XiaoMi-AI文件搜索系统
World File Search Systemdee
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
基于拓扑的深层生成模型在城市形式生成中的应用：评论
摘要将深层生成模型纳入城市形式的生成是支持城市设计过程的一种创新且有前途的方法。但是，大多数深层生成的城市形式模型基于图像表示，这些图像表示并未明确考虑城市形式元素之间的拓扑关系。旨在开发深层生成模型并考虑拓扑信息的帮助下，本文回顾了城市形式的生成，深层生成的模型/深度图生成以及建筑和城市形式的深层生成模型的最新艺术状态。基于文献综述，提出了一个基于深层生成模型的基于拓扑的城市形式生成框架。深层生成模型的街道网络生成的假设forgraphgergrotandplot/building configurationGenerationByDeepgenerativeModels/Space语法以及所提出的框架的可行性需要在未来的研究中进行验证。
使用深度学习模型预测mRNA翻译的当前局限性
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
通过证据深度学习解开的异常电动物理
超越标准模型（BSM）计算和参数化的不断增长的生态系统已经开发了在广泛的可能模型上制造定量跨案例的系统方法，尤其是具有可控的不确定性。在本演讲中，我们强调了不确定性量化语言（UQ）如何提供有用的指标来评估BSM和相关模型之间的统计重叠和差异。我们利用了近期的机器学习（ML）发展中的深度学习（EDL）来使UQ在模型歧视环境中分离数据（aletoric）和知识（认知）不确定性。我们构建了几种潜在的BSM动机场景，用于与深度无弹性散射中的核子的异常电子相互作用（AEWI）相互作用（AEWI）（aewi），并将其定量地映射为与CT18 PDF的蒙特卡洛复制品一起示范，用于驱动CT18 PDF。
kan-mixers：
由于其有效的性能，卷积神经网络（CNN）和视觉变压器（VIT）架构已成为解决计算机视觉任务的标准。此类架构需要大量的数据集，并依靠卷积和自我注意操作。在2021年，MLP-Mixer出现了，与CNN和VIT相比，仅依赖于多层感知器（MLP）并取得极具竞争力的结果。尽管在计算机视觉任务中表现良好，但MLP混合体架构可能不适合图像中的精制功能提取。最近，提出了Kolmogorov-Arnold网络（KAN）作为MLP模型的有希望的替代品。kans有望提高与MLP相比的准确性和可解释性。因此，目前的工作旨在设计一种新的基于混音器的架构，称为Kan-Mixers，使用KAN作为主要层，并根据几个性能指标在图像分类任务中评估其性能。作为主要结果，Kan-Mixers模型在时尚摄影和CIFAR-10数据集中优于MLP，MLP-Mixer和KAN模型，分别为0.9030和0.9030和0.6980，分别为平均精度。
一种深入的CNN方法，用于解码上肢的电动机从源级别的EEG信号的时间 - 频率图
一个可以检测到行动和解码计划运动意图的系统，可以帮助所有可以计划运动但无法实施的受试者。在本文中，通过使用脑电图（EEG）信号来研究电动机计划活动，目的是解码运动制备阶段。在执行不同动作（肘部流量/扩展，前臂旋转/supination/supination/suplination/open/loth/collos）的过程中，可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。 引入了一种新型系统，用于静止与静止和前期时期的分类。 对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。 拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。 所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。可公开可用的61个通道EEG信号，右上肢录制了15个健康受试者的EEG信号。引入了一种新型系统，用于静止与静止和前期时期的分类。对于每个时期，所提出的系统都会通过光束成形和连续的小波变换（CWT）生成电动机源信号的时间频率（TF）图，然后将所有映射嵌入体积中并用作输入到深CNN中。拟议的系统成功地歧视了前提下的平均准确度为90.3％（最低74.6％，最大100％），在文献中的表现优于可比较的方法，而在鉴别期间的VS vs vs vs等待中的平均准确度为62.47％。所达到的结果鼓励通过深度学习方法在时间频域中的源级别调查电动机计划。
