XiaoMi-AI文件搜索系统
World File Search Systemforme
神经元可塑性的生物学知识的多基因评分适度了青少年认知能力和皮质厚度之间的关联
Sorbonne Universit'E，E，Piti的儿童和青少年精神病学系，E-SALP ˆ etri etri'eere医院，法国巴黎，法国的Institut National de la Sant'E Et De la Recherche M´Edicale，Inserm u a10大学e Paris-Saclay，Ecole Normale Sup´ iRieure Paris-Saclay，CNRS，Center Borelli，Gif-Sur-Yvette； EPS BARTH的精神病学系，法国儿童和青少年精神病学和心理治疗系的Eps Barth´El´emy Durand，大学医学中心，von-Siebold-STR。5, 37075 G ¨ ottingen, Germany u Department of Psychiatry and Neuroimaging Center, Technische Universit ¨ at Dresden, Dresden, Germany v Centre for Population Neuroscience and Stratified Medicine (PONS), Department of Psychiatry and Neuroscience, Charit ´ e Universit ¨ atsmedizin Berlin, Germany w School of Psychology and Global Brain Health Institute, Trinity College爱尔兰X都柏林X人口神经科学与精确医学中心（PONS），脑启发智能科学与技术研究所（ISTBI）（ISTBI），Fudan University，Fudan University，上海，Y，生理学和营养科学系多伦多多伦多的位于加拿大M5S3G3
与变压器的全球和本地功能通信进行3D人姿势估计
最近，时空变压器结构已被广泛应用于3D人类姿势估计的问题，从而实现了最新的性能。这些方法中的许多方法都将单个框架中的单个关节视为令牌，并且在同一框架或相同轨迹的令牌上施加注意力。尽管这种结构可有效地计算单个关节之间的相关性，但它过于限制，因为诸如帧或轨迹之类的全局特征无法很好地传达。在本文中，我们建议Galformer解决此问题。Galformer由局部和全局变压器块组成，前者基于关节令牌，如先前的方法一样，而后者，即全局混合变压器，将所有关节混合在特定框架范围内的所有关节，以实施特征交换的电感偏见。在提出的方法中交替重复这两个变压器块，以计算关节，形状和轨迹之间的相关性。实验表明，与人类36M，MPI-INF-3DHP和HUMANEVA数据集的现有方法相比，我们的方法具有优越或至少具有竞争性能。
通过紫外线激光照射在介孔硅上形成的微尖峰
微型和纳米结构的表面受到了广泛的关注，因为它们在传感器技术，表面摩擦学以及依从性和能量收集等广泛应用中的潜力。已经研究了几种修改材料表面，例如血浆处理，离子梁溅射，反应性离子蚀刻和激光处理等材料表面[1-3]。在这些方法中，由于其良好的空间分辨率和对不同材料（例如金属，半导体，介电和聚合物）的良好空间分辨率和高可重现性，激光表面处理近年来引起了人们的兴趣[4-6]。从连续波（CW）到超短梁以及从UV到IR的工作波长已经使用了许多类型的激光源[7-8]。由于激光 - 物质相互作用，从纳米到微尺度的各种结构和模式取决于激光参数和材料特性，例如激光诱导的周期性表面结构（LIPS），2D圆形液滴和特定的微型结构，称为Spikes [9-14]。
研究声明：行为信息的机器学习
机器学习（ML）已整合到日常生活的各个方面，在很大程度上从人类数据中得出了培训。因此，这些ML系统经常表现出和反映人类的行为偏见，从而引起了从社交媒体到医疗决策的应用的担忧。然而，尽管心理学研究的证据表明，但目前的ML方法主要将人类视为独立的，随机数据来源或认为它们是理性决策者。这一差距强调了将凭经验扎根的人类行为洞察力纳入ML设计的必要性。此外，随着ML的不断增长，它开辟了设计系统通过考虑现实的人类行为来增强人类决策的潜力。我的研究旨在开发出行为知识的机器学习，检查和将经验依据的人类行为纳入ML系统的设计。我重点介绍了ML生命周期中人类行为的两个关键方面：用于培训ML模型的数据的产生，以及与机器援助同行的人类决策。相应地，我的研究介绍了人类与ML之间的两种关键形式：设计从人类行为数据中学习的ML系统，并设计了增强人类决策中人类的ML系统。
