XiaoMi-AI文件搜索系统
World File Search Systemclustering
群集和叠加的关系之间的关系 -
1。引入统计力学思想和工具在八十年代中期发起的随机优化问题[1]的应用，这是由于发现在约束满意度问题（CSP）的第五年前的相变的重新兴趣所带来的。brie ploge，一个人想决定是否在一组变量（至少）解决一个解决方案上是否会随机绘制的一组约束。当变量的数量在每个变量的约束时以固定比率α的固定比率α，答案突然从（几乎可以肯定的是）是的，是否，当比率越过一些临界值αs时。统计物理研究指出，在YES区域中存在另一种相变[2，3]。一组解决方案从以某种比例αd <αs的比例连接到断开的簇的集合，这是一种在均值式旋转玻璃理论中识别的副本对称性破坏过渡的优化术语的翻译。预计这种聚类过渡可能会产生动态后果。作为副本对称性打破信号的遗传性丧失，采样算法（例如蒙特卡洛程序）在该过渡时遇到问题。在[4]中，对于k -xorsat模型的情况，对MC方案的放缓进行了定量研究，其中约束仅是k布尔变量的线性方程（Modulo 2）（有关简介，请参见[5]和其中的参考文献）。目前的论文是谦虚的然而，发现解决方案原则上应该比抽样容易，并且分辨率算法的性能与表征解决方案空间的静态相变的性质的确切性质远非显而易见[6]。
图像分割 - 基于 - 基于系统的群集 -
计算机视觉的抽象工业应用有时需要检测数字图像中小组像素的非典型物体。这些对象很难单一单，因为它们很小并且随机分布。在这项工作中，我们使用新型基于ANT系统的聚类算法（ASCA）提出了一种图像分割方法。ASCA对蚂蚁的觅食行为进行建模，蚂蚁的觅食行为在搜索高数据密度区域的数据空间中移动，并在其路径上留下信息素跟踪。信息素图用于识别簇的确切数量，并使用信息素gra-denient将像素分配给这些簇。我们将ASCA应用于数字乳房X线照片中的微钙化，并将其与最先进的聚类算法进行比较，例如1D自组织图，k -meanss，模糊C-Meanss和可能的模糊模糊C-Meanss。ASCA的主要优点是，群集的数量不需要先验。实验结果表明，在检测非典型数据的小簇时，ASCA比其他算法更有效。
CMS电磁量热计中能量聚类的深度学习技术
CMS电磁热量表（ECAL）是由约75000铅钨（PBWO 4）晶体制成的同型热量表。它位于跟踪器和辐射热量计之间，分为两个主要部分：枪管（crystal size：2。2 x 2。2 x 23厘米），覆盖伪to | η| <1。479和端盖（晶体大小：2。9 x 2。9 x 23厘米），覆盖假性1。479 <| η| <3。0。ECAL对于重建光子和电子是必需的，以及喷气机能量和缺失横向动量的测量[1]。当电子或光子横穿ECAL时，它将能量沉积在多个晶体中（“充值”）。簇是通过收集最大能量的能量沉积物来建造的。每个群集归因于一个粒子或几个隔板颗粒。但是，电子和光子可以与ECAL前面的材料相互作用。在这种情况下，电子发射Bremsstrahung光子和光子转换为电子对，在ECAL中产生附近的多个簇。这些簇必须合并以重建初始粒子的能量。此组合称为超级收集器[2]。当前，几何方法用于重建供应商。首先，找到具有在给定阈值较高的（种子）上方的能量的簇[2]。然后，在种子周围打开一个窗口，其形状类似于（η，ϕ）平面中的胡须。之所以选择这种形状，是因为簇沿横向ϕ轴而不是由于CMS磁场引起的纵向η轴（3.8 t）。窗口的大小在种子的η位和cluster的能量上。最后，所有落入定义窗口中的群集被认为是超集群的一部分。由于几何窗口的形状，所述算法称为“胡须”。
Optimutu：具有优化阈值的分类学意识到OTU聚类和用于元编码数据的生物信息学工作流程
要将以环境得出的元编码数据转换为社区矩阵进行生态分析，必须首先将序列聚集到操作分类单元（OTU）中。此任务对于包括大量带有不完整参考库的数据，包括大量的分类单元。OptimoTU提供了一种具有分类学意识的OTU聚类方法。它使用一组分类学识别的参考序列来选择最佳的遗传距离阈值，以将每个祖先分类群分组为最与后代分类单元最匹配的集群。然后，查询序列根据初步分类学标识和其祖先分类群的优化阈值聚类。该过程遵循分类学层次结构，从而将所有查询序列的所有查询序列完全分类为命名的分类学组以及占位符“ Pseudotaxa”，这些序列适合无法分类为相应等级的命名分类单元的序列。Optimutu聚类算法是作为R软件包实现的，在C ++中实现了速度的计算密集步骤，并合并了成对序列对齐的开源库库。距离也可以在外部计算，并且可以从UNIX管道中读取，从而允许大型数据集聚类，在该数据集中，整个距离矩阵将不方便地存储在内存中。Optimutu生物信息学管道包括一个完整的工作流程，用于配对端的Illumina测序数据，其中包含了质量过滤，DeNoising，Wratifact删除，分类学分类以及与Optimotu的OTU集群。开发了用于高性能计算簇的OptimoTU管道，并将其缩放到每个样品和数万个样本的数据集中。
使用谱聚类检测黎曼流形上的 BCI 的 EEG 异常值
摘要 — 自动检测和去除脑电图 (EEG) 异常值对于设计强大的脑机接口 (BCI) 至关重要。在本文中，我们提出了一种新的异常值检测方法，该方法适用于样本协方差矩阵 (SCM) 的黎曼流形。现有的异常值检测方法存在错误地将某些样本拒绝为异常值的风险，即使没有异常值，因为检测基于参考矩阵和阈值。为了解决这一限制，我们的方法黎曼谱聚类 (RiSC) 基于提出的相似性度量将 SCM 聚类为非异常值和异常值，从而检测异常值。这考虑了空间的黎曼几何，并放大了非异常值簇内的相似性并削弱了非异常值和异常值簇之间的相似性，而不是设置阈值。为了评估 RiSC 的性能，我们生成了受不同强度和数量的异常值污染的人工 EEG 数据集。比较 RiSC 与现有异常值检测方法之间的 Hit-False (HF) 差异，证实 RiSC 可以显著更好地检测异常值 (p < 0.001)。特别是，对于异常值污染最严重的数据集，RiSC 对 HF 差异的改善最大。
通过无监督的临床和应变数据聚类来表征心脏重新同步治疗的响应者曲线
Alban Gallard，Auriane Bidaut，Arnaud Hubert，Elif Sade，Sylvestre Marechaux等人。通过无需临床和应变的临床和应变群集，响应者轮廓的特征 - 响应者概述，用于心脏重新同步治疗。美国超声心动图学会杂志，2021，34（5），pp.483-493。10.1016/j.echo.2021.01.019。hal-03156865
iClusterPlus：多类型基因组数据的综合聚类
iClusterBayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 iClusterPlus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... .................................................................................................................................................................................................. 18 simuResult ........................................................................................................................................................................................................................................................ .................................................................................................................................................. .................................................................................................................................................. .................................................................................................................................................. 19 tune.iCluster2 ........................................................................................................................................................................................................................................................ .................................................................................................................................................................. .................................................................................................................................................. .................................................................................................................................................. 19 tune.iClusterBayes .................................................................................................. .................................................................................................................................................................................................................................................................................................................. 20 tune.iClusterPlus .................................................................................................................................................................................................................................................................................................................................. 22 实用程序 .................................................................................................................................................................................................................................................................................................................................................. 22 实用程序 .................................................................................................................................................................................................................................................................................................................................................................. 23 24 variation.hg18.v10.nov.2010 . ...
