XiaoMi-AI文件搜索系统
World File Search Systemmixture
Superpave 沥青混合料设计和分析的背景
沥青粘合剂本身就是一种非常有趣且具有挑战性的建筑材料。其最重要的特性，既是优点，有时也是缺点，是其温度敏感性。也就是说，其测量特性非常依赖于其温度。这就是为什么几乎每个沥青水泥和混合物特性测试都必须伴随指定的测试温度。如果不指定测试温度，则无法有效解释测试结果。沥青水泥行为也取决于加载时间。施加相同的负载但持续时间不同会导致沥青表现出不同的特性。与温度一样，沥青水泥测试必须指定加载速率。由于沥青水泥行为取决于温度和负载持续时间，因此这两个因素可以互换使用（图 1-1）。也就是说，较慢的加载速度可以通过高温来模拟，而较快的加载速度可以通过低温来模拟。
估计用于系统发育分析的DNA混合模型
。cc-by-nc-nd 4.0国际许可证（未获得同行评审证书）获得的是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本于2024年10月1日发布。 https://doi.org/10.1101/2024.03.20.586035 doi：Biorxiv Preprint
SMD -NET：立体声混合物密度网络-IRIS
在过去的几年中，深入的学习有了立体声匹配的精度，但恢复急剧的界限和高分辨率产出有效仍然充满挑战。在本文中，我们提出了立体声混合物网络（SMD-NETS），这是一个简单而有效的学习框架，与宽阔的2D和3D体系结构兼容，可改善这两个问题。特别是，我们利用双峰混合物密度作为输出代表，并表明这允许几乎不连续的尖锐而精确的差异估计，同时明确地构建了观测中固有的不确定性。此外，我们将差异估计作为图像域中的一个连续问题，从而使我们的模型以任意空间精度查询差异。我们对新的高分辨率和高度逼真的立体声数据集进行了全面的实验，该数据集由8MPX分辨率以及现实世界立体声数据集组成。我们的实验表明，在物体边界附近的深度准确性以及对标准GPU上高分辨率差异图的预测。，我们通过提高各种立体主杆的性能来证明我们技术的灵活性。
过敏抗原混合物清单|全球免疫疗法
Prior Mold Mix: Absidia Ramosa, Acrothecium robust, Aspergillus (yellow, smoky, black, nidulants), curvature, epicoccecium, alternaria Botrytis cinerea, Chaetomium, Geotrichum white, gliocladium edges, Helminthosporium, humílmosporium Grisea, Microsporum Audouinii, Monilia spp。 div> microsporum aging, mucus (Mucedo, plumbeus, racemosus), Mycogene, Neurospora (gross, intermediates, Neurospora, Nigrospora oryzae, Papularia, Penicillium, Chrysogenum, expansum, Italian, Market, Roquefortiva), Pullularia, Phoma Destructiva, Phycomyces, Phoma destructiva, Phycomyces Blakesleeanus, Rhodoturola Saccharomyces, Rhodoturola Saccharomyces cerevisiae, Scopulariopsis brevical, Spondylocladium, Sporotrichum pruinosum, stachybotrys of paper, stemphylium, streptomycesgriseus, Syncephalastrum racemosum,四孢子虫，毛植物schoenleinii，trichoderma，verticillium白黑。 div>Prior Mold Mix: Absidia Ramosa, Acrothecium robust, Aspergillus (yellow, smoky, black, nidulants), curvature, epicoccecium, alternaria Botrytis cinerea, Chaetomium, Geotrichum white, gliocladium edges, Helminthosporium, humílmosporium Grisea, Microsporum Audouinii, Monilia spp。 