XiaoMi-AI文件搜索系统
World File Search SystemlaTent
使用潜扩散模型
脑电图（EEG）是一种非侵入性方法，它允许记录丰富的时间信息，并且是诊断各种神经疾病和精神病疾病的宝贵工具。脑电图的主要局限性之一是信噪比低，缺乏训练大型数据繁殖神经网络的数据可用性。共享大型医疗保健数据集对于推进医学成像研究至关重要，但是隐私问题通常会妨碍这种努力。深层生成模型已引起关注，以避免数据共享局限性，并作为生成数据以改善这些模型性能的一种方法。这项工作研究了具有光谱损失的潜在扩散模型，作为深层建模，以生成30秒的睡眠eeg信号窗口。光谱损失对于确保生成的信号在典型的EEG信号的特定频带上包含结构性振荡。我们使用两个大型睡眠数据集（Sleep EDFX和SHH）训练了模型，并使用了多尺度的结构相似性度量，Frechet Inception距离和光谱图分析来评估合成信号的质量。我们证明潜在扩散模型可以使用正确的神经振荡产生逼真的信号，因此可以用来克服脑电图数据的稀缺性。
gldm：用约束图潜扩散模型击中分子生成
Conghao Wang获得了中国西安北大学的计算机科学技术学士学位。 他目前是新加坡南南技术大学计算机科学与工程学院的博士候选人。 他的重点是将可解释的AI应用于药物机理预测的应用，以及使用生成模型的小分子和生物制剂的从头设计。 Hiok Hian Ong获得了新加坡南南技术大学的工程科学学士学位（计算机科学）和科学硕士（技术管理）。 他目前正在担任机器学习工程师。 他的研究兴趣在于生物信息学，神经网络和机器学习之间的交集。 Shunsuke Chiba于2006年在东京大学Koichi Narasaka教授的监督下获得了博士学位。 2007年，他从事独立职业，担任新加坡南南技术大学（NTU）学院的独立职业，他目前是化学教授。 他的研究小组着重于从根本上新颖和实用的合成反应和催化的发展，这些反应和催化对于有效供应了药物兴趣的复杂有机分子。 Jagath Rajapakse是新加坡南南技术大学计算机科学与工程学教授。 他拥有莫拉图瓦大学，斯里兰卡大学的电子和电信工程学士学位，以及美国布法罗大学的电气和计算机工程的MS和PHD学位。 收到：2023年11月19日。Conghao Wang获得了中国西安北大学的计算机科学技术学士学位。他目前是新加坡南南技术大学计算机科学与工程学院的博士候选人。他的重点是将可解释的AI应用于药物机理预测的应用，以及使用生成模型的小分子和生物制剂的从头设计。Hiok Hian Ong获得了新加坡南南技术大学的工程科学学士学位（计算机科学）和科学硕士（技术管理）。他目前正在担任机器学习工程师。他的研究兴趣在于生物信息学，神经网络和机器学习之间的交集。Shunsuke Chiba于2006年在东京大学Koichi Narasaka教授的监督下获得了博士学位。2007年，他从事独立职业，担任新加坡南南技术大学（NTU）学院的独立职业，他目前是化学教授。他的研究小组着重于从根本上新颖和实用的合成反应和催化的发展，这些反应和催化对于有效供应了药物兴趣的复杂有机分子。Jagath Rajapakse是新加坡南南技术大学计算机科学与工程学教授。他拥有莫拉图瓦大学，斯里兰卡大学的电子和电信工程学士学位，以及美国布法罗大学的电气和计算机工程的MS和PHD学位。收到：2023年11月19日。他正在德国的认知和脑科学学院和美国国家心理健康研究所访问科学家。他正在马萨诸塞州理工学院的生物工程系访问教授。Rajapakse教授的研究工作在数据科学，机器学习，大脑成像以及计算和系统生物学领域。他目前的研究重点是开发用于诊断和治疗脑部疾病的技术和工具。他还在深入学习中研究抗癌药物发现。修订：2024年3月8日。接受：2024年3月3日©作者2024。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com
