XiaoMi-AI文件搜索系统
World File Search Systeminfer
神经网络中非线性潜在结构的动态灵活推理
流形潜在因子和神经观测之间的关系用带有 MLP 编码器和解码器网络的自动编码器 154 建模，其中流形潜在因子是瓶颈 155 表示。从神经观测到流形潜在因子的虚线仅用于 156 推理，不是生成模型的一部分。动态和流形潜在因子共同形成 157 LDM，其中流形因子是动态因子的噪声观测，构成 158 LDM 状态。动态潜在因子的时间演变用线性动态 159 方程描述。所有模型参数（LDM、自动编码器）都是在单次优化中联合学习的，通过最小化未来神经观测与过去的预测误差。在无监督 161 版本中，在训练 DFINE 模型之后，我们使用映射器 MLP 网络来学习 162 流形潜在因子和行为变量之间的映射。我们还扩展到监督式 DFINE，其中映射器 MLP 网络与所有其他模型参数同时进行训练，以达到优化效果，现在可以最小化神经和行为预测误差（方法）。（b）显示了使用 DFINE 的推理过程。我们首先使用每个时间点的非线性流形嵌入来获得流形潜在因子的噪声估计。借助动态方程，我们使用卡尔曼滤波来推断动态潜在因子 𝐱𝐱 𝑡𝑡|𝑘𝑘 并改进我们对流形潜在因子 𝐚𝐚 𝑡𝑡|𝑘𝑘 的估计，下标为
利用脑电图推断进行脑指纹识别
越来越多的研究表明，功能连接组具有个体特异性，因此可以视为大脑指纹；即能够在健康 [1] 和疾病 [2], [3] 的人群中识别个体。传统的方法是将大脑区域视为顶点，将区域对之间的区域时间过程的统计依赖性成对度量（即皮尔逊相关系数）视为边权重，从而构建功能连接组 (FC)。人们已经使用不同的神经成像方式研究了 FC 的指纹潜力，即脑电图 (EEG) [4], [5]、脑磁图 (MEG) [6], [7] 和功能性磁共振成像 (fMRI) [1], [8]。所有这些研究都有助于从大脑连接数据中实现单受试者水平的推断，即通过利用不同认知任务和静息状态下功能网络组织的个体属性 [9], [10]，或通过将个体连接组特征与行为和人口统计分数联系起来 [1], [6], [7], [9]。然而，传统的功能连接组不仅捕捉到了神经活动之间的统计依赖性，也捕捉到了潜在噪声源的统计依赖性。此外，功能连接组的构造仅提供大脑动态的成对表示，例如通过将大脑视为二元组的组合。由于其简单性，这一假设是有益的，但它限制了对人类大脑网络中个体特征的研究。因此，已经提出了基于主成分重建 [9] 或特征空间嵌入 [10] 的功能连接组去噪补救措施，每种方法都需要从潜在空间中学习基于空间的功能连接组。
闭环实时深度网络推理平台……
† 同等贡献。*1760 Haygood Dr NE，亚特兰大，佐治亚州，美国。电子邮件：chethan [at] gatech.edu。简介：闭环实验是脑机接口 (BCI) 研究的关键组成部分。人工神经网络 (ANN) 是用于建模和解码神经活动的最先进的工具，但将其部署到闭环实验中却具有挑战性。研究人员需要一个框架，该框架既支持用于运行 ANN 的高级编程语言（例如 Python 和 Julia），又支持对低延迟数据采集和处理至关重要的语言（例如 C 和 C++）。为了满足这些需求，我们推出了 BRAND 实时异步神经解码系统 (BRAND)。材料、方法和结果：BRAND 可以在几乎任何标准 Linux 计算机上运行，并且由称为节点的进程组成，它们通过图中的数据流相互通信。BRAND 支持微秒精度的可靠实时执行，使其成为闭环神经科学和神经工程应用的理想平台。 BRAND 使用 Redis [1] 在节点之间发送数据，从而实现快速的进程间通信 (IPC)、对 54 种编程语言的支持以及跨多台计算机的分布式处理。开发人员只需进行极少的实施更改，即可在 BRAND 中无缝部署现有的 ANN 模型。在初步测试中，BRAND 在发送大量数据（1024 个通道的 30 kHz 模拟神经数据，以 1 毫秒的块为单位）时实现了快速的 IPC 延迟（<500 微秒）。