XiaoMi-AI文件搜索系统
World File Search Systemdatasets
机器学习方法和统一的数据集改善了免疫原性的新抗原预测
Markus M€Uller，1，2，2，3，4， * Florian Huber，1，2，3 Marion Arnaud，1，2，3 Anne I. Talita Gehret, 1, 2, 3 Aymeric AUGER, 1, 2, 3 Brian J. Stevenson, 3, 4 George Coukos, 1, 2, 3, 5 Alexandre Harari, 1, 2, 3, 5 and Michal Bassani-Sternberg 1, 2, 3, 5, 6, * 1 Ludwig Institute for Cancer Research, University of Lausanne, 25a, 1005 Lausanne, Switzerland 2肿瘤学系，中心医院维多伊大学（CHUV），Rue du Bugnon Rue du Bugnon 46，1005 Lausanne，瑞士洛桑3，瑞士1011 Agora Cancer Research Center，瑞士4 SIB SWISS SWISS Institute of BioIninformitics，Sorge Districtics，Sorge Districtics，Sorgeanne，Switzerland，Switzerland 5 （CHUV），瑞士洛桑（Lausanne），卢桑（Lausanne），第46页，瑞士6铅联系 *通信：markus.muller@chuv.ch（M.M.M.），michal.bassani@chuv.ch（M.B.-S.）https://doi.org/10.1016/j.immuni.2023.09.002
从数据集、预处理、特征和融合方法回顾多模态情绪识别
情感计算是现代人机交互（HCI）中最重要的研究领域之一。情感计算的目标是研究和开发能够识别、解释、处理和模拟人类情感的理论、方法和系统。情感识别作为情感计算的一个分支，旨在启发机器/计算机自动分析人类情感，已受到各领域研究人员的广泛关注。人类通常通过整合感知到的面部表情、语音语调、言语内容、行为或生理特征信息来观察和理解一个人的情绪状态。为了模仿人类的情感观察方式，研究人员一直致力于通过融合两种或多种模态信息来构建多模态情感识别模型。本文从多模态数据集、数据预处理、单模态特征提取和多模态信息融合方法的角度，对近几十年来多模态情感识别进行了全面的回顾。此外，还指出并讨论了该主题面临的挑战和未来的研究方向。本评论的主要目的是总结最近出现的大量关于多模态情绪识别的研究，并为相关领域的研究人员提供潜在指导，以了解多模态情绪识别的流程和主流方法。
在全局序列数据集中追踪无脊椎动物疱疹病毒
Malacoherpesviridae的家族目前仅由两种感染软体动物的病毒，Ostreid疱疹病毒1（OSHV-1）和卤素疱疹病毒1（HAHV-1）表示，既导致了水产养殖物种的有害感染。还通过在两栖类药物（分支群瘤物种）和Annelid Worm（Capitella teleta）中的基因组测序项目（Capitella teleta）中检测到类似麦芽菌病毒的序列，这表明水生动物中有隐藏的马拉科植物病毒的多样性存在。在这里，为了扩展有关Malacoherpesvirus多样性的知识，我们在基因组，转录组和元基因组数据集中搜索了Malacoherpesvirus亲戚的存在，包括来自Tara Oceans探险队，并报告了4个新颖的Malacoherpesvirus类基因组（Malacoike Genomes（Malacohemes）（Malacohemes（malacohv1-4））。基因组分析建议腹足动物和双壳类作为这些新的马拉科佩病毒的最可能的宿主。基于家族B DNA聚合酶的系统发育分析分别将新型的MalacoHV1和MalacOHV3作为OSHV-1和HAHV-1的姐妹谱系，而MalacoHV2和MalacOHV4表现出更高的差异。发现与两栖动物相关的病毒基因组与malacohv4相关，形成了Mollusc和Annelid malacoherpesviruse的姊妹进化枝，这表明这两种病毒组合的早期分歧。总而言之，尽管在可用序列数据库中相对较少，但先前未描述的马拉科佩病毒Malacohv1-4在水生生态系统中循环，并且在不断变化的环境条件下应被视为可能是新兴病毒。
电池数据完整性和可用性：导航数据集和设备限制，以高效，准确地研究电池老化
免责声明这一信息是作为由美国政府机构赞助的工作的帐户准备的。美国政府或其任何机构，或其任何雇员均未对任何信息，设备，产品或过程披露或代表其使用将不会侵犯私人拥有的私有权利。参考文献以商品名称，商标，制造商或其他方式指向任何特定的商业产品，流程或服务，并不一定构成或暗示其认可，建议或受到美国政府或其任何机构的支持。本文所表达的作者的观点和观点不一定陈述或反映美国政府或其任何机构的观点和意见。
