XiaoMi-AI文件搜索系统
World File Search Systemdatasets
跨维：一种合并不同维度 BCI 数据集的方法
摘要 — 目标：我们提出一种迁移学习方法，用于具有不同维度、来自不同实验设置但代表相同物理现象的数据集。我们重点研究数据点是对称正定 (SPD) 矩阵的情况，该矩阵描述基于 EEG 的脑机接口 (BCI) 的统计行为。方法：我们的方案使用两步程序来转换数据点，使它们在维度和统计分布方面匹配。在维度匹配步骤中，我们使用等距变换将每个数据集映射到公共空间中，而不改变它们的几何结构。统计匹配是使用域自适应技术完成的，该技术适用于定义数据集的空间的固有几何形状。结果：我们在从具有不同实验设置（例如，不同数量的电极、不同的电极位置）的 BCI 系统获得的时间序列上说明了我们的建议。结果表明，所提出的方法可用于在原则上不兼容的 BCI 记录之间传输判别信息。结论和意义：这些发现为新一代 BCI 系统铺平了道路，尽管电极定位不同，该系统仍能够重复使用信息并从多种数据源中学习。
确定与吉普斯兰宣言区域相关的优先数据集及其在决策中的使用途径
NESP 海洋和沿海中心提醒，本出版物包含基于科学研究的一般性陈述。读者应注意并需要意识到此类信息可能不完整或无法用于任何特定情况。因此，在未事先寻求专家的专业、科学和技术建议的情况下，不得依赖或采取行动。在法律允许的范围内，NESP 海洋和沿海中心（包括其主办组织、员工、合作伙伴和顾问）对任何人因使用本出版物（部分或全部）及其所含信息或材料而直接或间接产生的任何后果不承担任何责任，包括但不限于所有损失、损害、成本、费用和任何其他赔偿。
KOYA, Kushwanth 和 CHOWDHURY, Gobinda (2022)。基于质量和流行度的研究数据集排名方法。在：APIT 2022：2022 年第四届亚太地区
1. BIDMC 充血性心力衰竭数据库 1986 87 4 3 2 2.90 2.10 2.27 2.23 ECG；充血性心力衰竭；心脏病；心脏病学 2. CEBS 数据库 2013 6 0 1 4 2.00 1.69 1.78 1.67 ECG；心震图；心脏病学 3. CHB-MIT 头皮脑电图数据库 2009 114 26 24 30 16.29 2.06 2.11 2.19 EEG；儿科脑电图；癫痫；儿科；神经病学 4. 充血性心力衰竭 RR 间隔数据库 1995 184 2 7 7 8.76 5.24 5.45 5.61 ECG；充血性心力衰竭；心脏病；心脏病学；RR 间隔 5. CAST RR 间隔子研究数据库 2000 54 0 7 7 3.38 1.85 2.25 2.37 ECG；心律失常；心脏病学；RR 间隔 6. ECG-ID 数据库 2005 1 0 1 0 0.09 0.00 0.00 0.00 ECG；生物识别
推断微阵列数据集揭示了帕金森氏病的关键生物标志物和潜在的药物靶标
帕金森氏病（PD）是一种严重的神经系统疾病，其特征是失去自愿运动和运动的大大减慢。传统上归因于环境因素，但最近的研究强调了遗传学在PD发作和进展中的重要作用。这项研究旨在通过分析来自四个数据集（83个PD和53个控制质量Nigra样品）的基因表达数据来鉴定PD中差异表达的基因（DEG）和相关途径，这些数据来自基因表达综合（GEO）数据库。使用GEO2R，我们通过富集确定了常见的DEG并进行了功能注释和KEGG途径富集分析。我们使用StringDB构建了蛋白质 - 蛋白质相互作用（PPI）网络，并通过CytoHubba鉴定了集线器基因。结果显示，在多巴胺能突触和可卡因成瘾等途径中富含18个临界DEG。关键集线器基因包括酪氨酸羟化酶（Th），溶质载体家族18构件A2（SLC18A2）和钾在内部整流的通道亚家族J成员6（KCNJ6）。这些发现提供了对PD分子机制的见解，突出了潜在的生物标志物和治疗靶标。本研究为未来的研究和制定帕金森氏病的有效治疗策略提供了强大的框架。
基于代理的材料数据集从科学文献中学习
过去十年在利用机器学习的化学发现中取得的非凡成就突出了可访问知识和结构化数据的力量。1 - 3但是，化学知识的一部分，尤其是实验知识的一部分，以非结构化的形式散布在整个科学文学中。4研究人员在有效地利用现有知识来设计实验方面面临着挑战，以及在ELD中理解以前的整个研究。因此，开发从文献中提取信息并将其转换为结构化数据的方法论将在推进分子和材料的机器学习方面起着基本作用。自然语言处理（NLP）是从科学文学中提取信息的强大工具。召开NLP方法已用于材料和化学
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的假设可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的、假设的可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
CoordConformer 使用 Transformers 解码异构 EEG 数据集
摘要 迁移学习和元学习已有效提高多个领域的性能。它也已成功应用于缺乏数据的 EEG 解码。然而，由于实验设置的差异，例如电极数量、电极位置和任务定义不同，跨数据集的 EEG 数据迁移学习面临着独特的挑战。为了解决跨异构电极配置 EEG 数据集进行跨数据集训练的问题，我们引入了一种新方法 CoordinateAttention，它使用电极传感器的 3-D 坐标来学习电极位置之间的空间关系，从而动态生成用于特征提取的空间卷积核。我们表明，我们的模型在跨设置的 EEG 解码中具有良好的性能，并且对数据损坏具有鲁棒性。CoordinateAttention 是一种使用几何位置信息进行特征提取和数据融合的通用方法。
