XiaoMi-AI文件搜索系统
World File Search Systemlearning
地理空间植被预测的多模式学习
精确的地理空间植被预测具有各个部门的潜力，包括农业，林业，植物援助和碳会计。为了利用卫星图像的广泛可用性来完成此任务，各种作品应用了深层神经网络，以预测具有逼真质量的多光谱图像。但是，尚未彻底探索植被动力学的重要领域。我们的研究介绍了Greenearthnet，这是第一个专门为高分辨率植被预测设计的数据集，以及ContextFormer，这是一种新颖的深度学习方法，可预测Sentinel 2卫星2卫星图像，并在整个Eu-Rope之间进行精细分辨率。我们的多模式变压器模型上下文形式通过视觉主链利用空间上下文，并以参数有效的方式预测局部上下文贴片上包含气象时间序列的时间动态。Greenearthnet数据集具有学习的云蒙版和适当的植被建模评估方案。它还与现有的卫星图像预测数据集SEARNET2021保持兼容性，从而实现了跨数据库模型比较。我们广泛的定性和定量分析表明，我们的方法的表现优于广泛的基线技术。这包括超越了SEARNET2021上的先前最先进的模型，以及时间序列预测和视频预测的改编模型。我们提供开源代码和预训练的权重，以根据https：// gith ub.com/vitusbenson/greenearthnet [10]重新产生我们的实验结果。据我们所知，这项工作为大陆规模植被建模的第一个模拟介绍了良好的分辨，能够在季节性周期以外捕获异常，从而为对气候变化和极端的响应铺平了预测植被健康和行为的道路。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。
监督与无监督的学习
●Breiman（2001）首先提出了随机森林算法，但基于1995年的Tim Kan Ho●RF采用了两种集合技术：首先是训练样本，以种植基于不同培训训练数据的树木森林。第二个是特征空间的子采样。●如果我选择变量的子集（例如x1, x3, x7) to create a split in a node of a decision tree, and another subset (x2, x4, x5, x7) to create a different one, there will be events that get classified in a different way by the two nodes ● Often there is a dominant variables that is used to decide the split, offsetting the power of the subdominant ones.rf通过减少不同树的相关性来避免该问题
一种脑肿瘤分割的持续学习方法
脑肿瘤的特征是脑组织异常生长，因其对全球发病率和死亡率的影响而成为一项重大的医学挑战。脑肿瘤有多种表现形式，从良性到恶性，后者尤其具有侵袭性且易于转移 (1)。脑肿瘤的病因复杂，包括放射线暴露、遗传易感性和家族史等因素，因此需要早期发现和准确诊断 (2)。在脑肿瘤诊断领域，磁共振成像 (MRI) 因其更高的空间分辨率和软组织对比度而成为优于计算机断层扫描 (CT) 的检查方式。这使得 MRI 成为脑肿瘤病例术前评估、治疗管理和生存预测所必需的 (3)。然而，MRI 扫描中传统的手动分割方法虽然是黄金标准，但却存在固有的效率低下和主观差异性，因此有必要探索自动化技术 (4、5)。近年来，深度学习模型（例如 Ma 等人提出的模型）在自动脑肿瘤分割方面取得了重大成功。这些模型擅长捕捉局部和全局上下文特征，但通常会遇到梯度消失和过拟合的问题，尤其是在较深的网络层中。Kumar 等人（7）通过将 ResNet50 与全局平均池化相结合来解决这些问题，以增强各种肿瘤类型的肿瘤分类。在此基础上，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。
推进精度流风湿病：机器学习在类风湿关节炎管理
类风湿关节炎（RA）是一种自身免疫性疾病，导致进行性关节损害。早期诊断和治疗至关重要，但由于RA的复杂性和异质性，仍然具有挑战性。机器学习（ML）技术可以通过识别多维生物医学数据中的模式来增强RA管理，以改善分类，诊断和治疗预测。在这篇评论中，我们总结了ML在RA管理中的应用。新兴研究或应用为RA开发了诊断和预测模型，这些模型利用了各种数据模式，包括电子健康记录，成像和多摩学数据。高性能监督的学习模型已证明曲线下的一个面积超过0.85，用于识别RA患者并预测治疗反应。无监督的学习揭示了潜在的RA亚型。正在进行的研究是将多模式数据与深度学习相结合，以进一步提高性能。然而，关于模型过度拟合，可推广性，临床环境中的验证和可解释性的关键挑战。少量样本量和缺乏多样化的人口测试风险高估了模型性能。缺乏评估现实世界临床实用程序的前瞻性研究。增强模型可解释性对于临床医生接受至关重要。总而言之，尽管ML表现出通过早期诊断和优化治疗，更大规模的多站点数据，可解释模型的前瞻性临床验证以及对不同人群进行测试的前瞻性临床验证的有望。由于解决了这些差距，ML可能会为RA中的精密医学铺平道路。