BCI 控制通过一个图表进行测试，该图表通过以太网接收 30 kHz 微电极阵列电压记录，过滤和阈值化输入以获取尖峰，将尖峰分成 10 毫秒的箱体，应用解码模型，并更新光标在显示屏上的位置。在系统的初步演示中，BrainGate2 临床试验 (NCT00912041) 的参与者 T11 在径向 8 中心向外光标控制任务中实现了 2.84 ± 0.83 秒（53 次试验）的目标获取时间，其中 30 kHz 信号处理、线性解码、任务控制和图形均在 BRAND 中执行。未来的实验将结合 ANN；为了对 ANN 延迟进行基准测试，我们运行了基于 PyTorch 的循环神经网络解码器（10 个隐藏单元、30 个箱输入序列）并测量了延迟（N = 30,000 个数据包）。对于此配置，从信号输入到解码器预测的端到端延迟始终小于 2 毫秒（图 1）。我们还验证了 BRAND 可以实时运行两种流行的神经群体动态模型——通过动态系统进行潜在因子分析 (LFADS) [2] 和神经数据转换器 (NDT) [3]，使用其原始的 Tensorflow 和 PyTorch 实现，每 10 毫秒箱（256 通道数据）的延迟低于 6 毫秒。讨论：BRAND 支持低延迟 ANN 推理，同时提供与闭环 BCI 研究所需的数据采集、信号处理和任务代码的无缝集成。意义：BRAND 凭借其模块化设计和广泛的语言支持，简化了将计算模型从离线分析转换为闭环实验的过程，利用 ANN 的强大功能来改善多种环境下的 BCI 控制。致谢：这项工作得到了埃默里神经调节和技术创新中心 (ENTICe)、NSF NCS 1835364、DARPA PA-18-02-04-INI-FP-021、NIH Eunice Kennedy Shriver NICHD K12HD073945、NIH-NINDS/OD DP2NS127291、阿尔弗雷德 P.斯隆基金会、Burroughs Wellcome 基金会、作为西蒙斯-埃默里国际运动控制 (CP) 联盟一部分的西蒙斯基金会、NIH NINDS NS053603、NS074044 (LEM)、NIH NIBIB T32EB025816 (YHA)、NIH-NIDCD U01DC017844 和退伍军人事务部康复研究与发展服务 A2295R (LRH) 的支持。参考文献：[1] Redis https://redis.io/ 。[2] Pandarinath 等人，2018 年，Nat Methods doi：10.1038/s41592-018-0109-9。[3] Ye 和 Pandarinath，2021 年，神经元行为数据分析理论 doi：10.1101/2021.01.16。42695。
基于人工智能的患者特定临床决策支持系统，帮助骨关节炎患者选择是否进行手术：单中心、平行组、非劣效性随机对照试验的研究方案
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
右侧额下回损伤与抑制控制启动受损有关，但与其实施无关
摘要 抑制控制是人脑中最重要的控制功能之一。我们对其神经基础的大部分理解来自于开创性的研究，这些研究表明右下额回 (rIFG) 损伤会增加停止信号反应时间 (SSRT)，这是一个表达抑制控制速度的潜在变量。然而，最近的研究发现了 SSRT 方法的重大局限性。值得注意的是，SSRT 受到触发失败的困扰：从未启动抑制控制的停止信号试验。此类试验会使 SSRT 膨胀，但通常表明注意力缺陷，而不是抑制缺陷。在这里，我们使用分层贝叶斯模型来识别人类 rIFG 损伤患者、非 rIFG 损伤患者和健康对照者的停止信号触发失败。此外，我们测量了头皮脑电图以检测 β 爆发，这是抑制控制的神经生理指标。 rIFG 病变患者的触发失败试验次数增加了 5 倍以上，并且没有表现出与停止相关的额叶 β 爆发的典型增加。然而，在发生此类 β 爆发的试验中，rIFG 患者表现出典型的后续 β 上调，这些 β 上调发生在感觉运动区域，表明他们实施抑制控制的能力一旦被触发，就会保持完好。这些发现表明，rIFG 在抑制控制中的作用必须从根本上重新解释。
存在隐藏信息的量子因果推断...
