XiaoMi-AI文件搜索系统
World File Search Systemgraphs
![招标条款和合同条款[DOE 覆盖段落 (a)、(b)、(d)、(m) 和 (n)]。（偏差）](/simg/3/3c8445ebb75f484b475f09bceb9e31fcc274aef6.webp)
招标条款和合同条款[DOE 覆盖段落 (a)、(b)、(d)、(m) 和 (n)]。（偏差）
如果有限权利数据和受限计算机软件是合同研究、开发或演示工作的主要目的或基本技术（而不是合同工作的辅助子组件、产品或流程），则应补充或删除 48 CFR 952.227-14 条款替代 VI 的 (k)(1) 至 (k)(4) 子段中的限制。第 (k) 段进一步规定，合同中可以规定有限权利数据或受限计算机软件被排除在许可要求之外或不受其约束。通过将第 (k) 段规定的适用性限制在那些被确定为许可必不可少的有限权利数据和受限计算机软件类别或类别来实施此排除。虽然第 (k) 段可能要求承包商许可，但有关此类许可范围及其条款（包括保密条款和合理版税）的问题的最终解决方案由承包商和合同官员协商决定。
按能量对双环有符号有向图进行排序
有符号有向图 (或简称 sidigraph) 由一对 S = ( D , σ ) 组成，其中 D = ( V , A ) 为基础有向图，σ : A →{ 1 , − 1 } 是有符号函数。带有 +1 ( − 1) 符号的弧称为 S 的正 (负) 弧。一般而言，S 的弧称为有符号弧。sidigraph 的符号定义为其弧符号的乘积。如果 sidigraph 的符号为正 (负)，则称其为正 (负)。如果 sidigraph 的所有弧均为正 (负)，则称其为全正 (全负)。如果 sidigraph 的每个环均为正，则称其为环平衡的，否则为非环平衡的。在本文中，我们假设环平衡（非环平衡）环为正（负）环，并用 C + n（C − n）表示，其中 n 是顶点数。对于有向图，我们用 uv 表示从顶点 u 到顶点 v 的弧。顶点集 { vi | i = 1 , 2 , ... , n } 和有符号弧集 { vivi + 1 | i = 1 , 2 , ... , n − 1 } 组成有向路径 P n 。顶点集 { vi | i = 1 , 2 , ... , n } 和有符号弧集 { vivi + 1 | i = 1 , 2 , ... , n − 1 } 组成有向路径 P n 。 , n − 1 } ∪{ vnv 1 } 组成一个有向圈 C n 。如果 sidigraph 的底层图是连通的，则该 sidigraph 是连通的。如果连通的 sidigraph 包含唯一的单个有向圈，则它是单环 sidigraph。如果连通的 sidigraph 恰好包含两个单个有向圈，则它是双环 sidigraph。我们考虑具有 n ( n ≥ 4) 个顶点的双环有符号有向图类 S n ，它的两个有符号有向偶圈是顶点不相交的。对于 sidigraph S = ( D , σ )，如果它有一条从 u 到 v 的有向路径和一条从 v 到 u 的有向路径，其中 ∀ u , v ∈V ，那么它是强连通的。S 的最大强连通子图称为 sidigraph S 的强组件。
使用计算机软件研究循环二分图中的纠缠熵
纠缠在量子信息处理中起着至关重要的作用，包括量子通信[1,2]和量子计算[3–5]。它是量子力学和经典力学的显著区别之一。几十年来，纠缠一直是量子力学基础研究的焦点，尤其与量子不可分性和违反贝尔不等式有关[6]。纠缠已被视为如此重要的资源，因此需要一种对其进行量化的方法。对于二分纠缠，Horodecki 家族[7]最近撰写了一篇详尽的综述，Plenio 和 Virmani[8]对纠缠测度进行了详细的综述。纠缠的操作标准之一是施密特分解[9–11]。施密特分解是研究二分纯态纠缠的一个很好的工具。施密特数提供了一个重要的变量来对纠缠进行分类。部分纠缠纯态的纠缠可以自然地通过其纠缠熵来参数化，定义为冯·诺依曼熵，或等效地定义为施密特系数平方的香农熵 [ 9 , 11 ]。如果只有所谓的“高斯态”，情况就会变得简单