全球尺度评估水文建模的降水数据集
1牛津大学，牛津大学，牛津大学，英国2号地理与环境科学学院，南安普敦大学，南安普敦大学，SO17 1BJ，英国3号，英国3号3号，阿拉巴马州阿拉巴马大学，阿拉巴马州阿拉巴马大学，美国阿拉巴马大学4号和经济，埃克塞特大学，埃克塞特大学，EX4 4RJ，英国6 6号地理与地球科学学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥大学7 7地理与环境科学系，英国雷丁大学，雷丁大学8号，雷丁大学8读，雷丁大学，雷丁大学，雷丁大学，雷丁大学，英国9能源与环境研究所，赫尔，赫尔，赫尔，赫尔，杜勒，杜勒，杜勒，杜勒，少年， UK 11地理科学学院，布里斯托尔大学，布里斯托尔大学，BS8 1SS，英国12地理与环境，拉夫堡大学，拉夫堡，英国，英国
诊断基因组，外显子组和小组测序数据集的脊柱肌肉萎缩病的丢失病例
在基因组，外部和小组测序数据集中诊断出遗漏的脊柱肌肉萎缩病例本·韦斯堡（Ben Weisburd），1,2，* Rakshya Sharma，1,3 Villem Pata，4,5 Tiia Reimand，4,6 Vijay S. Ganesh，1,2,7,7,7,7,8 Christina Austin-Austin-tsei-emiDe，1,8 emiyl emwa suow om emolow om emrouwa os。 O'Heir, 1,8 Melanie O'Leary, 1 Lynn Pais, 1,8 Seth A. Stafki, 9 Audrey L. Daugherty, 9 Chiara Folland, 26 Stojan Peri ć , 10,11 Nagia Fahmy, 12 Bjarne Udd, 13 Magda Horakova, 14,15 Anna Łusakowska, 16 Rajanna Manoj, 17 Atchayaram Nalini, 17 Veronika Karcagi, 18 Kiran Polavarapu, 19 Hanns Lochmüller, 19,20,21 Rita Horvath, 22 Carsten G. Bönnemann, 23 Sandra Donkervoort, 23 Göknur Halilo ğ lu, 23,24 , Ozlem Herguner, 25 Peter B. Kang, 9 Gianina Ravenscroft，26,27 Nigel Laing，26,27 Hamish S.Scott，28AnaTöpf，29 Volker Straub，29 Sander Pajusalu，4,6 Katrin rinap，4,6 Grace Tiao，1 Heidi L. Rehm，1,2 Anne O'Donnell-Lurururiia-Lururiaia Lururiaia 1,2,8，* * <
（第三届学术研究前沿国际会议 ICFAR 2024，2024 年 6 月 15-16 日）ATIF/参考：Karimi, MU、Abubakar, SM、Mustafa, SJ 和 Ahmad, B.（2024 年）。人工智能和机器学习算法简介：综述。国际先进自然科学与工程研究杂志，8(5)，30-34。摘要——本文广泛概述了人工智能 (AI) 和机器学习 (ML) 算法及其跨学科性质以彻底改变任何领域，讨论了它们的发展、基础、应用和挑战。人工智能和机器学习技术已经彻底改变了各个行业，推动了各个领域的创新和效率。本文探讨了人工智能和机器学习的多学科性质，强调了它们在分析大数据集、做出预测和自动化决策过程方面的重要性。它追溯了人工智能的历史里程碑，从艾伦图灵的开创性工作到深度学习和神经网络的兴起。本文介绍了机器学习算法的基础知识，包括监督学习、无监督学习和强化学习，以及它们在医疗保健、金融、工程、交通和电子商务中的实际应用。此外，本文还讨论了人工智能和机器学习技术面临的关键挑战，例如不确定性、算法选择复杂性和过度拟合，强调了持续研究和跨学科合作在应对这些挑战方面的重要性。本文的最终目标是加强人工智能和机器学习技术在塑造智能人工智能和机器学习驱动系统和智能社会的未来方面的范式改变潜力。
（第三届学术研究前沿国际会议 ICFAR 2024，2024 年 6 月 15-16 日）ATIF/参考：Karimi, MU、Abubakar, SM、Mustafa, SJ 和 Ahmad, B.（2024 年）。人工智能和机器学习算法简介：综述。国际先进自然科学与工程研究杂志，8(5)，30-34。摘要——本文广泛概述了人工智能 (AI) 和机器学习 (ML) 算法及其跨学科性质以彻底改变任何领域，讨论了它们的发展、基础、应用和挑战。人工智能和机器学习技术已经彻底改变了各个行业，推动了各个领域的创新和效率。本文探讨了人工智能和机器学习的多学科性质，强调了它们在分析大数据集、做出预测和自动化决策过程方面的重要性。它追溯了人工智能的历史里程碑，从艾伦图灵的开创性工作到深度学习和神经网络的兴起。本文介绍了机器学习算法的基础知识，包括监督学习、无监督学习和强化学习，以及它们在医疗保健、金融、工程、交通和电子商务中的实际应用。此外，本文还讨论了人工智能和机器学习技术面临的关键挑战，例如不确定性、算法选择复杂性和过度拟合，强调了持续研究和跨学科合作在应对这些挑战方面的重要性。本文的最终目标是加强人工智能和机器学习技术在塑造智能人工智能和机器学习驱动系统和智能社会的未来方面的范式改变潜力。