div>microsporum aging, mucus (Mucedo, plumbeus, racemosus), Mycogene, Neurospora (gross, intermediates, Neurospora, Nigrospora oryzae, Papularia, Penicillium, Chrysogenum, expansum, Italian, Market, Roquefortiva), Pullularia, Phoma Destructiva, Phycomyces, Phoma destructiva, Phycomyces Blakesleeanus, Rhodoturola Saccharomyces, Rhodoturola Saccharomyces cerevisiae, Scopulariopsis brevical, Spondylocladium, Sporotrichum pruinosum, stachybotrys of paper, stemphylium, streptomycesgriseus, Syncephalastrum racemosum,四孢子虫，毛植物schoenleinii，trichoderma，verticillium白黑。 div>microsporum aging, mucus (Mucedo, plumbeus, racemosus), Mycogene, Neurospora (gross, intermediates, Neurospora, Nigrospora oryzae, Papularia, Penicillium, Chrysogenum, expansum, Italian, Market, Roquefortiva), Pullularia, Phoma Destructiva, Phycomyces, Phoma destructiva, Phycomyces Blakesleeanus, Rhodoturola Saccharomyces, Rhodoturola Saccharomyces cerevisiae, Scopulariopsis brevical, Spondylocladium, Sporotrichum pruinosum, stachybotrys of paper, stemphylium, streptomycesgriseus, Syncephalastrum racemosum,四孢子虫，毛植物schoenleinii，trichoderma，verticillium白黑。 div>
ALMA：聚类混合多层网络的交替最小化算法
本文考虑了一种混合多层随机块模型 (MMLSBM)，其中各层可以划分为相似网络组，每组中的网络都配备不同的随机块模型。目标是将多层网络划分为相似层的集群，并识别这些层中的社区。Jing 等人 (2020) 介绍了 MMLSBM，并开发了一种基于正则化张量分解的聚类方法 TWIST。本文提出了一种不同的技术，即交替最小化算法 (ALMA)，旨在同时恢复层分区，以及估计不同层的连接概率矩阵。与 TWIST 相比，ALMA 在理论和数值上都实现了更高的精度。
混合模态专家的脑病变分割基础模型
摘要。脑病变分割在神经学研究和诊断中起着至关重要的作用。由于脑病变可能是由各种病理改变引起的，不同类型的脑病变往往在不同的成像模式下表现出不同的特征。由于这种复杂性，脑病变分割方法通常以特定任务的方式开发。针对特定的病变类型和成像方式开发特定的分割模型。然而，使用特定任务的模型需要预先确定病变类型和成像方式，这使得它们在现实世界场景中的部署变得复杂。在这项工作中，我们提出了一个通用的 3D 脑病变分割基础模型，它可以自动分割不同类型的脑病变，以适应各种成像方式的输入数据。我们制定了一个新颖的混合模态专家 (MoME) 框架，其中多个专家网络负责不同的成像方式。分层门控网络结合了专家预测并促进了专业知识协作。此外，我们在训练过程中引入了课程学习策略，以避免每个专家网络退化并保持其专业化。我们在九个脑损伤数据集上评估了所提出的方法，涵盖了五种成像方式和八种损伤类型。结果表明，我们的模型优于最先进的通用模型，并为未知数据集提供了有希望的泛化能力。
基于高斯混合模型算法的客户细分和分析
摘要。数字时代改变了业务范式，数字营销成为处理现代市场动态的关键要素。在线内容消费中，消费者行为的变化鼓励公司利用数字技术来吸引更广泛的受众并亲自联系。对消费者购买行为的深刻了解至关重要，使公司能够设计响应式和相关的营销策略。这项研究还强调了面对激烈竞争，将客户购买行为细分的重要性。通过使用高斯混合模型（GMM）算法的聚类分析，消费者支出数据被减少并分组为群集，使公司能够了解消费者的偏好和趋势。实验表明，有4个最佳簇作为基本信息以进行进一步分析。每个集群都会带来营销策略，例如强调健康和积极的生活方式，提高特定产品的销售以及对低支出集群的教育。此分析还强调了数据预处理和特征选择在确保聚类结果准确性方面的重要性。
NIST 内部报告 8351-DRAFT DNA 混合物解释
