XiaoMi-AI文件搜索系统
World File Search SystemUnsupervised
远程和无监督的数字记忆评估可以可靠地检测到阿尔茨海默氏病的认知障碍
图1：研究方案的时间表。参与者参加了对对象和场景（MDT-OS）和室内室内对象任务（ORR）的助记符歧视任务的每两周远程和无监督的记忆评估的12个月研究。在初次临床课程中，他们同意，简要介绍，在他们的电话使用情况下回答了简短的问卷，并完成了第一个任务。每隔第二周，他们都会接受一个简短的培训课程，然后进行各自任务的第1阶段：编码ORR，以及MDT-OS的1背包任务。完成第1阶段后，在下一阶段可用时会通知它们，如果不便，可以直接执行或推迟。也就是说，MDT-OS的最小延迟为24小时，ORR的最小延迟为60分钟，但通常会被参与者扩展。第2阶段由ORR的检索和MDT-OS的2-BACK任务组成。随后是关于集中精力，整个任务的主观难度的评分。
两种方法的故事：揭示GAN的局限性和贝叶斯网络的综合网络交通生成
T细胞受体（TCR）及其同源表位之间结合的准确预测是理解适应性免疫反应和发展免疫疗法的关键。当前方法面临两个显着的局限性：全面的高质量数据的短缺以及通过选择监督学习方法中常用的负面培训数据引起的偏见。我们提出了一种基于变压器的方法，用于相互作用的肽和T细胞受体（Tulip）的方法，该模型通过利用不完整的数据和无监督的学习以及使用语言模型的变压器体系结构来解决这两个限制。我们的模型具有灵活性，并整合了所有可能的数据源，无论其质量或完整性如何。我们证明了先前有监督方法中使用的抽样程序引入的偏差的存在，强调了不受监督的方法的需求。郁金香识别表位的特定TCR结合，在看不见的表位上表现良好。我们的模型优于最先进的模型，并为开发更准确的TCR表位识别模型提供了有希望的方向。
健康大脑项目中的无监督认知评估：对基于网络的阿尔茨海默病风险个人登记的影响
1. Jack CR, Jr.、Knopman DS、Jagust WJ 等人。阿尔茨海默病病理级联动态生物标志物的假设模型。Lancet Neurol。2010；9：119-128。2. Langbaum JB、Fleisher AS、Chen K 等人。开启临床前阿尔茨海默病的研究和治疗。Nat Rev Neurol。2013；9(7)：371-381。3. Sperling RA、Aisen PS、Beckett LA 等人。定义阿尔茨海默病的临床前阶段：美国国家老龄研究所-阿尔茨海默病协会工作组关于阿尔茨海默病诊断指南的建议。Alzheimers Dement。 2011；7：280-292。4. Insel PS、Weiner M、Mackin RS 等人。确定临床前阿尔茨海默病中具有临床意义的衰退。神经病学。2019；93：322-333。5. Buckley RF、Mormino EC、Amariglio RE 等人。性别、淀粉样蛋白、APOE ε 4 与临床前阿尔茨海默病中的认知衰退风险：来自三个特征明确的队列的发现。阿尔茨海默病痴呆症。2018；14：1193-1203。6. Ellis KA、Bush AI、Darby D 等人。澳大利亚衰老成像、生物标志物和生活方式 (AIBL) 研究：阿尔茨海默病纵向研究中招募的 1112 名个体的方法和基线特征。 Int Psychogeriatr。2009；21：672-687。7. Petersen RC、Aisen PS、Beckett LA 等人。阿尔茨海默病神经影像学计划（ADNI）：临床特征。神经病学。2010；74：201-209。8. Bauer RM、Iverson GL、Cernich AN、Binder LM、Ruff RM、Naugle RI。计算机化神经心理学评估设备：美国临床神经心理学学会和美国国家神经心理学学会联合立场文件。临床神经心理学史。2012；27：362-373。9. Feenstra HEM、Vermeulen IE、Murre JMJ、Schagen SB。