XiaoMi-AI文件搜索系统
World File Search Systemlenging
![arXiv:2404.04001v1 [cs.LG] 2024 年 4 月 5 日](/simg/0\03b3203a82e098ca10b96a27f36a70cbd9ff1d21.webp)
arXiv:2404.04001v1 [cs.LG] 2024 年 4 月 5 日
摘要：在 BCI 领域，人们需要对脑信号进行自省和解释，以提供反馈或指导快速范式原型设计，但由于信号的高噪声水平和维数，自省和解释具有挑战性。深度神经网络通常通过使用投影算法（如均匀流形近似和投影 (UMAP) [1]）将其学习到的特征表示转换为二维或三维子空间可视化来进行自省。不幸的是，这些方法的计算成本很高，使实时数据流投影成为一项不简单的任务。在本研究中，我们介绍了一种新的 UMAP 变体，称为近似 UMAP (aUMAP)。它旨在为实时自省生成快速投影。为了研究其对实时投影的适用性，我们将这些方法与标准 UMAP 及其神经网络对应方参数 UMAP [2] 进行了基准测试。我们的结果表明，近似 UMAP 提供的投影可以复制标准 UMAP 的投影空间，同时将投影速度降低一个数量级并保持相同的训练时间。
![arxiv：2502.13968v1 [CS.CV] 2025年2月19日](/simg/4\427b7b28ebf40afac5ed028f1d4f69994522a259.webp)
arxiv：2502.13968v1 [CS.CV] 2025年2月19日
可分离的3D重建多个对象与多视图RGB图像 - 对两个对象之间的两个不同的3D形状互补，它们之间存在明确的分离，这是一个很少研究的问题。这是由于沿着物体相互作用边界的严重相互阻塞和歧义而引起的。本文涉及设置并引入了一种新的神经无限方法，该方法可以重建两个进行密切相互作用的对象的几何形状和外观，同时既避免表面相互作用又避免表面相互作用，并避免了观察到的场景的新型新颖视图合成。该框架是可以端到端的，可以使用新颖的α混合正规化来监督，并确保即使在极端的过程中，这两个几何形状也可以很好地分开。我们的重建方法是无标记的，可以应用于刚性和清晰的对象。我们介绍了一个新的数据集，该数据集由人与物体之间的紧密相互作用组成，并在人类表演武术的两个场景中进行评估。实验确认
胎儿心脏病学中的机器学习：预期结果 - Lirias
摘要 在胎儿心脏病学中，成像（尤其是超声心动图）已被证明有助于诊断和监测可能与多种胎儿疾病相关的心血管系统受损的胎儿。目前使用不同的超声方法来评估胎儿心脏的结构和功能，包括传统的二维成像、M 型和组织多普勒成像等。然而，评估胎儿心脏仍然具有挑战性，主要是因为胎儿的不自主运动、心脏体积小以及一些超声检查员缺乏胎儿超声心动图方面的专业知识。因此，使用新技术来改善原始获取的图像、帮助提取测量值或帮助诊断心脏异常对于最佳评估胎儿心脏非常重要。机器学习 (ML) 是一门计算机科学学科，专注于教计算机执行具有特定目标的任务，而无需明确编写如何执行此任务的规则。在这种情况下，
伊朗在纳坦兹展开掩体破坏行动
凯汉在一篇报道中讨论了西方媒体对伊朗和美国之间可能进行谈判的看法。报道写道：“西方媒体暗示未来特朗普政府将对伊朗采取更严厉的政策，但这并不意味着完全陷入僵局。这条道路虽然艰难而富有挑战性，但可以确保国家利益，减少国际压力，并为伊朗社会带来希望。应该记住，特朗普退出了伊核协议。通过施加最大压力，他寻求更多的命令，现在他想走同样的道路。谈判不是由于制裁的压力，但制裁一直是一种补充，谈判减轻压力的说法是在欺骗人们。第二点是，亲西方媒体声称欧洲政府将试图使伊朗和美国之间的关系紧张。他们还说，美国和西方可能正在寻求一项协议，让伊朗的相对利益处于双赢局面。但他们却侵犯了伊朗的不可剥夺的权利并犯下了巨大的欺诈行为。
桑迪亚实验室新闻
应对维持国家核威慑的挑战。WIP 学生是桑地安人和其他组织的国家安全专业人员，包括美国空军及其核武器中心、美国海军、堪萨斯城国家安全园区、Pantex、Y-12、萨凡纳河和洛斯阿拉莫斯国家实验室、国防威胁降低局以及来自联邦调查局等情报界组织的学生。今年的班级应对了 COVID-19 大流行带来的挑战，以及由此导致的工作人员需要间歇性隔离或在家工作。华盛顿特区、基萨普海军基地和麦克乔德空军基地的重要体验被推迟并重新安排，另一项活动不得不取消。 8 月 25 日，实验室副主任 Laura McGill 欢迎 NNSA 管理员兼前实验室主任 Jill Hruby 重返桑迪亚。Hruby 祝贺 WIP 毕业生所做的重要工作，这是这一充满挑战的时期急需的。她还感谢现任 WIP 项目负责人 Matt Wingle 和项目创始人 John 的贡献
纳米技术作为农业的环保方法