蛋白质集合通过变异自动编码器潜在空间采样
摘要：映射有助于功能的蛋白质构象的整体，可以用小分子药物来靶向，这仍然是一个重大的挑战。在这里，我们探讨了变异自动编码器的使用来减少蛋白质结构合奏生成问题中维度的挑战。我们将高维蛋白质结构数据转换为连续的，低维的表示，在以结构质量度量为导向的空间中进行搜索，然后使用由采样的结构信息引导的Rosettafold来生成3D结构。我们使用这种方法为癌症相关的蛋白质K-RAS生成合奏，在可用的K-Ras晶体结构的子集上训练VAE和MD模拟快照，并评估接近与训练中与晶体结构接近的取样程度。我们发现，我们的潜在空间采样程序迅速生成具有高结构质量的合奏，并且能够在固定晶体结构的1Å内进行采样，其一致性高于MD模拟或Alphafold2预测。采样结构充分概括了固定的K-RAS结构中的隐性口袋，以允许小分子对接。
定向谱测量改善神经群体的潜在网络模型
系统神经科学旨在了解遍布大脑的神经元网络如何介导计算任务。识别这些网络的一种流行方法是首先计算来自多个大脑区域的神经活动测量值（例如功率谱），然后将线性因子模型应用于这些测量值。至关重要的是，尽管大脑区域之间的定向通信在神经计算中发挥着既定的作用，但定向通信的测量值很少用于网络估计，因为它们与线性因子模型方法的隐式假设不相容。在这里，我们开发了一种新的定向通信频谱测量，称为定向谱 (DS)。我们证明它与线性因子模型的隐式假设兼容，并提供了一种估计 DS 的方法。我们证明，与现有替代方案相比，DS 测量的潜在线性因子模型可以更好地捕捉模拟和真实神经记录数据中的底层大脑网络。因此，定向谱的线性因子模型为神经科学家提供了一种简单有效的方法来明确模拟神经群体网络中的定向通信。
层次结构聚类，具有离散潜在变量模型和集成分类的可能性
查找数据集的一组嵌套分区对于在不同尺度上发现相关结构很有用，并且经常处理与数据有关的方法。在本文中，我们引入了一种基于模型的分层聚类的一般两步方法。将集成的分类可能性标准视为目标函数，此工作适用于该数量可以处理的每个离散潜在变量模型（DLVM）。该方法的第一步涉及最大程度地提高相对于分区的标准。解决了通过贪婪的山坡攀岩启发式方法发现的已知局部最大最大最大最大值问题时，我们基于遗传算法引入了一种新的混合算法，该算法允许有效地探索解决方案的空间。所得算法小心地结合并合并了不同的解决方案，并允许簇数K的共同推断以及簇本身。从这个自然分区开始，该方法的第二步是基于自下而上的贪婪程序来提取簇的层次结构。在贝叶斯语境中，这是通过考虑dirichlet群集比例的先验参数α作为控制聚类粒度的正规化项来实现的。标准的新近似值被推导为α的对数线性函数，从而实现了合并决策标准的简单函数形式。第二步允许在更粗的尺度上探索聚类。将所提出的方法与现有的模拟和实际设置的策略进行了比较，结果表明其结果特别相关。本工作的参考实现可在论文1随附的r软件包贪婪中获得。
隐性指纹检查和人为因素：通过系统方法改进实践
《潜印检查与人为因素：通过系统方法改进实践》由美国司法部国家司法研究所资助，并与美国商务部国家标准与技术研究所的执法标准办公室合作编写。本报告中表达的意见或观点均为作者的观点，并不一定反映美国司法部或美国商务部的官方立场或政策。本报告中提及的商业产品或服务并不意味着国家标准与技术研究所的批准或认可，也不意味着此类产品或服务一定是最佳选择。建议引用格式：潜印分析中人为因素专家工作组。《潜印检查与人为因素：通过系统方法改进实践》。美国商务部，国家标准与技术研究所。2012 年。