在线认知：促进可靠的在线神经心理学测试结果的因素。临床神经心理学。 2017；31：59-84。10. Rolbillard JM、Illes J、Arcand M 等人。阿尔茨海默病英语在线测试的科学性和伦理性特征。阿尔茨海默病。2015；1：281-288。11. Weiner MW、Nosheny R、Camacho M 等人。脑健康登记处：一个基于互联网的平台，用于招募、评估和纵向监测神经科学研究参与者。阿尔茨海默病。2018；14(8)：1063-1076。12. Feenstra HEM、Vermeulen IE、Murre JMJ、Schagen SB。在线认知：促进可靠的在线神经心理学测试结果的因素。临床神经心理学。2016；31：59-84。 13. Crump MJ、McDonnell JV、Gureckis TM。评估亚马逊的 Mechanical Turk 作为实验行为研究工具的作用。PLoS One。2013；8(3)：e57410。
使用机器学习对硬件椭圆曲线标量乘法进行非剖析无监督水平迭代攻击
摘要：虽然物联网技术使工业、城市和家庭变得更加智能，但它也为安全风险打开了大门。有了合适的设备和对设备的物理访问，攻击者可以利用旁道信息（如时序、功耗或电磁辐射）来破坏加密操作并提取密钥。这项工作对椭圆曲线标量乘法运算的加密硬件加速器进行了旁道分析，该加速器在现场可编程门阵列和专用集成电路中实现。所提出的框架包括使用最先进的统计水平攻击进行初始密钥提取，然后是正则化的人工神经网络，它将水平攻击中部分错误的密钥猜测作为输入并迭代地纠正它们。通过应用迭代学习，水平攻击的初始正确率（以正确提取的密钥位的分数来衡量）从 75% 提高到 98%。
BunCho：通过无监督多任务学习，AI 支持故事共同创作，以提高日语作家的创造力
与人工智能 (AI) 共同创作是即将到来的趋势。然而，对于日本小说家系统的构建关注较少。在本研究中，我们构建了“BunCho”，一个由人工智能支持的日语故事共同创作系统。BunCho 的人工智能是 GPT-2（一种无监督的多任务语言模型），使用大量日语网络文本和小说数据集进行训练。使用 BunCho，用户可以从关键字生成标题和概要。此外，我们提出了一个交互式故事共同创作人工智能系统作为桌面角色扮演游戏。根据对作家（N=16）和读者（N=32）的总结性研究，69% 的作家更喜欢用 BunCho 写故事梗概，客观评价中至少有五个常见指标中的一个得到了提高，包括创造力。此外，63% 的作家表示 BunCho 拓宽了他们的故事范围。BunCho 指明了帮助日本小说家创作高水平和创造性作品的途径。
通过无监督的机器学习快速生成储层模型，这与地震，井和地层概念一致
评估地下储层连接的方案对于整个项目生命周期的现场耗竭计划，生产历史匹配和现场管理至关重要。连通性场景受到地质特征（例如挡板和高渗透率条纹）的存在挑战，这些条纹低于地震成像的分辨率。在这里，我们提出了一种新颖的，综合的和快速的无监督的机器学习方法，用于构建具有地震分辨率的一套储层模型，这些模型与地震数据，井原木和地层概念一致。首先，我们使用称为方向扩散的良好计算机图形方法将井的日志（垂直或横向）与地震倒的Vclay和孔隙率集成在一起。我们使用无监督的机器学习方法（称为扩散概率建模（DPM））对机器学习模型进行训练。一旦受过训练，该方法就会生成一套允许的地质场景（模型），具有替代分辨率的特征，这些特征是由基于地层概念的输入训练图像指导的，并且与地震和良好的日志数据一致。以后，我们将推断的方案采样到储层模型中，该场景允许以显着改善分辨率的流量模拟。对生产模型集的储层模拟在其动态性能上显示出显着差异，尽管如此，与地震和井原木等地面真相数据保持一致。这种方法的结果通过空间有限的数据分辨率对地下储层表征产生更广泛的影响，尤其是通过添加亚观察地质特征来加速和整合储层模型的过程。
一个有效的无监督分类模型，用于银河形态：基于Convnext大型模型的编码的投票聚类