由于自然资源有限、农业部门粮食作物生产率低、气候变化迅速和人口增长迅速，全球粮食安全现在已成为最具挑战性的问题。研究人员正试图采用更新的创新和技术来增加粮食作物的产量以满足需求。纳米技术是最具挑战性的技术之一，它可以提高可持续农业中作物的生产力，纳米肥料、纳米农药、纳米生物传感器和基于纳米材料的修复策略具有重要意义。生产纳米颗粒 (NP) 的物理和化学过程对生态系统有不利影响。因此，使用各种微生物进行 NP 的绿色合成提供了一种更有前景和可持续的替代方案。纳米技术前景广阔，因为它具有许多潜在好处，例如改善食品质量、最大限度地减少农业投入和通过吸收土壤中的养分来丰富植物。纳米颗粒可用作纳米肥料、独特的农用化学品载体和定位或调节营养输送，并改善作物保护。纳米材料的潜力为可持续农业带来了一场新的绿色革命。
（短文）时间数字转换器的信号注入攻击及其在物理不可克隆函数中的应用
使用密码学进行安全通信如今已成为社会不可或缺的基础设施。安全密钥管理对于密码学至关重要，但在合法所有者使用故障注入攻击等技术以物理访问方式攻击设备的恶劣环境下，密钥管理尤其具有挑战性。业界已将密码学所需的一切都封装在独立的密码模块中来解决这一问题，即使是合法用户也无法篡改。然而，设计安全的密码模块是一项具有挑战性的任务，研究人员已经研究了二十多年的新攻击和对策。物理不可克隆函数 (PUF) 是一种相对较新的密码模块原语，它利用半导体芯片中的工艺变化来生成设备唯一标识符 [6]。通过将 PUF 与安全纠错技术相结合，我们可以实现仅在芯片开启后出现的安全密钥存储 [2]，这为抵御逆向工程攻击提供了额外的安全保障 [12]。另一项与故障注入攻击密切相关的研究是信号注入攻击，它利用以下方式破坏模拟域中的数据完整性：
Associate-3Ddet：用于 3D 点云对象检测的感知到概念关联
尽管最近的研究通过深度学习技术突破了极限，但从 3D 点云中进行物体检测仍然是一项具有挑战性的任务。由于严重的空间遮挡和点密度随到传感器距离的固有变化，同一物体在点云数据中的外观会有很大变化。因此，设计针对这种外观变化的鲁棒特征表示是 3D 物体检测方法的关键问题。在本文中，我们创新地提出了一种类似域自适应的方法来增强特征表示的鲁棒性。更具体地说，我们弥合了特征来自真实场景的感知域和特征从由富含详细信息的非遮挡点云组成的增强场景中提取的概念域之间的差距。这种领域自适应方法模仿了人脑在进行物体感知时的功能。大量实验表明，我们简单而有效的方法从根本上提高了 3D 点云物体检测的性能并取得了最先进的结果。
用NIR-I荧光免疫偶联物靶向颅内患者衍生的胶质母细胞瘤（GBM），以促进其图像引导切除
术中治疗的标准形式（即，白光照明下的肿瘤组织切除，WLI）。3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点，超出了非态性局部硬化性肿瘤质量，这显着地使任何形式的治疗部门都伴随着治疗的效果，尤其是在整个手术方面的影响（如果有帮助的情况下），因为该组织的差异（如果有帮助），因为该组织有帮助，因为这种疾病的范围是在质地上的差异）图像删除的术中和术中成像方式（即 ，图像未实时获取）。 此外， GBM表现出相当大的肿瘤内和间异质性，在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。 6靶向脑部疾病，例如GBM，具有小分子或生物学疗法，因为存在Nicky Nicky半渗透的血脑屏障（BBB），因此正在挑战。 BBB表现出极低的溶质渗透性，这有助于维持脑稳态。 因此，术前和术后治疗3,5在健康的脑组织中迅速迅速与非常低的细胞浓度的患病组织延伸以外的多个百分点，超出了非态性局部硬化性肿瘤质量，这显着地使任何形式的治疗部门都伴随着治疗的效果，尤其是在整个手术方面的影响（如果有帮助的情况下），因为该组织的差异（如果有帮助），因为该组织有帮助，因为这种疾病的范围是在质地上的差异）图像删除的术中和术中成像方式（即，图像未实时获取）。GBM表现出相当大的肿瘤内和间异质性，在生物学上也适应逐渐变化的化学疗法或静态抗性或静止。6靶向脑部疾病，例如GBM，具有小分子或生物学疗法，因为存在Nicky Nicky半渗透的血脑屏障（BBB），因此正在挑战。BBB表现出极低的溶质渗透性，这有助于维持脑稳态。因此，术前和术后治疗
使用人工智能分配蛋白质的二级结构
摘要 有关蛋白质结构分配的知识丰富了对蛋白质结构和功能的理解。准确可靠的结构分配数据对于二级结构预测系统至关重要。自 80 年代以来，基于氢键分析和原子坐标几何的各种方法以及随后的机器学习已用于蛋白质结构分配。然而，当蛋白质文件中存在缺失原子时，分配过程变得具有挑战性。我们的模型开发了一个名为 DLFSA 的多类分类器程序，用于使用卷积神经网络 (CNN) 分配蛋白质二级结构元素 (SSE)。一种快速高效的基于 GPU 的并行程序从蛋白质文件中提取片段。这项工作中实现的模型使用蛋白质片段子集进行训练，分别达到 88.1% 和 82.5% 的训练和测试准确率。我们的模型仅使用 C α 坐标进行二级结构分配。该模型也在一些全长蛋白质上成功测试。基于片段的研究结果证明了应用深度学习解决方案解决结构分配问题的可行性。