XiaoMi-AI文件搜索系统
World File Search Systemgeneralization
通过消息传播的神经网络和强化学习的自动网络事件响应中的结构概括
摘要 - 我们相信，基于机器学习的自动事件响应的代理需要处理网络结构的变化。计算机网络是动态的，随着时间的推移，结构自然可以改变。小型网络的再训练代理会花费时间和精力。我们试图通过现有的关系代理学习方法来解决这个问题，其中假定对象之间的关系在问题实例中保持一致。计算机网络的状态表示为关系图，并通过传递神经网络的消息编码。使用编码的消息传递神经网络和代理策略是使用强化学习优化的。我们评估了网络自主体育馆第二个实例的方法进行实验（CAGE 2），这是一种模拟企业网络攻击的网络事件模拟器。我们创建了原始网络的变体，其中测试了不同数量的主机和代理，而无需对其进行其他培训。我们的结果表明，尽管网络发生了变化，但使用关系信息的代理仍能够找到解决方案，并且在某些情况下可以最佳地执行。使用默认向量状态表示的代理性能更好，但需要在每个网络变体上进行特殊培训，这表明专业化和概括之间的权衡。索引术语 - 循环安全，加强学习，图形学习，关系学习，概括
非线性很重要：深度学习解决方案，用于在人群中推广隐藏的大脑模式
。CC-BY 4.0 国际许可，根据 （未经同行评审认证）提供，是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者，此版本于 2021 年 3 月 14 日发布。；https://doi.org/10.1101/2021.03.10.434856 doi：bioRxiv 预印本
使用图像或文本
自现代计算机历史记录的开始以来，图灵机一直是大多数计算设备的主要体系结构，其中包括三个基本组件：无限磁带用于输入，读/写头和有限的控制。在此结构中，头可以读取的内容（即位）与已编写/输出的内容相同。这实际上与人类思考或思考/工具实验的方式不同。更确切地说，人类在纸上想象/写作是图像或文本，它们不是他们在人脑中所代表的抽象概念。Turing Machine忽略了这种差异，但实际上在抽象，类比和概括中起着重要作用，这在人工智能中至关重要。与此体系结构相比，所提出的体系结构使用两种不同类型的头部和磁带，一种用于传统的抽象位输入/输出，另一个用于特定的视觉（更像是屏幕或带有相机观察的屏幕或工作区）。抽象位和特定图像/文本之间的映射规则可以通过卷积神经网络，Yolo，大语言模型等神经网络实现，其精度很高。为例，本文介绍了新的计算机体系结构（为简单起见，我们称为“ Ren Machine”）如何自主地学习特定领域中的分布属性/多重规则，并进一步使用该规则来生成一般方法（在抽象领域和特定领域中混合使用），以计算基于图像/图像/图像的任何正面整体的MUL-PISTICATION）。机器的强推理能力也证实了在平面几何形状中的定理中。此外，提出了一种基于REN机器的机器人体系结构，以解决视觉语言行动（VLA）模型在不合适的推理能力和高计算成本中所面临的挑战。
一种具有自主规则学习和利用图像或文本进行泛化能力的人工智能非图灵计算机架构
自现代计算机历史开始以来，图灵机一直是大多数计算设备的主导架构，它由三个基本组件组成：用于输入的无限磁带、读写头和有限控制。在这种结构中，读写头可以读取的内容（即比特）与其写入/输出的内容相同。这实际上不同于人类思考或进行思维/工具实验的方式。更准确地说，人类在纸上想象/书写的是图像或文本，而不是它们在人脑中所代表的抽象概念。这种差异被图灵机忽略了，但它实际上在抽象、类比和概括中起着重要作用，而这些对于人工智能至关重要。与这种架构相比，所提出的架构使用两种不同类型的读写头和磁带，一种用于传统的抽象比特输入/输出，另一种用于特定的视觉输入/输出（更像是一个屏幕或一个带有摄像头观察它的工作区）。抽象比特与具体图像/文本之间的映射规则可以通过卷积神经网络、YOLO、大型语言模型等神经网络实现，准确率较高。作为示例，本文介绍了新的计算机架构（我们在此简称为“任氏机”）如何自主学习特定域中的乘法分配属性/规则，并进一步使用该规则生成一种通用方法（混合在抽象域和特定域中）来计算基于图像/文本的任意正整数的乘法。
关于 microRNA 引导基因调控特异性的新视角及其对转录因子和 RNA 结合蛋白的潜在推广