层次结构聚类，具有离散潜在变量模型和集成分类的可能性
查找数据集的一组嵌套分区对于在不同尺度上发现相关结构很有用，并且经常处理与数据有关的方法。在本文中，我们引入了一种基于模型的分层聚类的一般两步方法。将集成的分类可能性标准视为目标函数，此工作适用于该数量可以处理的每个离散潜在变量模型（DLVM）。该方法的第一步涉及最大程度地提高相对于分区的标准。解决了通过贪婪的山坡攀岩启发式方法发现的已知局部最大最大最大最大值问题时，我们基于遗传算法引入了一种新的混合算法，该算法允许有效地探索解决方案的空间。所得算法小心地结合并合并了不同的解决方案，并允许簇数K的共同推断以及簇本身。从这个自然分区开始，该方法的第二步是基于自下而上的贪婪程序来提取簇的层次结构。在贝叶斯语境中，这是通过考虑dirichlet群集比例的先验参数α作为控制聚类粒度的正规化项来实现的。标准的新近似值被推导为α的对数线性函数，从而实现了合并决策标准的简单函数形式。第二步允许在更粗的尺度上探索聚类。将所提出的方法与现有的模拟和实际设置的策略进行了比较，结果表明其结果特别相关。本工作的参考实现可在论文1随附的r软件包贪婪中获得。
森林流：预测Lyman-α森林聚类从线性到非线性尺度
在大范围内，Lyman-α森林提供了对宇宙膨胀历史的见解，而在小尺度上，它对生长历史，暗物质的性质和中微子质量的总和施加了严格的限制。这项工作引入了ForestFlow，这是一个新颖的框架，它弥合了大型和小规模分析之间的差距，这些分析传统上依赖于不同的建模方法。使用条件归一化的流量，ForestFlow预测了两种lyman-α线性偏见（Bδ和Bη）和六个参数，描述了三维频谱功率谱（P 3D）的小规模偏差（p 3D），从线性理论作为体体和核学中培养基的功能。随后将它们与Boltzmann求解器相结合，以对P 3D和从其衍生的任何其他统计数据进行一致的预测，从任意大的尺度到非线性制度。在30个固定和分配的宇宙流体动力学模拟的套件中训练，跨越z = 2至4.5的红移，森林流在描述P 3D和一维闪光功率谱（p 1d）中获得了3和1.5％的精度，从线性量表到k = 5 mpc- = 5 mpc- = 5 mpc-k. = 5 mpc-k. = 4 mpc- = 4 mpc = 4 Mpc = 4 mpc = 4 mpc。由于其条件参数化，森林流对电离历史和两个λCDM模型扩展（大量中微子和曲率）显示出相似的性能，尽管训练集中都不包含这些扩展。该框架将对DESI调查的Lyman-α森林测量结果进行全面宇宙学分析。
重新分析的APOL1肾脏数据支持“种族”的新道德
精确药物需要准确鉴定临床相关的患者亚组。16电子健康记录为利用机器学习的主要机会提供了17种新的患者子组的方法。然而，许多现有的方法未能充分捕获诊断轨迹与疾病之间的复杂相互作用 - 19个相关风险事件，导致亚组在事件20风险中仍然可以显示出很大的异质性，并潜在的分子机制。为了应对这一挑战，我们实施了21个Vadesc-Ehr，这是一种基于变压器的自动编码器，用于聚类从电子健康记录中提取的纵向22生存数据。我们表明，Vadesc-ehr 23在合成和现实世界基准数据集上均优于具有24个已知地面真实集群标签的合成和现实基准数据集的基线方法。在应用于克罗恩病的应用中，vadesc-ehr 25成功地识别了四个不同的亚组，具有不同的诊断轨迹和风险26个特征，从而揭示了克罗恩病的临床和遗传相关因素。我们的结果27表明，Vadesc-ehr可以成为在28中发现精密医学方法的开发中发现新型患者子组的强大工具。29