XiaoMi-AI文件搜索系统
World File Search SystemUGD
首席信息官-AUGD-AGS-8。......
职位描述和规范 职位头衔：首席信息官 职等：AUGD/AGS 8 职位编号：64305 部门/单位：企业服务/信息技术部门 报告对象：企业服务部主任 AUGD/AGS 9 直接报告：ICT 基础设施主任 AUGD/AGS 7 信息安全主任 AUGD/AGS 7 网络管理员 AUGD/AGS 6 信息技术官员 AUGD/AGS 5 本文件经验证为准确、真实的职位描述，如下所示： ______________________ _____________________________ 员工日期 ________________________________ _____________________________ 部门/司司长日期 ______________________ _______________________________ 收到人力资源司日期
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。