量子因果关系是一个新兴的研究领域，它有可能极大地促进我们对量子系统的理解。在本文中，我们提出了一种新的理论框架，通过利用熵原理将量子信息科学与因果推理相结合。为此，我们利用隐藏原因的熵和观测变量的条件互信息之间的权衡，开发了一种可扩展的算法方法，用于在量子系统中存在潜在混杂因素（共同原因）的情况下推断因果关系。作为一种应用，我们考虑一个由三个纠缠量子比特组成的系统，并通过单独的噪声量子信道传输第二和第三个量子比特。在这个模型中，我们验证了第一个量子比特是一个潜在混杂因素，也是第二和第三个量子比特的共同原因。相反，当准备好两个纠缠量子比特并将其中一个通过噪声信道发送时，不存在共同的混杂因素。我们还证明了，当变量为经典变量时，通过密度矩阵而不是联合概率分布利用变量之间的量子依赖性，所提出的方法优于 Tubingen 数据库的经典因果推理结果。因此，所提出的方法以原则性的方式统一了经典和量子因果推理。
本教程的材料发布在网站上：https：//www.neuroinference.com/course/rl4speech。随附的调查：“强化学习和
本教程的材料发布在网站上：https：//www.neuroinference.com/course/rl4speech。随附的调查：“言语和语言处理的强化学习和土匪：教程，评论和前景”（https://arxiv.org/abs/2210.13623）
EE599，量子传感简介：推理与信息 学分：4 2023 年春季 — 周一、周三 — 时间：4:00-5:50 地点：待定 讲师：朱群涛
EE599，量子传感简介：推理和信息 学分：4 2023 年春季——周一、周三——时间：4:00-5:50 地点：待定 讲师：庄群涛 办公室：PHE 606（临时办公室 PHE 620） 办公时间：周三 3-4 点 联系信息：qzhuang@usc.edu 助教：待定 办公室：待定 办公时间：待定 联系信息：待定 课程描述 这是一门 4 单元的课程，介绍量子传感的基础知识——推理和信息的量子理论。 量子信息科学与工程在计算、通信和传感方面显示出超越经典性能的巨大希望。特别是，传感是量子技术在近期的实际应用方面可以比传统传感技术更具优势的领域。量子传感与计量研究使用非经典资源来增强各种传感应用的测量性能。作为一个突出的例子，激光干涉引力波天文台 (LIGO) 将非经典压缩光注入其迈克尔逊干涉仪，以超越激光散粒噪声造成的标准量子极限 (SQL)。除了 LIGO，量子计量学还被用于目标检测、显微镜、生物传感和相位跟踪。本课程将介绍量子传感的理论基础，并提供不同实际传感场景中量子优势的典型例子。本课程从基本量子力学开始，包括量子比特系统和以谐振子建模的量子光学系统。然后，我们将介绍经典推理的基础知识，作为随后量子版本的初步知识。最后，我们将讨论一些量子传感的物理系统。本课程将介绍建模和分析量子传感协议的基本工具和方法，并将其应用于实际示例。本课程面向具有复杂线性代数成熟知识的学生，为学生提供量子传感的最新概述，并为他们开始量子传感研究做好准备。相关课程：EE 520 量子信息处理简介、PHYS 513 量子计算应用和 EE 514：量子误差校正学习目标 在本课程结束时，学生将对各种量子传感范式有基本的了解，并获得定量工具来分析量子传感性能。学生将了解纠缠和压缩如何增强传感光学相位，以及多部分纠缠如何导致海森堡误差缩放。
接受辅助生殖治疗的不孕夫妇对 COVID-19 疫苗的犹豫及相关因素
尽管孕期疫苗接种对孕产妇和新生儿的健康至关重要，但人们对寻求生育治疗的不孕夫妇对 COVID-19 疫苗犹豫的情况知之甚少。因此，我们在 2021 年 9 月至 2021 年 12 月期间对生殖医学中心的不孕症患者进行了这项调查，以估计 COVID-19 疫苗犹豫的流行率及其影响因素。信息是通过志愿者面对面访谈收集的。在 987 名受访者中，17.33% 的人报告对初次接种犹豫不决，25.63% 的人报告对加强接种犹豫不决，32.32% 的人推迟了初次接种。犹豫是否接种初次疫苗与不明原因不孕症（OR：1.77，95% CI：1.05-2.98）、正在接受 IVF 治疗（OR：2.17，95% CI：1.22-3.89）、担心疫苗安全性（OR：4.13，95% CI：2.66-6.42）、疫苗有效性（OR：1.62，95% CI：1.15-2.28）和影响妊娠（OR：2.80，95% CI：1.68-4.67）相关。这些因素也与犹豫是否接种加强疫苗相关。推迟初次免疫接种与大专及以上学历（OR：0.49，95% CI：0.27～0.87）、既往流感疫苗接种史（OR：0.67，95% CI：0.46～0.98）呈负相关，与担心疫苗对妊娠影响（OR：7.78，95% CI：5.01～12.07）呈正相关。应由医护人员开展针对性教育，普及孕前免疫接种的益处，降低不孕夫妇对新冠病毒疫苗的抵抗力。
通过稳定地形的空间推断对数字高程模型进行不确定性分析
摘要 — 随着数字高程模型 (DEM) 的可用性和分辨率不断提高，对地球和行星表面高程的更大和更精细尺度的监测正在迅速发展。表面高程观测正被用于越来越多的领域，以研究地形属性及其随时间的变化，特别是在冰川学、水文学、火山学、地震学、林业和地貌学中。然而，DEM 通常包含大规模仪器噪声和不同的垂直精度，从而导致复杂的错误模式。在这里，我们提出了一个经过验证的统计工作流程来估计、建模和传播 DEM 中的不确定性。我们回顾了 DEM 准确度和精度分析的最新进展，并定义了一个概念框架来一致地解决这些问题。我们展示了如何通过量化高程测量的异方差来表征 DEM 精度，即随地形或传感器相关变量而变化的垂直精度，以及可能在多个空间尺度上发生的误差的空间相关性。随着高精度观测的日益普及，我们基于在稳定地形上获取的独立高程数据的工作流程几乎可以应用于地球上的任何地方。我们以地形坡度和冰川体积变化为例，说明了如何传播像素尺度和空间高程导数的不确定性。我们发现文献中大大低估了 DEM 中的不确定性，并主张新的 DEM 精度指标对于确保未来陆地高程评估的可靠性至关重要。