XiaoMi-AI文件搜索系统
World File Search SystemUnsupervised
基于结构正规化的歧视性多视图无监督特征选择
多视图无监督的特征选择（MUFS）最近引起了相当大的关注，可以从原始的多视图数据中选择紧凑的代表性特征子集。尽管有希望的初步性能，但大多数以前的MUFS方法都无法探讨多视图数据的歧视能力。此外，他们通常使用光谱分析来维持几何结构，这将不可避免地增加参数选择的难度。为了解决这些问题，我们提出了一种新颖的MUFS方法，称为基于结构正规化的歧视性多视图无监督特征选择（SDFS）。具体来说，我们从不同视图中计算样本空间的相似性矩阵，并自动加权每个视图特定图表以学习共识相似性图，其中这两种类型的图形可以相互促进。此外，我们将学习的潜在表示为群集指标，并在没有引入其他参数的情况下采用图形正则化来维护数据的几何结构。此外，开发了具有理论收敛属性的简单而有效的迭代更新算法。在几个基准数据集上进行的广泛实验验证了该设计的模型是否优于几种最新的MUFS模型。©2023 Elsevier B.V.保留所有权利。
通过生成伪标签
密集的检索方法在多语言信息检索中表现出了有希望的表现，其中查询和文档可以使用不同的语言。然而，密集的检索器通常需要大量的配对数据，这在多语言方案中带来了更大的挑战。本文介绍了UMR，这是一个未经任何配对数据的训练的ultialual ultilitual contriever r etriever。我们的方法利用了多语言语言模型的序列估计功能，以获取用于培训密集猎犬的伪标签。我们提出了一个两阶段的框架，该框架迭代地改善了多语言密集猎犬的功能。两个基准数据集的实现结果表明，UMR的表现优于监督的基线，展示了训练Mul-listingual语言检索器而没有配对数据的潜力，从而增强了其实用性。1
慢性荨麻疹的人工智能：无监督与监督机器学习
通过未标记数据生成新聚类更有帮助，但添加标记数据可能会进一步提供 CU 中的精确信息。此外，添加经过验证的评分数据，例如 UAS7（荨麻疹活动评分）和 UCT（荨麻疹控制测试），确实会
无监督机器学习在自闭症谱系障碍研究中的应用：综述
自从精神病学家 Leo Kanner 于 1943 年首次对自闭症做出临床描述以来，在过去的 75 年里，自闭症的定义和分类已经发生了变化。2013 年，最新修订的《精神障碍诊断和统计手册》（第五版，即 DSM-5）对自闭症的诊断标准进行了修订。虽然多年来自闭症的定义已经扩展到包括阿斯伯格综合症和雷特综合症，但这次新修订将自闭症明确定义为一种谱系（美国精神病学协会，2013 年）。随着自闭症或现在的自闭症谱系障碍 (ASD) 定义的变化，我们对 ASD 的理解也必须随之发展和成长。随着自闭症扩展为一个谱系，我们需要更好地了解个体在该谱系中的哪个位置。从行为、遗传或心理方面定义这些表型是至关重要的。
无监督机器学习揭示胶质母细胞瘤肿瘤细胞的风险分层
摘要 癌症研究的一个目标是揭示与持续临床结果相关的细胞亚群，以产生新的治疗和生物标志物假设。我们引入了一种机器学习算法，即风险评估群体识别 (RAPID)，该算法是无人监督和自动化的，可识别表型不同的细胞群，并确定这些群体是否分层患者生存。利用来自 28 个胶质母细胞瘤的 200 万个细胞的试点质谱流式细胞术数据集，RAPID 识别出其丰度独立且连续地分层患者生存的肿瘤细胞。工作流程中的统计验证包括重复运行随机步骤和细胞子采样。生物学验证使用正交平台、免疫组织化学和 73 名胶质母细胞瘤患者的更大队列来确认试点队列的发现。RAPID 还使用已发表的血癌数据进行了验证，以找到已知的风险分层细胞和特征。因此，RAPID 提供了一种自动化、无人监督的方法，可使用来自患者样本的流式细胞术数据来查找具有统计学和生物学意义的细胞。
具有不同粒子数量的系统的动力学
在这项工作中，我们提出了一种新的方法，用于使用AutoCododer（AE）（AE）（一种未加权的机器学习技术，具有最少的先验知识）来识别一维量子多体系统中的量子相变。AES的训练是通过在整个驱动参数的整个范围内通过精确的对角线化（ED）获得的减少密度矩阵（RDM）数据进行的，因此不需要对相图的事先了解。使用这种方法，我们通过跟踪AE的重建损失的变化，成功地检测了具有多种类型的多种相变的广泛模型中的相变。AE的学习表示表示，以表征不同量子相的物理现象。我们的方法论展示了一种新的方法，可以使用最少的知识，少量所需数据研究量子相变，并产生量子状态的压缩代表。
