XiaoMi-AI文件搜索系统
World File Search SystemlaTent
在交互式舞蹈音乐表演中对深层空间的体现探索
近年来，在音频生成的深度学习模型中已取得了重大进展，提供了有希望的工具用于Musical Creation。在这项工作中，我们研究了在互动舞蹈/音乐表演中使用深度音频生成模型的使用。我们采用了一种表演主导的研究设计方法，建立了研究者/音乐家与舞者之间的艺术研究合作。首先，我们描述了我们的运动互动系统 - 整合深度音频生成模型，并提出了三种用于体现深层空间的探索方法。然后，我们详细介绍建立以系统共同设计为中心的性能的创作过程。最后，我们报告了舞者访谈的反馈，并讨论结果和观点。代码实施在我们的GitHub 1上公开可用。
通过图形卷积网络通过深层潜在位置模型聚类
随着个体通过数字平均值的显着相互作用的显着增加，图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中，我们提出了深层的位置模型（DEEPLPM），这是一种端到端的生成聚类方法，将广泛使用的潜在位置模型（LPM）与图形卷积网络（GCN）编码策略相结合。此外，还引入了一种原始估计算法，以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力，以选择簇数量的较低限制，这表明其聚类能力与最先进的方法相比。最后，DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora，以说明探索大型且复杂的现实世界网络的实际兴趣。
通过潜在张量重建建模药物组合效应
动机：结合疗法已成为一种有力的治疗方式，以克服耐药性并提高治疗效果。然而，随着个人药物的数量，可能的药物组合数量的增加非常迅速，这使得在实践中无法进行全面的实验性筛查。机器学习模型提供了时间和成本良好的手段来帮助这一过程，以优先考虑最有效的药物组合，以进一步进行临床前和临床验证。然而，多种药物剂量和不同细胞环境中潜在相互作用模式的复杂性对药物组合效应的预测建模构成了挑战。结果：我们介绍了学习复杂的，高度时间柔性的方法，用于描述各种剂量和癌细胞膜的治疗剂组合的响应。该方法基于通过强大潜在张量重建的多项式回归。它结合了推荐的系统式功能，在不同上下文中索引响应值的数据张量以及化学和多摩s特征作为输入。我们证明，在预测性能和运行时间方面，Comboltr优于最先进的方法，并且即使在具有挑战性和实用的推理场景中也会产生高度准确的结果，在没有任何可用的组合和单层响应响应测量中，可以预测所有剂量 - 反应矩阵，并且在任何训练细胞系中都可以进行全新药物组合。可用性和实现：Comboltr代码可在https://github.com/aalto-ics-kepaco/comboltr上找到。联系人：tianduanyi.wang@aalto。fin或juho.rousu@aalto。补充信息：补充数据可在BreioNformatics Online获得。
用于学习基于能量的隐变量模型的双层分数匹配
分数匹配 (SM) [ 24 ] 通过避免计算配分函数，为学习基于能量的模型 (EBM) 提供了一种引人注目的方法。然而，除了一些特殊情况外，学习基于能量的潜变量模型 (EBLVM) 仍然有很大空间。本文提出了一种双层分数匹配 (BiSM) 方法，通过将 SM 重新表述为双层优化问题来学习具有一般结构的 EBLVM。较高级别引入潜变量的变分后验并优化修改的 SM 目标，较低级别优化变分后验以拟合真实后验。为了有效地解决 BiSM，我们开发了一种带有梯度展开的随机优化算法。从理论上讲，我们分析了 BiSM 的一致性和随机算法的收敛性。从实证上，我们展示了 BiSM 在高斯限制玻尔兹曼机和由深度卷积神经网络参数化的高度非结构化 EBLVM 中的前景。当适用时，BiSM 与广泛采用的对比散度和 SM 方法相当；并且可以学习具有难以处理的后验的复杂 EBLVM 来生成自然图像。
用于发现神经数据中非欧几里得潜在结构的流形 GPLVM
神经科学中的一个常见问题是阐明行为上重要的变量（例如头部方向、空间位置、即将发生的动作或心理空间变换）的集体神经表征。通常，这些潜在变量是实验者无法直接访问的内部构造。在这里，我们提出了一种新的概率潜在变量模型，以无监督的方式同时识别潜在状态和每个神经元对其表征的贡献方式。与以前假设欧几里得潜在空间的模型相比，我们接受这样一个事实，即潜在状态通常属于对称流形，例如球面、环面或各种维度的旋转群。因此，我们提出了流形高斯过程潜在变量模型 (mGPLVM)，其中神经响应来自 (i) 存在于特定流形上的共享潜在变量，以及 (ii) 一组非参数调整曲线，确定每个神经元如何对表征做出贡献。可以使用具有不同拓扑结构的模型的交叉验证比较来区分候选流形，而变分推理可以量化不确定性。我们在几个合成数据集以及果蝇椭圆体的钙记录和小鼠前背丘脑核的细胞外记录上证明了该方法的有效性。众所周知，这些电路都编码头部方向，而 mGPLVM 正确地恢复了代表单个角度变量的神经群体所期望的环形拓扑。
