摘要知识表示和推理的计算机科学领域(KRR)旨在像人类一样有效地理解,推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力,例如抽象概念学习,将人工神经网络(ANN)与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如,神经张量网络(NTN)是神经网络模型,能够将符号表示为矢量空间,在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络(LTN)中使用时,它们能够将一阶逻辑符号(例如常数,事实和规则)嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是,高阶学习并不是人类大脑的独有性。昆虫,例如果蝇和蜜蜂,可以解决简单的关联学习任务,并学习抽象概念,例如“相同”和“差异”,这被视为高阶认知功能,通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持,即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果,我们提出了一个随机加权的特征网络(RWFN),该特征网络将随机绘制的未经训练的权重纳入编码器,该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影,该神经网络在RWFN中模仿,该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式,RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较,用于语义图像解释(SII)任务,这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明,与LTN相比,RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能,同时使用更少的可学习参数(1:62比例)和更快的学习过程(1:2的运行速度比率)。此外,我们表明,由于随机权重不取决于数据,因此有几个解码器可以共享一个随机编码器,从而使RWFN具有独特的空间量表经济体,用于同时分类任务。
由于评估标准多重且相互交织,而且未经证实的新技术本身具有不确定性,因此很难评估 NASA 的先进技术项目。传统的多标准决策模型往往忽略了评估过程中的相互依赖性和不确定性。我们提出了一种模糊加权影响非线性量规系统 (WINGS) 来评估肯尼迪航天中心 (KSC) 的先进技术项目。WINGS 方法使用表意因果图来揭示复杂问题中相互交织的标准及其因果关系。模糊集理论是一种有效的方法,它使用模糊逻辑来模拟定义不明确的问题中的不确定性。本研究提出的模糊 WINGS 方法通过识别依赖关系 (影响) 的方向及其强度以及评估标准的强度来揭示评估标准之间的相互依赖关系。模糊判断用于应对未经测试的新技术中的不确定性。传统的 WINGS 方法不考虑解空间中的参考点。为此,我们引入了理想解和最低点解的概念,这是 WINGS 的新概念,根据备选方案与理想解(或最低点解)之间的欧几里得距离对备选方案进行排序。最后,我们提出了一个案例研究,根据六个相互交织的标准和 38 个子标准对 KSC 的十个先进技术项目进行评估,以证明本研究提出的新模糊 WINGS 方法的适用性。
摘要:磁共振成像 (MRI) 是一种利用强磁场产生人体各部位图像的成像技术。通常进行的检查是脑部检查。这项研究是在巴厘岛曼达拉医院进行的。为了了解大脑的状况,可以进行 MRI 检查。MRI 可以产生称为序列的图像,这些序列产生 T1 加权图像 (T1WI)、T2 加权图像 (T2WI),从而产生具有不同强度的可见图像。为了获得 T2WI,时间回波 (TE) 和时间重复 (TR) 必须很长,以使脂肪和水有机会衰减,这样脂肪和水的对比度才能很好地显现出来。这项研究旨在确定 TR 变化对 SNR 值的影响,并确定最佳 TR 以产生良好的图像值。在脑部 MRI 上生成 T2WI SNR。这个街头小贩活动使用了 Phillips 1.5 特斯拉型 MRI 飞机。数据收集自20名患者,TR值有3种变化,分别为3,500毫秒、5,500毫秒和7,500毫秒,总共获取了60张图像。通过直接在MRI设备上测量ROI来评估组织SNR值。对脑脊液(CSF)组织、脊髓进行SNR值分析。依次获得的SNR值在CSF组织中为174.24、211.22和244.51,在脊髓组织中为78.53、80.64和84.81。这个街头小贩活动表明,给出的TR值越长,SNR值就会增加。这是因为长TR值能够在更多切片中评估网络并提供更好的噪声信号值。7,500毫秒的TR变化可以产生最高的SNR值,从而得到的图像非常好。
摘要知识表示和推理的计算机科学领域(KRR)旨在像人类一样有效地理解,推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力,例如抽象概念学习,将人工神经网络(ANN)与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如,神经张量网络(NTN)是神经网络模型,能够将符号表示为矢量空间,在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络(LTN)中使用时,它们能够将一阶逻辑符号(例如常数,事实和规则)嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是,高阶学习并不是人类大脑的独有性。