通过无监督学习以最少的先验知识识别量子相变
在本研究中，我们提出了一种新方法，使用自动编码器 (AE)（一种无监督机器学习技术）在极少先验知识的情况下识别一维量子多体系统中的量子相变。AE 的训练是使用通过精确对角化 (ED) 在整个驱动参数范围内获得的约化密度矩阵 (RDM) 数据进行的，因此不需要相图的先验知识。使用此方法，我们通过跟踪 AE 重构损失的变化，成功地检测到了具有多种不同类型相变的广泛模型中的相变，包括拓扑和 Berezinskii-Kosterlitz-Thouless 相变。学习到的 AE 表示用于表征不同量子相背后的物理现象。我们的方法展示了一种研究量子相变的新方法，只需极少的知识和少量所需数据，并生成量子态的压缩表示。
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。
足球运动员的心率变异性和无监督的机器学习的应用
目的：本研究旨在研究足球运动员中心率变异性（HRV）参数（HRV）参数之间的关系。方法：本研究使用横截面设计来评估18至20岁的29名男运动员的HRV参数，从亚马逊地区的Macapá体育俱乐部团队随机选择。在保持正常呼吸的同时保持正常呼吸的同时保持正常呼吸，并以1,000 Hz的采样率进行了记录，以kubios hrv软件来提取时间域：正常窦间隔的平均值（MRR），正常窦（NN）间隔的标准偏差（sdnn）的标准偏差（sdnn）的平均值，均值（sdnn）的标准偏差（sdnn）的标准偏差（sdnn），均值（sdnn）的平均值（sdnn nnnnnn）。连续正常鼻窦间隔的变化超过50 ms（PNN50），频域：低频（LF），高频（HF）和LF/HF比率参数。然后，使用主成分（PC）提取和Varimax旋转对因子分析进行分析。应用对数转换[通过对数转换（LF/HF Normlog）的归一化LF/HF]，用于在因子分析之前解决此非正常性。结果：前两辆PC显示，总方差的87.4％是由原始变量解释的。LF（–0.93），HF（0.93）和LF/HF Normlog（–0.92）参数对PC1有显着贡献，也称为频域分量。相比之下，MRR（0.60），SDNN（0.91），RMSSD（0.89）和PNN50（0.79）参数对PC2有效，也称为时域分量。结论：本研究提供了影响足球运动员HRV参数的自主因素之间复杂关系的宝贵证据。识别与交感神经和副交感活动有关的两台不同的PC突出了监测HRV以优化性能和恢复的重要性。机器学习对于监测控制足球运动HRV的可能分子机制的这些变化很重要。
初次接触：通过相互信息最大化实现无监督的人机协同适应
在没有事先映射、无法要求用户以动作标签或奖励反馈的形式进行监督、也不事先了解用户试图完成的任务的情况下，我们如何训练辅助人机界面（例如基于肌电图的肢体假肢）将用户的原始命令信号转化为机器人或计算机的动作？本文的关键思想是，无论任务是什么，当界面更直观时，用户的命令噪音更小。我们将这个想法形式化为优化界面的完全无监督目标：用户命令信号与环境中诱导状态转换之间的相互信息。为了评估这个相互信息分数是否可以区分有效和无效界面，我们对 540K 个用户操作各种键盘和眼神注视界面（用于打字、控制模拟机器人和玩视频游戏）的示例进行了大规模观察性研究。结果表明，我们的相互信息分数可以预测各种领域的实际任务完成情况指标，平均 Spearman 等级相关系数为 ρ = 0.43。除了对现有界面进行离线评估之外，我们还使用无监督目标从头开始学习界面：我们随机初始化界面，让用户尝试使用界面执行他们想要的任务，测量相互信息分数，然后更新界面以通过强化学习最大化相互信息。我们通过一项小规模用户研究来评估我们的方法，该研究有 12 名参与者，他们使用受扰鼠标执行 2D 光标控制任务，并且让一名专家用户使用网络摄像头捕捉到的手势玩月球着陆器游戏。结果表明，我们可以从头开始学习界面，无需任何用户监督或任务的先验知识，只需不到 30 分钟的人机协同训练。