XiaoMi-AI文件搜索系统
World File Search Systemdropout
用于精神分裂症识别的多核胶囊网络
摘要 — 精神分裂症严重影响生活质量。迄今为止，简单（例如线性判别分析）和复杂（例如深度神经网络）机器学习方法都已用于基于功能连接特征识别精神分裂症。现有的简单方法需要两个独立的步骤（即特征提取和分类）来实现识别，这使得无法同时调整以获得最佳特征提取和分类器训练。复杂方法集成了两个步骤，可以同时调整以实现最佳性能，但这些方法需要大量的数据进行模型训练。为了克服上述缺点，我们提出了一种多核胶囊网络（MKCapsnet），它是通过考虑大脑解剖结构而开发的。将内核设置为与大脑解剖结构的分区大小相匹配，以捕捉不同尺度的区域间连接。受深度学习中广泛使用的 dropout 策略的启发，我们在胶囊层中开发了胶囊 dropout 以防止模型过度拟合。比较结果表明，所提出的方法优于最先进的方法。此外，我们比较了使用不同参数的性能，并说明了路由过程以揭示所提出方法的特点。MKCapsnet 在精神分裂症识别方面很有前景。我们的研究首先利用胶囊神经网络分析磁共振成像 (MRI) 的功能连接，并提出了一种考虑大脑解剖分区的新型多核胶囊结构，这可能是揭示大脑机制的一种新方法。此外，我们在参数设置中提供了有用的信息，这对进一步使用胶囊网络进行其他神经生理信号分类的研究很有帮助。
使用机器学习的地下水位深度预测
摘要 - 由于复杂且多样化的水文地质特性，边界条件和人类活动以及这些元素之间的非线性相互作用，农业区域的水深度预测很困难。因此，作为代替昂贵的模型的替代品，本研究建立了一个由长期短期存储网络（LSTM）的创新系列时间框架以及完全连接的层构成的模型。第一个LSTM层采用了辍学方法。使用14年（2000- 2013年）在中国Hetao灌溉区的北部沙漠的五个辅助领域的数据（2000- 2013年）的数据测试和评估了建议的模型。建议的模型可以根据蒸发，水转移，温度，时间和降水的转移来预测地下水位深度。实验将14年的数据划分为培训和验证数据集。传统的喂养神经网络（FFNN）在相对较低（0.004–0.495）R2分数中获得了建议的框架在深度预测的深度（0.789–0.952）中获得了较高的R2评分，这表明建议的框架可以弥补和获得过去的数据，并获得了过去的数据。进一步探索了辍学方法的有效性，以及建议模型的设计。实验的结果表明，使用辍学策略可以大大减少过度拟合。此外，提出的模型的R2分数与双LSTM框架的R2分数的比较范围为0.170-0.864，它描述了建议的体系结构的适当性，这有助于在系列时间的数据中进行高度学习能力。因此，建议的模型可以用于预测地下水位的深度，以替代水文地质数据，尤其是在水文学数据稀缺的地方。
Koli, Sh. (2025). Shree-L1：一种用于医学成像中高效肿瘤分类的动态 CNN 架构。大数据和计算愿景，5(2)，94
从医学图像（尤其是 MRI 扫描）中对脑肿瘤进行分类对于及时诊断和治疗至关重要。深度学习模型的发展彻底改变了医学图像分析，使高精度的自动分类成为可能。然而，许多现有模型存在过度拟合、训练效率低下以及对新数据集的泛化能力差等问题。在这项工作中，我们引入了 Shree-L1，这是一种专为脑肿瘤分类而定制的动态卷积神经网络 (CNN) 架构。Shree-L1 结合了创新的降尺度和升尺度块，可有效提取复杂特征，同时通过 dropout 等正则化技术防止过度拟合。我们使用公开的脑肿瘤数据集证明了这种方法的有效性，为医学成像中的肿瘤分类提供了一种强大的解决方案。
微电网的拓扑概述div>
