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。
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。
DSG 发电厂中试潜热储能实验结果 - 先进运行策略
摘要。自 2013 年以来，CEA 一直在运营一个名为 LHASSA 的中试级高压水蒸汽设施，该设施旨在测试潜热能存储模块，其运行条件类似于商用直接蒸汽发电 CSP 工厂。连接到该设施的相变材料 (PCM) 存储模块由铝翅片钢管组成，浸入硝酸钠中，并由铝插件包围以增强传热。本文介绍了对该存储模块进行第三次测试的结果，包括在各种运行条件下（固定滑动压力、完全和部分充电水平……）进行的 25 次充电-放电循环。存储测试部分的热性能显示出非常好的可重复性，与之前的测试活动相比没有任何性能下降。一些新的操作策略已成功测试（模拟太阳能场中云瞬变的充电中断、固定压力和变化质量流量的放电、充电-放电转换管理）。
生成潜在扩散语言建模产生反...
生成人工智能（AI）为肽设计提供了强大的途径，但是由于庞大的序列空间，复杂的结构 - 活性关系以及平衡抗菌效力和低毒性的需求，此过程仍然具有挑战性。传统方法通常依赖于试验筛选，并且无法有效浏览潜在序列的巨大多样性。在这里，我们介绍了AMP-Diffusion，这是一种使用蛋白质语言模型的嵌入在抗菌肽（AMP）序列上微调的潜在潜扩散模型。通过系统地探索序列空间，AMP扩散可以快速发现有希望的抗生素候选物。我们生成了50,000个候选序列，随后使用我们的APEX预测模型对其进行过滤和排名。从这些过程中，合成了46位顶级候选人并通过实验验证。所得的AMP扩散肽表现出广泛的抗菌活性，靶向临床相关的病原体（包括多药抗性菌株），而人类细胞分析中的细胞毒性较低。机械研究表明，通过膜通透性和去极化进行细菌杀死，肽显示出良好的物理化学特征。在感染的临床前小鼠模型中，铅肽有效地减轻了细菌负担，表现出与多粘蛋白B和Levofloxacin相当的功效，没有可检测到的不良影响。这项研究强调了AMP扩散是设计新型抗生素和生物活性肽的强大生成平台的潜力，提供了一种有希望的策略来解决抗菌耐药性升级的挑战。
ai-au-earnning条件的潜在 - 玛格 -
这项调查旨在确定大学生的潜在概况，其基于影响其获得人工智能知识（AI）意图的基本因素。该研究审查了四个维度：支持性的社会规范，促进条件，AI学习中的自我效能以及AI的感知效用。通过利用潜在剖面分析（LPA），该研究努力揭示了这些因素的独特合并所描绘的不同亚组。该研究是由来自不同学科的391名大学生组成的。LPA披露了五个独特的学生小组：谨慎的参与者，热情的倡导者，保留的怀疑论者，务实的受体和脱离批评家。这些类别显示了学习AI的目标有所不同。热情的拥护者表现出最高的意图，而脱离批评家表现最低。这些发现通过对大学生的态度和学习AI的态度的差异提供了丰富的知识，从而增强了对高等教育的AI教育研究的日益增长的研究。学生的亚组表明，学习者需要独特的教育策略和干预措施，以满足其各种需求和态度。AI正在改变许多领域，因此大学生必须了解并为此做准备。调查结果推进了AI教育研究并影响课程和政策。
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。
通过基础模型的潜在空间可能性优化改善功能蛋白的产生