关于给定色数图中奇数圈的加强
我们遵循 [9, 13] 中的符号。设 G 为图。对于 V(G) 的非平凡划分 (A,B)，1如果路径 P 的一端在 A 中而另一端在 B 中，则我们称路径 P 为 A - B 路径。设 P 为图 G 中的一条路径。设 | P | 为 P 中的边数。如果 | P | 为偶数（分别为奇数），则我们称 P 为偶数（分别为奇数）。设 C 为按循环顺序具有顶点 v 0 ，v 1 ，...，vt − 1 的环。设 C i,j 表示 C 的子路径 vivi +1...vj，其中索引取自加法群 Z t 。设 H 为 G 的子图。如果顶点 v ∈ V ( G ) − V ( H ) 在 G 中与 V ( H ) 中的某个顶点相邻，则我们称 H 和顶点 v ∈ V ( G ) − V ( H ) 在 G 中相邻。设 NG ( H ) = S v ∈ V ( H ) NG ( v ) − V ( H ) 且 NG [ H ] = NG ( H ) ∪ V ( H )。对于 S ⊆ V ( G )，如果 V ( G ′ ) = ( V ( G ) − S ) ∪{ s } 且 E ( G ′ ) = E ( G − S ) ∪{ vs : v ∈ V ( G ) − S 与 G 中的 S 相邻 } ，我们称图 G ′ 是通过将 S 收缩为顶点 s 而从 G 得到的。如果 G − v 包含至少两个分支，则连通图 G 的顶点 v 是 G 的割顶点。 G 中的块 B 是 G 的最大连通子图，使得不存在 B 的割顶点。注意块是孤立顶点、边或2连通图。G 中的端块是 G 中最多包含一个 G 的割顶点的块。如果 G 是图并且 x, y 是 G 的两个不同顶点，我们称 ( G, x, y ) 为有根图。有根图 ( G, x, y ) 的最小度为 min { d G ( v ) : v ∈ V ( G ) −{ x, y }} 。如果 G + xy 是2连通的，我们还称有根图 ( G, x, y ) 是2连通的。我们称 k 条路径或 k 条循环 P 1 , P 2 , . . . , P k 为
通过自适应密集子图发现提取与脑疾病相关的连接组子图
图 1：信息子图提取的动机：（a）演示了从群体水平连接组数据中获取边推理矩阵的过程；（b）说明常用的社区检测结果（例如使用随机块模型）无法检测到任何信息子图；（c）显示现有密集子图发现结果的结果；（d）描述了一种理想的信息子图检测程序，该程序可以识别由信息边组成的有组织的、生物学上可解释的拓扑结构。（d）中的结果基于 ADSD 方法（详细信息请参阅结果部分）。
DAGBagM：学习混合变量的有向无环图并应用于识别卵巢癌的预后蛋白生物标志物
动机：通过将有向无环图 (DAG) 模型应用于蛋白质组数据推断出的有向基因/蛋白质调控网络已被证明可有效检测临床结果的因果生物标志物。然而，在 DAG 学习中仍然存在尚未解决的挑战，即联合建模临床结果变量（通常采用二进制值）和生物标志物测量值（通常是连续变量）。因此，在本文中，我们提出了一种新工具 DAGBagM，用于学习具有连续和二进制节点的 DAG。通过为连续和二进制变量使用适当的模型，DAGBagM 允许任一类型的节点在学习图中成为父节点或子节点。DAGBagM 还采用了引导聚合策略来减少误报并实现更好的估计精度。此外，聚合过程提供了一个灵活的框架，可以稳健地整合边缘上的先验信息以进行 DAG 重建。结果：模拟研究表明，与常用的将二进制变量视为连续变量或离散化连续变量的策略相比，DAGBagM 在识别连续节点和二进制节点之间的边方面表现更好。此外，DAGBagM 的表现优于几种流行的 DAG
人工智能驱动的全景X光片上牙齿检测和分割新工具