在这项研究中，使用了1D CNN方法。研究中提出的1D CNN结构设计用于对ALS患者和健康个体的分类，而无需进行任何手动特征选择和提取。所提出的1D-CNN结构如图5所示。此体系结构由三个卷积层组成，一个最大式层，三个relu层，两个完全连接的层，一个辍学层和一个软磁层。每个卷积层的内核分别为36、18和9。此外，第一个完全连接的层部分中有500个退出，而2个完全连接的层部分中的类别的出口和2个出口一样多。在提出的体系结构的最后一层中，使用了SoftMax激活函数。在拟议的模型中，将网络训练的学习率设置为0.001，将辍学设置为0.5。在输入层上应用的数据具有256x1样品长度。在分类过程中，测试网络时使用了5倍的交叉验证和10倍的交叉验证。在此过程中，对于5倍交叉验证，将数据集随机分为相同长度的五个，每个分隔
使用机器的混合塑料废物在线表征
图4。塑料网的建筑。塑料网络输入975矢量并输出预测的塑料类型。它包含4个1D卷积层（每个均匀的34滤波器3），2 1D最大层层（每个窗口大小为2），一个平坦的层和3个完全连接的层（每个均节点为64个节点，掉落比率为0.2）。层之间的激活函数是依赖的。最终输出激活函数是SoftMax。
简历 Burduhos Nergiș Dumitru Doru
中心（SGU-CI），项目代码：ROSE 编号 83 / SGU / CI / I，项目名称：“通过 TUIAȘI（REMEDIUM）学习中心的补习和咨询活动减少一年级学生的辍学率”，受益人：“Gheorghe Asachi”雅西技术大学，项目内职位：导师指导和支持活动。▪ 参与证书：致敬会议“100 周年
基于深度学习的 MR 脑分割的快速不确定性量化
摘要。量化深度学习模型预测中的不确定性有助于解释它们，从而有助于它们在关键领域的接受。然而，当前的标准方法依赖于多步骤方法，这增加了推理时间和内存成本。在临床常规中，自动预测必须融入临床咨询时间范围，这就需要更快、更有效的不确定性量化方法。在这项工作中，我们提出了一种名为 BEHT 的新模型，并在多发性硬化症 (MS) 患者 T2 加权 FLAIR MRI 序列白质高信号的自动分割任务中对其进行了评估。我们证明，这种方法输出预测不确定性的速度比最先进的蒙特卡洛 Dropout 方法快得多，而且准确度相似，甚至略高。有趣的是，我们的方法区分了两种不同的不确定性来源，即随机不确定性和认知不确定性。
公正的体外和体内药物锚筛网鉴定了MTAP-DEL中MTA合件PRMT5抑制剂的抗性和敏化机制
母亲反对脱皮性同源物4（SMAD4）是介导TGF-β信号转导的Smad转录因子家族的成员。SMAD4功能突变或缺失的丧失在约30％的胰腺导管腺癌（PDAC）和大肠癌腺癌和食管腺癌患者的15％，并且与预后不良有关。在过去的二十年中，其肿瘤抑制作用的作用已被阐明，SMAD4的损失足以促进多种GEM模型中的肿瘤发生。为了识别SMAD4缺陷癌的新型治疗脆弱性，在SMAD4等源性PDAC模型中采用了CRISPR辍学方法。我们将stearoyl-COA去饱和酶SCD鉴定为Smad4缺陷型环境中的合成致命靶标。scd对于从头脂质生物发生至关重要，并催化单不饱和脂肪酸的产生速率限制步骤。体外遗传学和药理学研究证实了这种合成的致命关系。此外，药物锚定的CRISPR辍学筛选和RNA表达分析表明，饱和脂肪酸对SCD抑制作用的积累驱动SMAD4缺陷细胞中的细胞毒性。用基于CRISPR的SCD敲除和特征良好的SCD抑制剂（A939572）的小鼠研究表明，SMAD4-突变异种移植模型中具有抗肿瘤功效。但是，与SCD的遗传基因敲除（KO）相比，药理学抑制剂在抑制体内肿瘤增殖方面的有效性较小。一起，这些数据将SCD识别为SMAD4突变癌中的选择性漏洞。