人工智能制定学习目标
1. Anderson, LW 和 Krathwohl, DR (2001)。《学习、教学和评估分类法》，精简版。波士顿，马萨诸塞州：Allyn and Bacon。2. Biggs, J.、Tang, C. 和高等教育研究学会。（2011）。《大学优质学习教学：学生在做什么》，宾夕法尼亚州费城：McGraw-Hill/高等教育研究学会；英国伯克郡梅登黑德；纽约：开放大学出版社。（可从 SMU 图书馆借阅）3. Smaldino, S.、Lowther, D. 和 Russell, J.（2007）。《教学媒体与学习技术》，第 9 版。Englewood Cliffs：Prentice Hall, Inc。
人工神经网络/增强学习
ex Cathedra讲座和微型注射器。ex catherdra：主要思想带有黑板上呈现的幻灯片和计算。每周都会为一次课堂运动中断前大教堂的讲座。讲座的第二部分需要此练习的结果。其他练习是作为家庭作业进行的，或者可以在第二个锻炼时间进行混乱。讲座也被几个简短的测验打断。miniProject：小型设备是在两个组成的团队中完成的，并从两个或三个小型设备的列表中选择。
引用Long CA，Ahrens RNM，Jones TT和Siders ZA（2024）一种用于保护物种的机器学习方法。正面。 3月科学。 11：
渔业旁观，与商业或娱乐性的未经使用或未托管的物种的相互作用（Davies等，2009）对许多物种产生负面影响，包括死亡率，使旁观者的减少成为海洋保护和薄纱管理的主要重点2018; Nelms等人，2021年；当旁观物包含受保护的物种，例如海洋哺乳动物，海龟，鲨鱼和海鸟（Moore等，2009; Wallace等，2013; Lewison et al。，2014; Komoroske and Lewison和2015; 2015; 2015; 2015; 2015年;降低旁观可以提高商业曲折的效率和有效性（Richards等，2018； Noaa Fisheries，2022; Senko等，2022），并限制了由于高水平的受保护物种相互作用而导致的填充风险。然而，鉴于大多数bychip的物种的相互作用率低以及受保护物种相互作用的稀有发生率的较低相互作用率，估计杂草捕获的水平可能具有挑战性（McCracken，2004；Amandè等，2012; Martin等，2015； 2015年； Stock等，2019）。渔业管理计划和法规通常需要估算和监视给定层中给定物种的兼容量。根据管辖区的不同，过度的旁观，定义不同，可能会导致调整习惯的监管变化，弯曲齿轮的变化，限制性活动的限制或整个封闭式封闭。1362）。因此，准确，准确地确定在填充中旁观的水平的能力是填充管理的关键组成部分。在美国，《马格努森 - 斯文森渔业保护与管理法》（MSA），濒危物种法（ESA）和海洋哺乳动物保护法（MMPA）（MMPA）适用于旁观物种和填充物，并要求管理机构来监视旁注。在MSA（50CFR§600.350）下，应最小化或避免征用，而受保护的物种兼容不能超过ESA（50 CFR 216.3）下的允许采取或超过MMPA下潜在的生物移除水平（U.S.C.通常，为了实现旁观监测目标，训练有素的钓鱼者观察者被放置在钓鱼容器上，以监视受保护的物种相互作用，并记录捕获和旁捕虫（NOAA Fisheries，20222），因为这些信息不需要记录在日志中。这些观察者收集的数据用于通过各种统计或数学手段来估计填充中的兼例水平。在许多情况下，基于样本的比率估计器（例如广义比率估计器或Horvitz-Thompson估计器）可以提供对旁观的无偏估计（McCracken，2000，2019）。还实施了基于模型的估计，包括通用线性模型（GLM），零插入模型，跨栏模型，贝叶斯模型和广义添加剂模型（GAMS），以说明少数协变量对纤维状雪橇的影响（McCracken，2004; Martin等； Martin等，2015; 2015年； 2015年；从这种方法中估算的临界估计，然后进一步介绍了在给定时期内（通常为一年）对某些物种的兼容限制的过程（Moore等，2009），以及其他下游产品和
