XiaoMi-AI文件搜索系统
World File Search SystemVAE
通过逆问题的VAE的混合模型进行多种学习
用生成模型代表一系列非常高维数据在实践中已显示出非常有效的计算。但是，这要求数据歧管允许全局参数化。为了代表任意拓扑的多种流形，我们建议学习变分自动编码器的混合模型。在这里，每个编码器对代表一个歧管的一个图表。我们提出了一个模型权重估计的最大似然估计的损失函数，并选择一个为我们提供图表及其倒置的分析表达的体系结构。一旦学习了流形，我们就将其用于解决逆问题，通过最大程度地减少到学习歧管的数据实现项。为了解决最小化的问题，我们提出了在学习歧管上的riemannian梯度下降算法。我们证明了用于低维玩具示例的方法，以及某些图像歧管上的脱张和电阻抗层造影。关键字：多种学习，混合模型，变异自动编码器，Riemannian优化，反问题
ci-vae：一种用于类的生成深度学习模型 -
摘要 - 我们提出了一种新的变异自动编码器（VAE），类融合的VAE（CI-VAE）的变体，该变体可以在同一类的任意观察对之间进行相互关系。ci-vae在潜在空间上将一般VAE架构与线性歧视层结合在一起，以实施潜在空间的构造，在该空间中，来自不同类别的观测值是线性分离的。这允许在同一类的两个任意观察之间进行强大的潜在线性遍历和数据生成，该观察在科学和工程中具有潜在的应用。一种特定的应用是增强对涉及健康细胞疾病或癌症的生物学过程的理解。我们证明了CI-VAE在手写数字的MNIST数据集上的有效性，这表明它显着提高了类别的类别线性遍历和与VAE相比的vae，同时保持了可比的重建错误。我们还将CI-VAE应用于结肠癌单细胞基因组学数据的研究，表明使用CI-VAE在正常细胞和肿瘤细胞之间插值可能会增强我们对癌症发展机制的理解。
呼吸道合胞病毒疫苗给药疫苗给孕妇和幼儿<2岁<2岁时，向Vaers报告了2023 - 2024年的RESSI
* VAERS报告被归类为严重（基于FDA联邦法规标题21），如果有以下任何报告：住院，住院延长，危及生命的疾病，永久残疾，先天性异常或出生缺陷或死亡或死亡。https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfcfr/cfrsearch.cfm?fr
使用TVAE和CTGAN生成的表格数据进行了严格的实验分析
摘要 - 合成数据生成研究一直以快速的速度进行，并且时不时地设计了新颖的方法。早些时候，使用统计方法来学习真实数据的分布，然后从这些分布中采样合成数据。生成模型的最新进展导致了复杂的高维数据集的更有效的建模。此外，隐私问题也导致了较小的隐私漏洞风险较小的强大模型的发展。首先，本文对表格数据生成和评估矩阵的现有技术进行了全面调查。其次，它详细阐述了对ART合成数据生成技术的比较分析，特别是针对具有不同数据分布的小型，中和大型数据集的CTGAN和TVAE。它使用定量和定性指标/技术进一步评估综合数据。最后，本文提出了结果，还强调了仍然需要解决的问题和缺点。
一种新型的VAE分子生成模型与变压器结合了未见结构的生成
最近，在药物发现中积极研究了使用深度学习的分子产生。在该领域，变压器和VAE被广泛用作强大的模型，但由于结构和性能不匹配，它们很少被用作组合。本研究提出了一个模型，该模型通过处理多种分子的结构和参数优化结合了这两个模型。所提出的模型显示出与现有模型生成分子相当的性能，并且在具有看不见的结构的产生分子时表现出了较高的性能。该VAE模型的另一个优点是它从潜在的表示中产生分子，因此可以很容易地通过它预测或条件，实际上，我们证明该模型的潜在表示成功地预测了分子特性。消融研究表明，VAE比其他生成模型（如语言模型）在产生新分子方面具有优势。还表明，潜在表示可以缩短为〜32维变量而不会丢失重建，这表明比现有的分子描述符或模型更小。这项研究有望提供一个虚拟化学文库，其中包含多种化合物用于虚拟筛选并实现有效筛选。
机器人操纵任务中的多模式VAE