在新西兰2006 - 2019年使用公共部门糖尿病眼服务：全国性收集数据集的分析
1验光和视觉科学学院，奥克兰大学医学与健康科学学院，新西兰奥克兰大学，新西兰2学院，2个人口健康学院，医学与健康科学学院，奥克兰奥克兰大学，奥克兰大学，奥克兰大学，新西兰大学，伊斯兰教部3号，格林纳兰临床中心，奥克兰地区健康委员会，奥克兰医学委员会，纽瓦兰临床中心，新Zealand and New Zealand，4科学，新西兰国家眼中中心，奥克兰大学，奥克兰大学，新西兰，新西兰5号，医学与健康科学系5号医学和初级保健系新西兰奥克兰的Manukau Health，奥克兰大学医学与健康科学系8，新西兰奥克兰大学，新西兰奥克兰大学，9号人口健康局，新西兰奥克兰县曼库兰县，曼库兰市10号，伦敦伦敦和热带医学学院10国际卫生中心
深入了解多标签不平衡的胸部X射线数据集
在过去的几年中，卷积神经网络（CNN）占据了计算机视觉领域的主导，这要归功于它们在分类问题中提取功能及其出色表现的能力，例如在X射线自动分析中。不幸的是，这些神经网络被视为黑盒算法，即不可能了解该算法是如何实现最终结果的。将这些算法应用于不同领域并测试方法的工作原理，我们需要使用可解释的AI技术。医学领域的大多数工作都集中在二进制或多类分类问题上。但是，在许多现实情况下，例如胸部X射线，可以同时出现不同疾病的放射学迹象。这引起了所谓的“多标签分类问题”。这些任务的缺点是阶级失衡，即不同的标签没有相同数量的样本。本文的主要贡献是一种深度学习方法，用于不平衡的多标签胸部X射线数据集。它为当前未充分利用的Padchest数据集建立了基线，并基于热图建立了新的可解释的AI技术。此技术还包括概率和模型间匹配。我们系统的结果很有希望，尤其是考虑到使用的标签数量。此外，热图与预期区域相匹配，即他们标志着专家将用来做出决定的领域。©2023作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
事物数据，大规模数据集的多模式集合......
摘要 要理解物体表征，需要对视觉世界中的物体进行广泛、全面的采样，并对大脑活动和行为进行密集测量。在这里，我们展示了 THINGS-data，这是一个多模态的人类大规模神经成像和行为数据集集合，包括密集采样的功能性 MRI 和脑磁图记录，以及针对多达 1,854 个物体概念的数千张照片的 470 万个相似性判断。THINGS-data 的独特之处在于其丰富的注释对象范围，允许大规模测试无数假设，同时评估先前发现的可重复性。除了每个单独的数据集承诺的独特见解之外，THINGS-data 的多模态性还允许组合数据集，从而比以前更广泛地了解物体处理。我们的分析证明了数据集的高质量，并提供了五个假设驱动和数据驱动的应用程序示例。 THINGS-data 是 THINGS 计划 ( https://things-initiative.org ) 的核心公开发布版本，旨在弥合学科之间的差距和认知神经科学的进步。
协调民族区域多样的数据集，以推动痴呆症的全球流行病学
年龄是认知障碍（CI）和痴呆症的最大危险因素，随着世界人口年龄的增长，全球社会和金融负担这些条件的增长正在上升。1在全球范围内，到2050年，痴呆症患者的数量估计约为1.5亿，预计在包括非洲在内的发展中国家中将发生最大的增长。1在许多低收入和中等收入国家（LMIC）中缺乏对CI和痴呆症的研究。2然而，该研究来自一个国家或人口不适用于另一个国家或人口的研究，据报道，国家之间CI和痴呆症的流行病学差异，3个国家/地区之间的不同种族/族裔之间的差异。4研究如何减慢认知能力下降，而CI和痴呆症最终最终阻止了全球努力，使用大型样本和来自不同民族区域的数据。资源和协调限制意味着该量表上的数据通常不会来自单个来源。而是，必须从多个针对特定国家或地区的独特来源中整理此类数据。
基于质量和受欢迎程度的研究数据集排名方法
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
噪声数据集的二元分类器：现有量子机器学习框架和一些新方法的比较研究
量子机器学习是最有希望获得实际优势的研究领域之一，它是量子计算和传统机器学习思想相互影响的产物。在本文中，我们应用量子机器学习 (QML) 框架来改进金融数据集中普遍存在的噪声数据集的二元分类模型。我们用来评估量子分类器性能的指标是受试者工作特征曲线下面积 (ROC/AUC)。通过结合混合神经网络、参数电路和数据重新上传等方法，我们创建了受 QML 启发的架构，并利用它们对非凸二维和三维图形进行分类。对我们的新 FULL HYBRID 分类器与现有量子和经典分类器模型进行广泛的基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对于现有的经典分类器表现同样出色，并且在高噪声区域内比经典结果略有改善。