通过将无监督和监督的机器学习方法结合起来，我们提出了一个称为Usmorph的框架，以进行星系形态的自动分类。在这项工作中，我们通过提出基于Convnext大型模型编码的算法来更新无监督的机器学习（UML）步骤，以提高未标记的星系形态分类的效率。该方法可以概括为三个关键方面，如下所示：（1）卷积自动编码器用于图像降级和重新冲突，并且模型的旋转不变性通过极性坐标扩展提高； （2）利用名为Convnext的预训练的卷积神经网络（CNN）来编码图像数据。通过主体组合分析（PCA）维度降低进一步压缩了这些特征； （3）采用基于装袋的多模型投票分类算法来增强鲁棒性。，我们将此模型应用于宇宙场中的i -band样品的i -band图像。与原始的无监督方法相比，新方法所需的聚类组的数量从100减少到20。最后，我们设法对大约53％的星系进行了分类，从而显着提高了分类效率。为了验证形态层化的有效性，我们选择了M ∗> 10 10m⊙的大型星系进行形态学参数测试。分类结果与星系在多个参数表面上的物理特性之间的相应规则与现有演化模型一致。增强的UML方法将来将支持中国空间站望远镜。我们的方法证明了使用大型模型编码对星系形态进行分类的可行性，这不仅提高了星系形态分类的效率，而且还节省了时间和人力。此外，与原始UML模型相比，增强的分类性能在定性分析中更为明显，并且成功超过了更多的参数测试。
空间基因表达中无监督的模式发现地图集揭示了小鼠脑区域超出了本体学
大规模空间基因表达数据的增长需要新的计算工具，以在其天然空间环境中提取基因表达的主要趋势。在这里，我们将一个不受监督和可解释的计算框架描述为（1）通过插入缺失的体素的插入的预处理的3D空间基因表达数据集，（2）使用稳定性驱动的非阴性矩阵分解区域的3D空间基因表达曲线的主要模式（PPS），并[stanmf）技术和（stanmf）技术和（stanmf）技术和（3）本体论。该框架，称为OSNMF（通过Stanmf发现），识别纯粹来自艾伦小鼠脑图中数千个3D空间基因表达谱的PPS。这些3D PPS具有小鼠大脑的稳定和空间相干区域，可能没有人工和偏见。我们证明，OSNMF PPS提供了与专家通知的大脑区域的组合高度相关的新大脑模式，同时还纯粹基于基于空间基因表达数据的唯一本体论。与主成分分析（PCA）和其他聚类算法相比，我们的PPS具有更好的空间连贯性，更准确地匹配专家标签，并且在多个自举模拟中更稳定。我们还使用OSNMF来定义标记基因并建立推定的空间基因相互作用网络。我们的发现突出了OSNMF迅速从大量空间基因表达数据中迅速生成新的地图集的能力，而没有监督并发现了使用常规手动方法很难辨别的大脑区域之间的新型关系。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
新的表型发现方法通过无监督的深度表示学习使脑成像的遗传关联研究
了解大脑结构的遗传结构是具有挑战性的，部分原因是在设计牢固的，无偏见的脑形态描述符时遇到了困难。直到最近，全基因组关联研究（GWAS）的大脑测量由传统的专家定义或软件衍生的图像衍生的表型（IDP）组成，这些表型（IDP）通常基于理论先入为主或根据有限数据计算。在这里，我们提出了一种使用无监督的深度表示学习来得出大脑成像表型的方法。我们在6,130英国生物库（UKBB）参与者的T1或T2-Flair（T2）脑MRIS上训练3D卷积自动编码器模型，以重建损失，以创建一个128维表示，称为内类型（Endos）。gwas在UKBB受试者中（n = 22,962发现和n = 12,848/11,717的T1/T2的复制队列）确定了658个涉及43个独立位点的显着复制变体 - 内对。在以前的T1和T2 IDP Biobank GWAS中没有报道13个基因座。我们开发了一种基于扰动的解释方法，以表明这些基因座与映射到多个相关大脑区域的胚胎相关。我们的结果确定了无监督的深度学习可以从成像数据中得出鲁棒，无偏，可解释的和可解释的内表型。