利用潜在扩散模型重建人类大脑活动的高分辨率图像
从人类大脑活动中重建视觉体验提供了一种独特的方式来理解大脑如何表征世界，并解释计算机视觉模型和我们的视觉系统之间的联系。虽然深度生成模型最近已被用于这项任务，但重建具有高语义保真度的真实图像仍然是一个具有挑战性的问题。在这里，我们提出了一种基于扩散模型 (DM) 的新方法来重建通过功能性磁共振成像 (fMRI) 获得的人脑活动图像。更具体地说，我们依赖于称为稳定扩散的潜在扩散模型 (LDM)。该模型降低了 DM 的计算成本，同时保留了其高生成性能。我们还通过研究 LDM 的不同组成部分（例如图像 Z 的潜在向量、条件输入 C 和去噪 U-Net 的不同元素）与不同大脑功能的关系来描述 LDM 的内部机制。我们证明了我们提出的方法可以重建高分辨率图像，保真度高，直
可再生能源和住宅应用的潜热储藏的最佳集成” 2279
摘要：鉴于建筑领域所需的大量能源，到达未来的可持续能源系统的一个有趣的机会是通往低能建筑的道路。这项工作提出了一种方法，以最佳地整合建筑规模的能源技术（传统和可再生能源），以增强在低碳系统中现有建筑物（通常在能量上的不足）的转换。该方法从经济和环境的角度促进了过渡的可持续性。考虑了操作和设计优化，目的是建议考虑到预期的操作，以提出要安装的技术的最佳能力集。建筑规模的技术与适当的存储单元集成：锂离子电池和热存储（潜热，需要较低的安装空间）。作为一种可调节的可再生技术，系统中包括沼气小型的热量和动力单元。一旦证明了该组件在满足负载方面所起的关键作用，就对该技术的主要能源载体成本对系统设计的影响进行了分析。已经采用了两种优化方法（均基于非线性编程）。结果表明，运营成本可以降低29％。采用了一种合并的方法，该方法同时考虑了操作和设计优化，从而使安装和运营成本降低了27％。在分析的情况下，使用联合优化证实，潜在热存储比电动存储更合适（约为 - 4.5％的成本）。
使用机器学习来预测在线学习环境中潜在技能的数量
在线学习环境中为学生为学生提供的抽象提取技能信息一直是跨不同领域的一个具有挑战性的话题。预测技能的数量是估计学生技能的第一步。在本文中，我们提出了基于机器学习（ML）模型的预测方法，在该方法中，我们使用分析模型来生成反映目标场景的数据特征的模拟数据，并从模拟数据中获取了训练和测试ML模型的功能。我们在简单而复杂的结构中与多维项目响应理论（MIRT）同时说明了这种方法，并进一步将受过训练的ML模型与基于测试数据的统计方法选择。我们的初步结果表明，与统计方法相比，ML模型通常达到这两种结构的正确估计比例明显更高。此外，我们发现缺失值和样本量的百分比增加会导致对方法的性能的负面影响和积极影响。使用来自分析模型的仿真数据来训练ML模型并进行预测可以扩展技能提取的当前操作，这为从业者提供了额外的选择。
天文光谱的积极和规模不变的高斯过程潜在变量模型
高斯流程（GPS）[1]是机器学习中的一种多功能工具，但对它们的构成诸如阳性，单调性或物理约束之类的约束是具有挑战性的[2]。过去的作品已考虑将GPS作为差异方程的解决方案[3]，时间和光谱重建问题[4]，或通过线性操作员注入域特异性约束[5]。其他作品与非线性函数相结合的GP输出[6，7]，通过约束边际可能性[8]或铸造线性约束作为截短的多变量高斯分布的条件期望，将输出结合到正值[9]。在这项工作中，我们旨在发现一个积极价值的天文光谱的潜在空间。在过去的降低谱图[10，11，12]的作品中，[13]独特地纳入了非阴性约束。，我们通过将其外部限制到正值来扩展高斯过程潜在变量模型（GPLVM）[14]。天文光谱的幅度不是本质的物理特性，不应在潜在空间中反映。我们引入了规模不变，并表明它会导致更好的重建。