生物形态 - 虹膜 -
摘要 - 人类机器的相互作用正在在康复任务中获得关注，例如控制假肢或机器人手臂。手势识别表面肌电图（SEMG）信号是最有前途的方法之一，因为SEMG信号采集是无创的，并且与肌肉收缩直接相关。但是，对这些信号的分析仍然提出许多挑战，因为类似的手势会导致相似的肌肉收缩。因此，所得信号形状几乎相同，导致分类精度低。为了应对这一挑战，采用复杂的神经网络，需要大量的记忆足迹，消耗相对较高的能量并限制用于分类的设备的最大电池寿命。这项工作通过引入生物形态来解决此问题。这个新的基于注意力集中的档案的新家族可以采取最先进的性能，同时减少4.9倍的参数和操作的数量。此外，通过引入新的主体间预训练，我们将最佳生物样品的准确性提高了3.39％，可以匹配最先进的准确性，而无需任何额外的推理成本。在平行，超低功率（PULP）微控制器单元（MCU），Greenwaves GAP8上部署我们最佳性能的生物形态，我们的推断潜伏期和能量分别为2.72 ms和0.14 MJ，比以前是先前的现有的神经网络低8.0倍，同时只有94.2 kbs y 4.2 kb，而不是先前的现有的神经网络。索引术语 - 转化器，SEMG，手势识别，深度学习，嵌入式系统
Hybridna：一种混合变压器 - 马巴2远程DNA语言模型
变形金刚 - mamba2体系结构，将注意机制的优势与选择性状态空间模型无缝整合。这种杂种设计使杂种能够通过单核苷酸的分辨有效地处理长度高达131KB的DNA序列。Hybridna在从弯曲，GUE和LRB基准中策划的33个DNA了解数据集中实现了最新的性能，并在产生具有所需属性的合成顺式顺式调节元件（CRE）方面表现出了出色的能力。此外，我们表明Hybridna遵守预期的规律，并且随着模型尺度从300m到3B和7B参数，性能始终如一地提高。这些发现强调了Hybridna的多功能性及其推进DNA研究和应用的潜力，为理解和工程“生活语言”的创新铺平了道路。
e 2 CB2Former：CB2受体配体活性预测的效率和可解释的变压器
摘要 - CB2受体配体活性的准确预测是针对该受体的药物发现的关键，这与炎症，疼痛管理和神经退行性疾病有关。尽管传统的机器学习和深度学习技术已经显示出希望，但其有限的解释性仍然是理性药物设计的重要障碍。在这项工作中，我们介绍了CB2Former，该框架将图形卷积网络（GCN）与变压器体系结构相结合以预测CB2受体配体活动。通过利用变压器的自我发项机制以及GCN的结构学习能力，CB2Former不仅增强了预测性能，而且还提供了对受体活性基础分子特征的见解。我们针对各种基线模型进行基准测试，包括随机森林，支持矢量机，最近的邻居，梯度增强，极端梯度增强，多层感知器，卷积神经网络和重复的神经网络，并以0.685的0.685和0.685和0.67的0.67和0.67 and and and and and and and and and and and and and and and and 0.675，并表现出优势。此外，注意力重量分析揭示了影响CB2受体活动的关键分子子结构，强调了该模型作为可解释的AI的潜力。这种指出关键分子基序的能力可以简化虚拟筛选，指导铅优化和加快治疗性发育。总的来说，我们的结果展示了先进的AI方法（例如CB2Former）在提供准确的预测和可操作的分子见解方面的变革潜力，从而促进了药物发现中的跨学科合作和创新。
将图像压缩到视觉变压器的补丁
Vision Transformer（VIT）在计算机视觉领域取得了重大步骤。然而，随着模型的深度和输入图像的重新分配增加，与培训和运行的VIT模型相关的计算成本急剧上升。本文提出了一个基于CNN和Vision Trans-trans-trans的混合模型，称为CI2P-VIT。该模型包含一个称为CI2P的模块，该模块利用Compressai编码来压缩图像，然后通过一系列连接生成一系列贴片。CI2P可以替换VIT模型中的贴片嵌入组件，从而无缝集成到现有的VIT模型中。与VIT-B/16相比，CI2P-VIT具有减少到原始四分之一的自我发项层的斑块输入数量。此设计不仅显着降低了VIT模型的计算成本，而且还通过引入CNN的电感偏置特性有效地提高了模型的准确性。VIT模型的精度显着提高。在Animal-10数据集的地面上接受训练时，CI2P-VIT的准确率为92.37％，比VIT-B/16基线提高了3.3％。此外，该模型的计算操作以每秒浮点操作（FLOPS）测量，减少了63.35％，并且在相同的硬件配置上的训练速度增加了2倍。