XiaoMi-AI文件搜索系统
World File Search SystemTimeSeries
Matthew E. Levine，博士
•研究了通过竞争性二聚化网络执行的计算（Cell 2024）。•开发了简单的减少阶模型，用于预测2型糖尿病中的血糖（混乱2023）。•开发了神经系统重症监护病患者和1型糖尿病的重症患者葡萄糖预测的建模和预测方法（《生物学信息学杂志》 2023年）。•将杂种动力学建模框架应用于学习碳水化合物吸收率（Health 2022的神经时间赛）。•设计基于物理的数据驱动的混合模型框架，用于预测动态系统；在离散时间和连续时间（AMS 2022的通信）中，Markovian和非Markovian模型不足。•在集合卡尔曼过滤器中实现了新的状态空间约束，该滤波器通过二次优化形成了约束状态更新（2019年反问题）。
量化归因于人类的热有关的死亡率 -
方法：我们使用日常站点观测，重新分析数据和气候模型的集合来得出观察到的气候数据的时间以及代表没有人类诱发气候变化的世界的反事实数据。我们通过使用观察到的每日均值温度和死亡率数据进行时间序列分析来估计温度 - 历史关系。，我们使用35观察到的死亡率和对应于平均温度的死亡率估计的死亡率估算，以最低死亡率为参考，以观察到的和反事实温度序列。为了量化随着时间的流逝的暴露和脆弱性的影响，我们比较了在1986 - 2003年得出的暴露响应关系中的死亡率，适用于2004 - 2018年，并根据2004-2018期间观察到的温度和死亡率重新计算了这种关系。40
2024-2025 年 COVID-19 疫苗配方
* 误差线代表流感的 95% 不确定区间，未列出 COVID-19 数据。† 由于流感活动极少，因此无法提供 2020-2021 季节估计值。1. 美国卫生与公众服务部。按州时间序列 (RAW) 报告的 COVID-19 患者影响和医院容量。https://healthdata.gov/Hospital/COVID-19-Reported-Patient-Impact-and-Hospital-Capa/g62h-syeh/about_data 2. 疾病控制和预防中心。流感疾病负担。https://www.cdc.gov/flu/about/burden/index.html。3. 疾病控制和预防中心、国家免疫和呼吸系统疾病中心 (NCIRD)。2023-2024 美国流感季节：初步季节负担估计。访问日期：2024 年 5 月 30 日。https://www.cdc.gov/flu/about/burden/preliminary-in-season-estimates.htm。4. 美国疾病控制与预防中心。COVID 数据追踪器。佐治亚州亚特兰大：美国卫生与公众服务部，CDC；2024 年 5 月 30 日。https://covid.cdc.gov/covid-data-tracker。
迈向 B5G/6G 网络中 QoE 预测的可信人工智能
摘要 预测体验质量 (QoE) 指标的能力对于未来 B5G/6G 网络提供的多种应用和服务至关重要。然而，QoE 时间序列预测迄今为止尚未得到充分研究，主要是因为缺乏可用的真实数据集。在本文中，我们首先介绍了一种从真实的 5G 网络模拟中获得的新型 QoE 预测数据集，该数据集以视频流应用的服务质量 (QoS) 和 QoE 指标为特征；然后，我们接受了在采用 AI 系统解决 QoE 预测任务时可信度的热门挑战。我们展示了如何有效利用可解释人工智能 (XAI) 模型（即决策树）来解决预测问题。最后，我们将联邦学习确定为隐私保护协作模型训练的合适范例，并从算法和 6G 网络支持的角度概述了相关挑战。
从脑电图信号识别数字
给定一个从一个人思考/看到从 0 到 9 的数字时记录的多通道 EEG 信号，我们能否识别出用户是否在思考某个特定的数字？这是本研究试图解决的基本问题。然而，这个问题并不简单，而且预计会更具挑战性，因为对这类数据集的研究很少。从机器学习的角度来看，这个问题可以表述为分类问题（二分类和多类）。此外，EEG 信号可以被视为多元时间序列数据，其中不同的通道相当于各种时间序列变量。所以问题归结为多元时间序列分类。根据 [1] 和 [2]，随着深度学习在 BCI 中的引入，从 2015 年到 2020 年，出版物数量急剧增加。这意味着深度学习在基于 EEG 的 BCI 中的应用是社区越来越感兴趣的话题。