过去 20 年来，我们对基因调控特异性的认识发生了深刻变化。以前，人们认为调控因子控制着少数基因，通过“钥匙和锁”机制以精确的特异性识别。但最近，对调控因子结合位点占有率（无论是在 DNA 还是 RNA 靶标上）的全基因组探索揭示了每个研究调控因子的大量分子靶标列表。如此差的生化特异性表明每个调控因子控制许多基因，共同影响生物表型。在这里，我提出了第三种模型，即调控因子的生物特异性仅部分归因于“钥匙和锁”生物化学。相反，调控因子在微观尺度上影响许多基因，但大多数相互作用的生物学后果在中观尺度上被减弱：只有少数调控事件从微观传播到宏观尺度，其他调控事件因稳态机制而变得无关紧要。该模型得到了 microRNA 文献的充分支持，数据表明它扩展到其他调控因子。它一方面调和了来自生物化学和比较基因组学的矛盾观察结果，另一方面又调和了来自体内遗传学的矛盾观察结果，但这种概念上的统一却被常见的误解和违反直觉的图形显示模式所掩盖。要深刻理解基因调控，需要澄清概念，以及更适合的统计分析和图形表示。
Sugeno积分对汇总间隔值数据的概括：大脑计算机接口和社交网络分析的应用
间隔是代表与数据相关的不确定性的流行方式，在这种方式中，我们将每个观察结果视为间隔的宽度的模糊性。但是，在为此目的使用间隔时，我们需要使用适当的数学工具来使用。这可能是有问题的，这是由于与NuMerical的功能相比，间隔值函数的稀缺性和复杂性。在这项工作中，我们建议将Sugeno积分的概括扩展到与间隔值数据的工作。然后，我们在两个不同的设置中使用此积分对Aggregate间隔值数据进行：首先，我们研究了在脑部计算机界面中间隔的使用；其次，我们研究了如何在社交网络中构建间隔值的关系，以及如何汇总他们的信息。我们的结果表明，在两种情况下，间隔值数据可以有效地对数据的某些不确定性和联盟进行建模。对于大脑计算机界面的情况，我们发现我们的结果超过了其他间隔值函数的结果。
RF Genesis：通过基于仿真的数据合成和生成扩散模型
本文介绍了RF Genesis（RFGEN），这是一种使用跨模式分化模型合成RF传感数据的新颖且具有成本效益的方法，以提高毫米波（MMWAVE）传感系统的概括能力。使用有限的培训数据集中用于MMWave感应斗争中的传统Ma-Chine学习模型。当与看不见的用户，环境，传感器配置，测试类等面对时，他们的性能急剧下降。rfgen通过使用跨模式生成框架合成和验证MMWave感应数据来缓解这些挑战。我们专门提出了一个自定义的射线跟踪模拟器，以模拟RF的传播和与对象/环境的交互。然后，我们利用一组扩散模式来生成大量的3D场景，并将视觉场景表示形式转换为相应的MMWAVE感应数据，而不是应用程序特定的“提示”的方向。我们提出的方法将基于物理的射线跟踪与黑框扩散模型进行了调解，从而导致准确，可扩展和可解释的视觉到RF数据综合。我们广泛的现实世界实验强调了RFGEN在不同的MMWave感应应用中的有效性，从而增强了它们对无需收集数据的未见测试用例的概括。
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
精准度与泛化度的结合：通过预训练的 DenseNet 结合全局平均池化和超参数调整来增强脑肿瘤分类
脑肿瘤死亡率高，治疗选择有限，是全球重大健康问题。这些肿瘤是由脑内细胞异常生长引起的，大小和形状各异，因此，对于医疗专业人员来说，通过磁共振成像 (MRI) 扫描手动检测它们是一项主观且具有挑战性的任务，因此需要自动化解决方案。本研究探讨了深度学习（特别是 DenseNet 架构）自动化脑肿瘤分类的潜力，旨在提高临床应用的准确性和通用性。我们利用了 Figshare 脑肿瘤数据集，该数据集包含 233 名患者的 3,064 张 T1 加权增强 MRI 图像，这些患者患有三种常见肿瘤类型：脑膜瘤、神经胶质瘤和垂体瘤。使用来自 ImageNet 的迁移学习评估了四种预训练的深度学习模型——ResNet、EfficientNet、MobileNet 和 DenseNet。DenseNet 实现了最高的测试集准确率 96%，优于 ResNet（91%）、EfficientNet（91%）和 MobileNet（93%）。因此，我们专注于提高 DenseNet 的性能，同时将其视为基础模型。为了增强基础 DenseNet 模型的通用性，我们实施了一种微调方法，该方法采用了正则化技术，包括数据增强、dropout、批量归一化和全局平均池化，并结合了超参数优化。这种增强的 DenseNet 模型实现了 97.1% 的准确率。我们的研究结果证明了 DenseNet 结合迁移学习和微调对脑肿瘤分类的有效性，凸显了其在临床环境中提高诊断准确性和可靠性的潜力。
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。