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
审查深度学习在兽医诊断和动物健康中的应用
深度学习（DL）是人工智能的子场（AI），涉及算法和模型的开发，这些算法和模型模拟了人类思想的解决问题能力。复杂的AI技术近年来在兽医领域引起了极大的关注。本综述提供了专门用于利用DL用于兽医诊断目的的研究的全面概述。我们的系统审查方法遵循PRISMA指南，重点关注DL和兽医医学的交集，并确定了422篇相关研究文章。在出口标题和摘要以进行筛选之后，我们将选择范围缩小到39个主要研究文章，直接将DL应用于动物疾病检测或管理中，不包括非主要研究，评论和无关的AI研究。目前研究的主要发现突出了2013年至2024年在各个诊断区域中DL模型的利用的增加，包括X射线照相术（占研究的33％），细胞学（33％），健康记录分析（8％），MRI（8％），环境数据分析（5％），照片/视频图像/视频图像（5％）和Ulteras（5％），5％（5％）。在过去的十年中，射线照相成像已成为最有影响力的。与专业兽医基准相比，使用DL模型对原发性胸腔病变和心脏疾病的原发性胸腔病变和心脏疾病的分类取得了显着成功。此外，该技术已被证明擅长于识别，计数和分类显微镜幻灯片图像中的细胞类型，从而在不同的兽医诊断方式上证明了其多功能性。深度学习在兽医诊断方面表现出希望，但仍有一些挑战。这些挑战的范围包括对大型和多样化的数据集的需求，可解释性问题的潜力以及在整个模型开发中与专家进行咨询以确保有效性的重要性。对这些考虑和实施DL在兽医医学中的设计和实施的全面理解对于推动该领域的未来研究和发展工作至关重要。此外，讨论了DL对兽医诊断的潜在影响，以探索兽医医学中DL应用进一步完善和扩展的途径，最终导致了增加的护理标准，并改善了动物的健康状况，随着这项技术的不断发展。
深入了解房屋苍蝇的时期，穆斯卡家族，感染了唾液腺肥大病毒（MDSGHV）
房屋飞行，穆斯卡·家族（Musca Housea），是许多病原体的机械载体，对人类和动物的健康构成了重大风险。二十多年前，发现了穆斯卡家族唾液腺肥大病毒（MDSGHV），从而感染了男性和女性苍蝇，并破坏了交配和生殖过程。MDSGHV可以感染各种组织，但其主要复制位点是苍蝇唾液腺。众所周知，节肢动物唾液腺不仅在获取食物，而且在传播病原体中起着重要作用。因此，了解向量唾液腺的组成以及载体与病原体成分之间的相互作用对于制定未来的控制策略至关重要。为此，我们对感染和未感染的房屋蝇的唾液腺进行了全面的RNA测序。我们的分析总共确定了6,410个推定的序列，其中6,309个源自M. tourplea，101个来自MDSGHV，分为25个官能团。此外，受感染和未感染的唾液腺之间的差异表达分析显示，有2,852个显着调节的转录本，突出了MDSGHV感染触发的深刻转录变化。总的来说，这些发现不仅加深了我们对家长唾液腺组成的理解，而且还提供了对病毒媒介相互作用的宝贵见解，这可以作为理解其他医学相关相互作用的模型。
parbati kumari shah，int。 J. of Pharm。 Sci。，2025，第3卷，第3期，148-156
主要抑郁症（MDD）在心理健康领域一直是一个持续的挑战。过去几种药物被用来治疗精神疾病，并以明显的情绪抑郁症治疗。gepirone是一种与MDD作斗争的患者的有前途的药物。FDA于2023年9月28日以Exxua的品牌批准了Gepirone，作为一种新颖的抗抑郁药，是选择性5-羟色胺再摄取抑制剂（SSRIS）的可能替代品。gepirone不属于选择性5-羟色胺再摄取抑制剂（SSRI），但是它仍然可以通过激活某些5-羟色胺受体来起作用。gepirone er（exxua）是一种治疗患者心理健康的有效药物。exxua应谨慎使用，因为它可能导致QT延长，导致心律不齐，这可能会危及生命。该药物为市场上可用的其他治疗方案构成了新的愿景。该药物开发的重要阶段将帮助研究人员，医生和监管机构意识到与心理健康有关的挑战和改善治疗方案。本评论对药剂师和医生介绍了Gepirone（Exxua）的批判性观点，作为精神疾病的新治疗选择。