在神经影像学数据中建立大脑状态
脑状态的定义仍然难以捉摸，从麻醉中的觉醒水平到本性神经元的活性，脑电图中的电压和fmri的血流，都在不同的子场上进行了不同的解释。这种缺乏共识给精确的神经动力学模型的发展带来了重大挑战。然而，在动态系统理论的基础上，定义了系统的“状态”，即对系统未来的规范。在这里，我们建议通过将动态因果建模（DCM）应用于静止和任务状况fMRI数据的低维嵌入，以在神经影像学的时间表中建立大脑状态。我们发现，在休息条件下约90％的受试者是通过一阶模型更好地描述的，而在任务条件下约55％的受试者可以通过二阶模型更好地描述。我们的工作质疑几乎完全在计算神经科学中使用一阶方程的现状，并在神经成像数据集中提供了一种建立大脑状态及其相关相位空间表示的新方法。
利用机器学习解码颅内脑电图
颅内脑电图 (iEEG) 和神经生理学的进步使得人们能够以高保真时间和空间分辨率研究以前无法接近的大脑区域。对 iEEG 的研究揭示了丰富的神经代码，这些代码服务于健康的大脑功能，但在疾病状态下会失效。机器学习 (ML) 是一种人工智能，是一种现代工具，可以更好地解码复杂的神经信号并增强对这些数据的解释。迄今为止，许多出版物已将 ML 应用于 iEEG，但临床医生对这些技术及其与神经外科的相关性的认识有限。本研究回顾了 ML 技术在 iEEG 数据中的现有应用，讨论了各种方法的相对优点和局限性，并研究了神经外科临床转化的潜在途径。从 3 个数据库中确定了 107 篇研究人工智能在 iEEG 中的应用的文章。这些文章中的 ML 临床应用分为 4 个领域：i) 癫痫发作分析、ii) 运动任务、iii) 认知评估和 iv) 睡眠分期。审查显示，监督算法在研究中最常用，并且经常利用公开可用的时间序列数据集。我们最后提出了未来工作和潜在临床应用的建议。
基于具有高内存能力的串联耦合微孔谐振器
摘要：已经提出了片上微区谐振器（MRR）来构建时间延迟的储层计算（RC），该计算提供了有希望的配置，可用于具有高扩展性，高密度计算和易于制造的计算。但是，单个MRR不足以为具有多种内存要求的计算任务提供足够的内存。MRR通过光学反馈波导满足了巨大的记忆需求，但以其较大的足迹为代价。在结构中，超长的光学反馈波导实质上限制了可扩展的光子RC集成设计。在本文中，提出了一个时间删除的RC，该RC是通过利用基于硅的非线性MRR与一系列线性MRRS结合使用的。这些线性MRR具有高质量的因素，为整个系统提供了足够的存储能力。我们在具有多种内存要求的三个经典任务上进行定量分析和评估拟议的RC结构的性能，即Narma 10，Mackey-Glass和Santa Fe Chaiotial Chaotion Chaoticerseries的预测任务。在处理NARMA 10任务时，提出的系统具有超长的基于波导的系统，具有与MRR相当的性能，这需要大量的内存能力。尽管如此，与具有基于光反馈波导的系统的MRR中超长的反馈波导相比，这些线性MRR的总长度明显小于三个数量级。这种结构的紧凑性对光子RC的可伸缩性和无缝整合具有重要意义。
英国的电力能力和1920年至2020年之间的燃料发电
•1920年，英国发电能力仅为2.5 gw。在接下来的100年中，容量大幅增加，到2020年，总安装容量为101.1 GW，在此期间，总安装容量增加了41倍。•最快的变化发生率发生在1955年至1975年之间，当时英国平均每年获得近2.5 gW的能力。•从1970年代开始，英国的能力组合开始发生了很大变化。煤炭能力在过去的几十年中占主导地位，但1970年代将多样化为石油和核能。在1990年代，能源行业的私有化以及随后的“天然气破折号”导致燃煤能力首次降至总容量的50％以下。2000年以后，风和太阳能是发电能力最快的形式。•到2020年，燃煤能力已低于1930年的水平。•很像容量，从1920年开始，发电量稳定增长，并且在类似时期内的变化速度最快，从1950年到1970年迅速增长。发电量在2005年达到顶峰，此后提高了效率，导致了下降的产生。•生成遵循与容量相似的趋势，煤炭占据了早期时期，直到1950年代中期。发电混合物的多样化发生在1970年代开始，到了时期结束时，气体已成为一代中使用的主要燃料类型。•主要历史事件，例如矿工在1970年代和1980年代的罢工，在时间表中显然很明显，以及1990年代向天然气发电的转变，证明了英国能源产生部门对外部环境的反应。