昆虫,例如果蝇和蜜蜂,可以解决简单的关联学习任务,并学习抽象概念,例如“相同”和“差异”,这被视为高阶认知功能,通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持,即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果,我们提出了一个随机加权的特征网络(RWFN),该特征网络将随机绘制的未经训练的权重纳入编码器,该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影,该神经网络在RWFN中模仿,该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式,RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较,用于语义图像解释(SII)任务,这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明,与LTN相比,RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能,同时使用更少的可学习参数(1:62比例)和更快的学习过程(1:2的运行速度比率)。此外,我们表明,由于随机权重不取决于数据,因此有几个解码器可以共享一个随机编码器,从而使RWFN具有独特的空间量表经济体,用于同时分类任务。
摘要。动态治疗方案(DTR)是一种提供精确药物的方法,该方法使用患者特征来指导治疗方法以实现最佳健康结果。已经提出了许多用于DTR估计的方法,包括动态加权的普通最小二乘(DWOLS),这是一种基于回归的方法,在易于实现的分析框架内具有双重鲁棒性来模拟模型错误指定。最初,DWOL方法是在连续结果和二元治疗决策的假设下开发的。是在临床研究的激励下,随后的理论进步扩大了DWOLS框架,以解决各种结果类型的二元,连续和多酸性处理,包括二进制,连续和生存类型。但是,某些方案仍未开发。本文总结了DWOLS方法的扩展和应用的最后十年,对原始DWOLS方法及其扩展进行了全面而详细的审查,并突出了其多样化的实际应用。我们还探讨了已经解决了与DWOL实施相关的挑战的研究,例如模型验证,可变选择和处理测量错误。使用模拟数据,我们提出了数值插图以及在R环境中的分步实现,以促进对基于DWOL的DTR估计方法的更深入的了解。
已经对用于调整磁共振成像(MRI)参数的技术进行了研究,以获取具有更好特征的图像。在这项研究中,我们旨在通过使用用户友好的MRILAB模拟程序来调整翻转角度,激发次数(NEX)和带宽(BW)来确认人脑T2加权图像的最佳参数值。我们还考虑了噪声水平和相似性评估参数。根据结果,随着NEX的增加和BW的降低为90°,噪声水平和相似性评估得到了改善,而它们的最佳状态不太最佳,而不是90°的翻转角度。发现过多的参数变化会在此类图像中引起额外的噪声和伪影,从而导致图像清晰度恶化。因此,我们确认设置适当的参数在磁共振图像采集中至关重要。
。CC-BY-NC-ND 4.0 国际许可证下可用(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 3 月 2 日发布。;https://doi.org/10.1101/2023.03.01.530710 doi:bioRxiv 预印本
背景:扩张型心肌病 (DCM) 是收缩性心力衰竭的主要原因之一,常具有遗传因素。DCM 发病和进展的分子机制仍不清楚。本研究旨在寻找新的诊断生物标志物,以辅助治疗和诊断 DCM。方法:探索基因表达综合 (GEO) 数据库,提取两个微阵列数据集 GSE120895 和 GSE17800,随后将它们合并为一个队列。在 DCM 组和对照组中分析差异表达基因,然后进行加权基因共表达网络分析以确定核心模块。通过基因显着性 (GS) 和模块成员资格 (MM) 值识别核心节点,并通过 Lasso 回归模型预测四个枢纽基因。在数据集 GSE19303 中进一步验证四个枢纽基因的表达水平和诊断价值。最后,确定了潜在的治疗药物和调节基因的上游分子。结果:绿松石模块是 DCM 的核心模块。鉴定出四个枢纽基因:GYPC(糖蛋白C)、MLF2(髓系白血病因子2)、COPS7A(COP9信号体亚基7A)和ARL2(ADP核糖基化因子类GTPase 2)。随后,通过实时定量PCR(qPCR)检测,枢纽基因在数据集和验证模型中的表达均存在显著差异。还鉴定出四种潜在的调节剂和七种化学物质。最后,成功进行了基因编码蛋白与小分子药物的分子对接模拟。结论:结果表明ARL2、MLF2、GYPC和COPS7A可能是DCM的潜在基因生物标志物。
本文介绍了一种解决离散优化 NP 难问题的新方法,该方法适用于实现硬件量子退火的量子处理器 (QPU,Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限,使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法,其值在量子机的 QPU 上计算。反过来,为了确定上限,我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的,但本文提出的混合算法构建方法交替使用 CPU 和 QPU,保证了最佳解决方案。作为案例研究,我们考虑 NP 难单机调度问题,最小化延迟作业的加权数量。进行的计算实验表明,在解决方案树的根部已经获得了最优解,并且下限和上限的值仅相差百分之几。
摘要:本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU),用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一,该问题会对分类算法的性能产生不利影响。首先,通过从少数类观测值中合成数据点来平衡训练数据集。其次,使用贪婪搜索方法选择最小基因子集。第三,引入一种新的加权稳健评分,其中权重由支持向量计算,以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合,形成最终的基因集。即使在类别分布倾斜的情况下,新方法也能确保选择最具判别性的基因,从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标,将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果,还绘制了箱线图和稳定性图。结果表明,所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。