摘要 目的 评估一种新的人工智能 (AI) 驱动的工具在全景 X 光片上检测和分割牙齿的性能。材料和方法共收集了 153 张 X 光片。牙颌面放射科医生标记和分割每颗牙齿，作为基本事实。一颗牙齿的类别不可知裁剪图像产生 3576 颗训练牙齿。AI 驱动的工具将两个深度卷积神经网络与专家细化相结合。系统检测和分割牙齿的准确度是主要结果，时间分析是次要结果。Kruskal-Wallis 检验用于评估牙齿组和不同设备之间性能指标的差异，卡方检验用于验证矫正量、假阳性和假阴性的存在以及牙齿的冠和根部分与潜在的 AI 误解之间的关联。结果该系统的牙齿检测灵敏度为 98.9%，精确度为 99.6%。对于牙齿分割，下颌犬齿的效果最佳，其交集比、精确度、召回率、F1 分数和豪斯多夫距离的值分别为：95.3%、96.9%、98.3%、97.5% 和 7.9。虽然仍高于 90%，但上下磨牙的分割结果略低。该方法显示，临床上显著减少了 67% 的手动时间。结论该 AI 工具在检测和分割牙齿方面表现出高度准确和快速的性能，比单独使用地面实况更快。临床意义与手动分割相比，创新的临床 AI 驱动工具在检测和分割全景 X 光片上的牙齿方面表现出更快、更准确的性能。
人类connectome中的频繁完整子图
虽然仍然无法描述人脑的神经元水平连接，但我们可以通过应用基于分解-MRI的技术来用数百个顶点绘制人类连接组。在这些图中，节点对应于大脑的解剖学上鉴定的灰质区域，而边缘对应于轴突纤维，将这些区域连接起来。在我们以前的贡献中，我们描述了人类连接组的众多图形理论现象。在这里，我们绘制了人脑网络的频繁完整子图：在这些子图中，每对顶点都与边缘结合。我们还检查结果中的性别差异。频率子图的映射在图表中给出了可靠的子结构：如果图80％中存在子图，那么很可能是测量或数据处理工作流的伪像。我们在这里列出了413名受试者（238名女性和175名男性）的人类胸罩的频繁完整子图，每个人具有463个节点，其频率阈值为80％，并识别812个完整的子图，在男性和224个完整的子图中更频繁，在女性连接体中更频繁。
![b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。](/simg/b/ba28460dd1b06d9996628290aa73355077ae7e14.webp)
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
研究文章 深度迁移学习人工智能可在便携式胸部 X 光片上准确分期 COVID-19 肺部疾病严重程度
本研究采用深度学习卷积神经网络在便携式胸部X光 (CXR) 上对冠状病毒病 2019 (COVID-19) 感染的肺部疾病严重程度进行分期，并以放射科医生的疾病严重程度评分为基本事实。本研究包括 84 名 COVID-19 患者 (51 名男性 55.1 ± 14.9 岁；29 名女性 60.1 ± 14.3 岁；4 项信息缺失) 的 131 张便携式 CXR。三位专家胸部放射科医生根据不透明度 (0-3) 和地理范围 (0-4) 分别对左肺和右肺进行评分。深度学习卷积神经网络 (CNN) 用于预测肺部疾病严重程度评分。数据分为 80% 的训练数据集和 20% 的测试数据集。分析了 AI 预测评分与放射科医生评分之间的相关性。并与传统学习和迁移学习进行了比较。平均不透明度得分为 2.52（范围：0-6），三位读者的标准差为 0.25（9.9%）。平均地理范围得分为 3.42（范围：0-8），三位读者的标准差为 0.57（16.7%）。评分者间一致性得出不透明度得分的 Fleiss' Kappa 为 0.45，范围得分的 Fleiss' Kappa 为 0.71。人工智能预测的分数与放射科医生的分数高度相关，其中顶级模型的相关系数（R 2 ）为 0.90（范围：传统学习为 0.73-0.90，迁移学习为 0.83-0.90），平均绝对误差为 8.5%（范围：分别为 17.2-21.0% 和 8.5%-15.5）。迁移学习通常表现更好。总之，深度学习 CNN 可在便携式 COVID-19 肺部感染胸部 X 光片上准确分级疾病严重程度。这种方法可能有助于分级肺部疾病严重程度、预测和预测治疗反应和生存率，从而为风险管理和资源分配提供信息。