2021 年 11 月 18 日 美国国家标准与技术研究所 (NIST) 美国商务部 100 Bureau Drive Gaithersburg, MD 20899 通过电子邮件：scientificfoundationreviews@nist.gov 回复：RFC 回复：NIST 内部报告 8351-DRAFT DNA 混合物解释：NIST 科学基金会审查 IEEE-USA 很高兴就上述“NIST 的 DNA 混合物解释征求意见：NIST 科学基金会审查 (8351-DRAFT，“审查”)”提交这些评论。IEEE-USA 代表美国约 150,000 名工程师、科学家和相关专业人员，其中许多人正在积极开展人工智能、软件工程、网络安全和高级计算以及其他基础和新兴技术的研究和开发。我们是 IEEE 的美国分部——IEEE 是世界上最大的技术专业人员组织，代表着全球 400,000 多名工程师、科学家和相关专业人员。IEEE 标准协会 (IEEE-SA) 是电力和能源、电信、生物医学和医疗保健、信息技术、交通运输以及信息保证产品和服务中使用的全球技术标准的领先开发者，正在开发技术标准和框架，以展示专业人士在设计、开发和部署人工智能和自主系统（以下统称为 AI 系统）时可以并且应该如何优先考虑道德考虑。1 值得注意的是，IEEE 正在制定 IEEE P3119 人工智能和自动决策系统采购标准，旨在满足政府工作人员、政策制定者和技术人员的需求，让他们就公众遇到的 AI 产品、服务和/或系统的社会技术考虑和影响做出有意义、负责和透明的选择。2
DNA 混合物解释：NIST 科学基金会评论
美国国家标准与技术研究所内部报告 8351-DRAFT 68（2021 年 6 月） 69 70 致谢：DNA 混合物资源组成员（见表 1.2）71 在起草本报告的早期阶段提供了有益的反馈和帮助。72 Katherine Gettings、Nikola Osborne 和 Sarah Riman 对文本提供了宝贵的意见， 73 包括第 4 章中使用的数据摘要。Jason Weixelbaum、Susan Ballou、Christina 74 Reed 和 Kathy Sharpless 协助进行文字编辑。NIST 图书馆的 Kathryn Miller 75 帮助完成了文档的公开发布。76 77 78 公众意见征询期：2021 年 6 月 9 日至 2021 年 8 月 9 日 79 80 本报告的初始版本为草稿文件，我们欢迎读者提出意见和反馈。所有相关的提交意见都将公开，并将在最终确定本报告时予以考虑。请勿包含个人信息，例如 83 帐号或社会安全号码，或其他个人的姓名。请勿提交 84 机密商业信息或其他专有、敏感或受保护的信息。我们不会发布或考虑包含亵渎、粗俗、威胁、 86 或其他不当语言或类似内容的评论。在 60 天的评论期内， 87 评论可以发送至 scientificfoundationreviews@nist.gov 。88
DNA混合解释：NIST科学基础评论
DNA混合资源组的成员（表1.2中列出）在起草本报告的早期阶段提供了有益的反馈和帮助。Katherine Gettings，Nikola Osborne和Sarah Riman提供了有价值的意见，包括NISTIR 8351SUP2中的数据摘要。桑迪·科赫（Sandy Koch）对公众评论进行了修订，杰森·韦克斯鲍姆（Jason Weixelbaum），苏珊·巴鲁（Susan Ballou），克里斯蒂娜·里德（Christina Reed）和凯瑟琳·夏普雷斯（Katherine Sharpless）协助了复制编辑。NIST图书馆的 Kathryn Miller帮助完成了该文件以供公共发布。 该文档最初是在2021年6月9日作为草案发布的。 公众评论期间于6月9日至8月23日至10月22日至2021年11月19日举行。 收到的评论已在https://www.nist.gov/dna-mixture-interpretation-nist-nist-scientific-foundation-review上进行了编译和共享。 公众评论和更新产生的修订已纳入最终版本。 对那些仔细阅读并在报告草案中提供有价值的书面反馈的人的大量时间和精力得到了赞赏。 这些贡献和投入是最终确定NISTIR 8351报告的过程的重要组成部分。 封面图片来源：Svetlaborovko通过Adobe Stock。Kathryn Miller帮助完成了该文件以供公共发布。该文档最初是在2021年6月9日作为草案发布的。公众评论期间于6月9日至8月23日至10月22日至2021年11月19日举行。收到的评论已在https://www.nist.gov/dna-mixture-interpretation-nist-nist-scientific-foundation-review上进行了编译和共享。公众评论和更新产生的修订已纳入最终版本。对那些仔细阅读并在报告草案中提供有价值的书面反馈的人的大量时间和精力得到了赞赏。这些贡献和投入是最终确定NISTIR 8351报告的过程的重要组成部分。封面图片来源：Svetlaborovko通过Adobe Stock。