已经采用了各种深层生成模型来进行从头功能蛋白的产生。与3D蛋白设计相比，基于序列的生成方法旨在产生具有所需功能的氨基酸序列，由于蛋白质序列数据的丰度和质量以及相对较低的建模复合物，用于训练的氨基酸序列仍然是一种主要方法。通常对这些模型进行培训以匹配训练数据中的蛋白质序列，但每个氨基酸的精确匹配并不总是必不可少的。某些氨基酸的变化（例如，不匹配，插入和删除）可能不一定会导致功能变化。这表明将训练数据的可能性最大化超出氨基酸序列空间，可以产生更好的生成模型。预训练的蛋白质大语言模型（PLM）（例如ESM2）可以将蛋白质序列编码为潜在空间，并可能用作功能验证器。，我们通过模拟优化氨基酸序列空间和源自PLM的潜在空间的可能性，提出了训练功能蛋白序列生成模型。此培训方案也可以看作是一种知识蒸馏方法，该方法在培训过程中动态重新体重样本。我们将方法应用于训练GPT类模型（即自回旋变压器）进行抗微肽（AMP）和苹果酸脱氢酶（MDH）的一代任务。计算实验证实，我们的方法优于各种深层生成模型（例如，没有提出的培训策略的没有提议的培训策略）的各种深层生成模型（例如，生成对抗性净，变异自动编码器和GPT模型），证明了我们多叶型精选策略的有效性。
多模态子空间独立向量分析可有效捕捉大脑结构和功能之间的潜在关系
图 1：两种模态（M 1 − M 2）的五种合理候选子空间结构（S 1 − S 5）。每个面板描绘了五种不同的合理场景（S 1 − S 5）中两种模态（M 1 − M 2）源之间的理想化关联。每个块的大小表示子空间内的源数量（子空间大小）。以蓝色突出显示的彩色子空间在模态之间链接，而以绿色突出显示的黑色子空间（S 1 − S 4 中的 1×1 块）特定于每种模态（无跨模态相关性）。对于每种模态，同一子空间内的源在统计上是相关的，而不同子空间中的源在统计上是独立的。
有条件的潜在自回归复发模型，用于生成和预测粒子加速器中的光束动力学
粒子加速器是复杂的系统，将重点，引导和加速的强烈带电的粒子梁转向高能。Beam Diagnostics提出了一个具有挑战性的问题，这是由于有限的非破坏性测量，计算要求的模拟以及系统中固有的不确定性。我们提出了一个两步无监督的深度学习框架，称为有条件的潜在自动回归复发模型（Clarm），用于学习加速器中带电粒子的时空动力学。clarm由有条件的变分自动编码器（CVAE）组成，将六维相位空间转换为较低维的潜在分布和长期短期内存（LSTM）网络，以自动化方式捕获临时动力学。克拉姆可以通过对潜在空间表示形式进行采样和解码来生成各种加速器模块的投影。该模型还预测了过去状态（上游位置）的带电粒子的未来状态（下游位置）。结果表明，在针对各种评估指标进行测试时，提出的方法的生成和预测能力有望。
将视觉脑表示从脑电图中通过知识蒸馏和潜在扩散模型
从人脑活动中解码的视觉表示已成为繁荣的研究领域，尤其是在大脑计算机界面的背景下。我们的研究提出了一种创新的方法，该方法采用知识蒸馏来培训EEG分类器并从ImageNet和Thicke-eeg 2数据集中重建图像，仅使用脑电图（EEG）数据集（EEG）数据，这些数据是来自参与者的数据，这些数据本身就查看了图像（即''大脑解码'）。我们分析了来自6位参与者的eeg录音，用于Imagenet数据集，为Things-EEG 2数据集进行了10个录音，这些数据集暴露于跨越独特语义类别的图像。这些脑电图读数被转换为频谱图，然后将其用于训练卷积神经网络（CNN），该卷积神经网络（CNN）与知识蒸馏程序集成了基于预先训练的对比语言图像 - 训练前训练（CLIP）基于基于图像的图像分类教师网络。这种策略使我们的模型可以达到87％的前5个精度，显着优于标准CNN和各种基于RNN的基准测试。此外，我们根据预训练的潜扩散模型合并了图像重建机制，这使我们能够生成引起脑电图活性的图像的估计。因此，我们的体系结构不仅解码了神经活动中的图像，而且还提供了仅从脑电图中重建的可信图像重建，为例如迅速，个性化的反馈实验铺平了道路。