组相关特征。在使用功能性 MRI 数据集对患者和健康对照进行实验时，我们能够获得更简单、更通用的 DNN。获得的 DNN 仅使用初始可训练参数的 2% 左右，却能保持与完整网络相似的性能。此外，我们使用训练后的网络从功能性连接组中识别多种脑部疾病的显著脑区和连接。发现所识别的生物标志物与之前已知的疾病生物标志物密切相关。所提出的方法具有跨模态应用，可获得更精简的 DNN，似乎能更好地拟合数据。相应的代码可在 https://github.com/SCSE-Biomedical-Computing-Group/LEAN_CLIP 获得。
表面ECG的心脏电生理模型的数字孪生：一种测量反向传播方法
摘要 - Eikonal方程已成为一种不可或缺的工具，用于对心脏电动激活进行巧妙和有效地建模。原则上，通过匹配临床记录和基于艾科尼尔的心电图（ECG），可以以纯粹的非侵入性方式构建心脏电子生理学的患者特异性模型。否则，拟合过程仍然是一项具有挑战性的任务。本研究介绍了一种新的方法，即测量BP，以解决逆向艾科尼尔问题。Geodesic-BP非常适合GPU加速机器学习框架，从而使我们能够优化Eikonal方程的参数以复制给定的ECG。我们表明，即使在存在建模不准确的情况下，Geodesic-BP也可以在合成测试案例中以高精度重建模拟的心脏激活。此外，我们将al-gorithm应用于双室兔模型的公开数据集，并具有令人鼓舞的结果。鉴于未来向个性化医学的转变，Geodesic-BP具有帮助心脏模型的未来功能化，同时保持临床时间的限制，同时保持先进心脏模型的生理准确性。
来自机器学习的直接参数估计 -
摘要：有能力找到任意复杂的对称性，机器学习（ML）增强量子状态层析成像（QST）的最佳拟合，已经证明了其在提取有关量子状态的完整信息方面的优势。我们通过直接生成目标参数来开发高性能，轻巧且易于安装的监督特征模型，而不是在训练截短的密度矩阵中使用重建模型。这样的基于特征模型的ML-QST可以避免处理大型希尔伯特空间的问题，但是CAB将特征提取高精度提取，从而捕获数据中的基础对称性。使用从平衡同源探测器生成的实验测量数据，我们比较了有关重建和特征模型预测的量子噪声挤压状态的退化信息；两者都与从协方差法获得的经验拟合曲线一致。具有直接参数估计的这种ML-QST说明了一个至关重要的诊断工具箱，用于使用挤压状态的应用，从量子信息过程，量子计量学，高级重力波检测器到宏观量子状态生成。
AI
抽象的是自由意志与道德责任之间关系的任何一种，例如我们是否可以在没有前者的情况下拥有后者，如果是的话，必须满足哪些条件；无论人们想到人工智能的代理人是否可能符合这种情况，人们仍然面临以下问题。道德责任的价值是什么？如果我们承担道德责任是成为道德责备或赞美的目标的问题，那么对它们的商品是什么？关于“机器道德”的辩论通常会涉及人工代理人是否或可能在道德上负责，并且通常被认为是理所当然的（遵循Matthias 2004），如果他们不能，他们对道德责任系统和相关商品构成威胁。在本文中，我通过询问该系统的商品（如果有的话）以及面对人工智能的代理人会发生什么，挑战了这一假设。我会争辩说，他们既不引入道德责任制度的新问题，也不会威胁我们真正（应该）关心的事情。我以有关如何确保这一目标的建议结束了本文。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
骨髓间充质干细胞来源的外泌体用于胰腺癌的穿透和靶向化疗
摘要 胰腺导管腺癌 (PDAC) 是最难治愈的恶性肿瘤之一，5 年相对生存率仅为 6%。其治疗效果不佳是由于化疗耐药和独特的病理生理，即丰富的炎性细胞因子和细胞外基质 (ECM) 异常增生。基于骨髓间充质干细胞 (BM-MSCs) 能够影响 PDAC 的肿瘤微环境和恶性生长的理论，我们利用来自 BM-MSCs 的外泌体 (Exos) 作为 PDAC 归巢载体，以超越病理 ECM 的限制并增加治疗药物在肿瘤部位的积累。为了克服 PDAC 的化疗耐药性，在纯化的 Exos 上负载紫杉醇 (PTX) 和吉西他滨代谢的中间产物吉西他滨单磷酸盐 (GEMP)。本研究在肿瘤球体和PDAC原位模型上，Exo 递送平台表现出了归巢和穿透能力的优势。同时，还发现其在体内和体外均具有良好的抗肿瘤效果，且全身毒性相对较小。我们构建的 Exo 平台加载了 GEMP 和 PTX，得益于天然的 PDAC 选择性，具有出色的穿透性、抗基质性和克服化学耐药性的综合功能（图 1）。值得期待的是，Exo 平台可能为 PDAC 的靶向治疗提供一种有前途的方法。