摘要 - 在这项工作中，我们专注于机器人操纵领域中无监督的视力 - 语言映射。最近，已经为此任务提出了采用预训练的大语言和视觉模型的多种方法。但是，它们在计算上是要求的，需要仔细对产生的输出进行微调。更轻巧的替代方法是实现多模式变量自动编码器（VAE），可以提取数据的潜在特征并将其集成到联合代码中，这主要是在现有最终模型的图像图像或图像图纸上进行的。在这里，我们探讨了是否以及如何在模拟环境中使用多模式的VAE。基于获得的结果，我们提出了一种模型不变训练替代方案，该替代方法将模拟器中的模型性能提高了55％。此外，我们系统地评估了各个任务（例如对象或机器人位置可变性，干扰器数量或任务长度）所提出的挑战。因此，我们的工作也阐明了使用当前的多模式VAE的潜在益处和局限性，以根据视觉和语言对机器人运动轨迹进行无监督学习。索引术语 - 传感器融合，视觉学习，语义场景理解
重新定义游戏：MVAE-DFDPnet 的低维嵌入可实现卓越的药物-蛋白质相互作用预测
摘要 — 准确预测药物-蛋白质相互作用 (DPI) 对于药物发现和推进精准医疗至关重要。该领域的一个重大挑战是表征药物和蛋白质属性及其复杂相互作用的高维和异构数据。在我们的研究中，我们引入了一种新颖的深度学习架构：嵌入级联深度森林 (MVAE-DFDPnet) 的多视图变分自动编码器。该框架熟练地学习药物和蛋白质的超低维嵌入。值得注意的是，我们的 t-SNE 分析表明，二维嵌入可以清楚地定义与不同药物类别和蛋白质家族相对应的聚类。这些超低维嵌入可能有助于增强我们的 MVAE-DFDPnet 的稳健性和通用性。令人印象深刻的是，我们的模型在基准数据集上超越了当前领先的方法，在显着降低的维数空间中发挥作用。该模型的弹性进一步体现在它在预测涉及新型药物、蛋白质和药物类别的相互作用方面的持续准确性。此外，我们还用科学文献中的实验证据证实了几种新发现的 DPI。用于生成和分析这些结果的代码可以从 https://github.com/Macau-LYXia/MVAE-DFDPnet-V2 访问。
rivq-vae：离散旋转不变的3D表示学习
构建局部表面表示最近在3D视觉中引起了很大的关注，从而使复杂的3D形状成为较简单的局部地理序列。受到2D离散代表学习的进步的启发，最近的方法提出了将3D形状分解为常规网格，每个单元格与从可学习的代码簿中采样的离散代码相关联。不幸的是，现有方法忽略了局部刚性自相似性以及与方向可能变化有关的3D几何形状固有的歧义。因此，此类技术需要非常大的代码手册来限制几何和姿势的所有可能变异性。在这项工作中，我们提出了一种新颖的生成模型，该模型通过将local的几何形状紧密地嵌入旋转和翻译不变的manner中来证明产生质量。此策略允许我们的离散代码代码书通过避免本地和全局冗余来表达更大范围的几何结构。至关重要的是，我们通过仔细的体系结构设计表明，我们的方法可以从本地嵌入中恢复有意义的形状，同时确保全球一致性。进行的实验表明，在相似的设置下，我们的方法优于基线方法。
2024 NHSN呼吸机相关事件（VAE）清单
•进行计划内VAE监视是指评估患者是否存在算法中包含的所有事件，从VAC到IVAC到PVAP。目前，进行计划内VAE监视的单位不能决定仅对VAC（而不是IVAC或PVAP）进行监视。•VAE内有一个定义的层次结构：o如果患者符合VAC和IVAC的标准，则报告为IVAC。o如果患者符合VAC，IVAC和PVAP的标准，请报告PVAP。•请勿使用在VAE窗口期之外发生的调查结果升级事件。•如果事件日期（氧合发作日期）已在同意证据证据的证据日期上或之后，并且为了器官捐赠目的而支持患者，则该事件不应报告为VAE。•未报告VAC或IVAC事件的病原体。•未报告VAC或IVAC事件的次级BSI（请参见常见问题11中的11中）。 •可以报告病原体的PVAP事件，前提是根据算法的要求将其隔离或从适当的样品类型中鉴定出来，并且不在排除的有机体和培养物或非文化的微生物测试方法的列表中：o不能以基于基于的有机体和非文化的测试结果：11中的11中）。•可以报告病原体的PVAP事件，前提是根据算法的要求将其隔离或从适当的样品类型中鉴定出来，并且不在排除的有机体和培养物或非文化的微生物测试方法的列表中：o不能以基于基于的有机体和非文化的测试结果：