用于分段线性降维的自适应潜在特征共享
线性高斯探索性工具（例如主成分分析 (PCA) 和因子分析 (FA)）广泛用于探索性分析、预处理、数据可视化和相关任务。由于线性高斯假设具有限制性，因此对于非常高维的问题，它们已被稳健、稀疏扩展或更灵活的离散-连续潜在特征模型所取代。离散-连续潜在特征模型指定依赖于数据子集的特征词典，然后推断每个数据点共享这些特征的可能性。这通常是使用关于特征分配过程的“富者得富”假设来实现的，其中词典试图将特征频率与其解释的总方差部分结合起来。在这项工作中，我们提出了一种替代方法，可以更好地控制特征到数据点的分配。这种新方法基于双参数离散分布模型，该模型将特征稀疏性和词典大小分离，从而以简约的方式捕获常见和罕见特征。新框架用于推导一种新型自适应因子分析变体 (aFA) 以及自适应概率主成分分析 (aPPCA)，能够在各种场景中灵活地发现结构和降低维度。我们推导出标准吉布斯采样以及有效的期望最大化推理近似，这些近似以更快的数量级收敛到合理的点估计解。所提出的 aPPCA 和 aFA 模型的实用性在特征学习、数据可视化和数据白化等标准任务上得到了证明。我们表明，aPPCA 和 aFA 可以为原始 MNIST 或 COLI-20 图像提取可解释的高级特征，或者在应用于自动编码器分析时
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
brepgen：具有结构性潜在几何>的B-REP生成扩散模型
当两个面共有一个边缘时，边缘曲线将在树上出现两次，并且一个带有三个入射边缘的T型顶点在树中出现六次，具有相同的节点特征。从根开始，再到叶子，Brepgen使用基于变压器的扩散模型来依次denoise节点特征，同时检测并合并重复的节点，从而恢复B-REP拓扑信息。广泛的实验表明，布雷根（Brepgen）推进了CAD B-REP生成的任务，超过了各种基准上的现有方法。我们新收集的家具数据集的结果进一步展示了其在产生复杂几何形状方面的非凡能力。虽然先前的方法仅限于生成简单的棱柱形状，但Brepgen首次结合了自由形式和双曲面表面。Brepgen的其他应用包括CAD自动完成和设计插值。代码，预处理的模型和数据集可在https://github.com/samxuxiang/brepgen上找到。
通过潜在张量重建建模药物组合效应
动机：结合疗法已成为一种有力的治疗方式，以克服耐药性并提高治疗效果。然而，随着个人药物的数量，可能的药物组合数量的增加非常迅速，这使得在实践中无法进行全面的实验性筛查。机器学习模型提供了时间和成本良好的手段来帮助这一过程，以优先考虑最有效的药物组合，以进一步进行临床前和临床验证。然而，多种药物剂量和不同细胞环境中潜在相互作用模式的复杂性对药物组合效应的预测建模构成了挑战。结果：我们介绍了学习复杂的，高度时间柔性的方法，用于描述各种剂量和癌细胞膜的治疗剂组合的响应。该方法基于通过强大潜在张量重建的多项式回归。它结合了推荐的系统式功能，在不同上下文中索引响应值的数据张量以及化学和多摩s特征作为输入。我们证明，在预测性能和运行时间方面，Comboltr优于最先进的方法，并且即使在具有挑战性和实用的推理场景中也会产生高度准确的结果，在没有任何可用的组合和单层响应响应测量中，可以预测所有剂量 - 反应矩阵，并且在任何训练细胞系中都可以进行全新药物组合。可用性和实现：Comboltr代码可在https://github.com/aalto-ics-kepaco/comboltr上找到。联系人：tianduanyi.wang@aalto。fin或juho.rousu@aalto。补充信息：补充数据可在BreioNformatics Online获得。
DiffRNAFold：利用潜在空间扩散生成 RNA 三级结构
然而，确定 RNA 结构已被认为是一项巨大的挑战，甚至被认为比蛋白质结构预测更困难 [26]。原因很简单，因为 RNA 分子的灵活性。蛋白质分子每个残基上有三个扭转角，产生的多样性足以使结构预测变得困难，而 RNA 分子每个核苷酸上都有七个扭转角 [18]。因此，RNA 分子在允许的三级结构方面具有组合爆炸式增长。由于构象样本空间很大，旨在随机抽样并选择自由能最低的分子的传统蒙特卡罗方法往往无法在合理的时间内收敛。为了解决这个问题，部分由于最近使用 AlphaFold [13] 在蛋白质结构预测方面取得的成功，人们提出了基于深度学习的方法 [19，23]。这些方法在结构预测方面表现出良好的效果。利用 DiffRNAfold，我们提出了一个框架，将 RNA 结构生成和设计向前迈进了一步。