XiaoMi-AI文件搜索系统
World File Search Systemperior
视觉模型的有效测试时间适应
通过预训练的视觉模型进行测试时间适应，引起了越来越多的关注，以应对测试时间的分离转移。尽管事先实现了非常有前途的性能，但它们会进行密集的计算，这与测试时间适应非常不规则。我们设计了TDA，这是一种无训练的动态适配器，可通过视觉模型进行有效，有效的测试时间适应。tda可与轻巧的键值缓存一起使用，该缓存维持具有很少射击伪标签的dy-namic队列作为值，而相应的测试样本特征则是键。杠杆键值缓存，TDA允许通过渐进式伪标签的细化逐渐调整数据，而逐步测试数据，而不会产生任何反向传播。此外，我们引入了负伪标记，即当模型不确定其伪标签预测时，通过将伪标签分配给某些负类时，可以减轻伪标签噪声的不利影响。在两个基准上进行的广泛实验表明，与最先进的艺术品相比，TDA的实体有效性和效率。该代码已在https：//kdiaaa.github.io/tda/中发布。
幼儿时期语音和语义处理的神经基础
在阅读发展的早期阶段，儿童获得语音（字母到声音的映射）和语义知识（词义的储存和检索）。他们的阅读能力迅速变化，同时在学习阅读的过程中，大脑也发生可塑性变化。本研究旨在通过结合单变量和多变量模式分析来确定儿童早期语音和语义加工的神经基础。19 名 5 至 7 岁之间发育正常的儿童在功能性磁共振成像扫描期间执行了视觉词语级语音（押韵）和语义（相关意义）判断任务。我们的多变量分析显示，具有良好阅读能力的幼儿已经调动大脑左半球区域进行语音处理，包括下额叶 (IFG)、上颞叶和中颞叶以及梭状回。此外，我们的多变量结果表明，这两项任务调动了左侧 IFG 的不同子区域。我们的结果表明，额颞叶区域在语音处理和语义处理方面具有左侧化特征。此外，我们观察到在儿童早期，顶叶区域在语义处理方面具有双侧激活特征。我们的研究结果表明，对于正常发育的儿童来说，阅读的神经基础在儿童早期就已开始形成，这可以作为对照基线，用于比较有阅读困难风险的儿童。
MamMIL：使用状态空间模型对整个幻灯片图像进行多实例学习
摘要 — 近年来，病理诊断通过将深度学习模型与使用全切片图像 (WSI) 的多实例学习 (MIL) 框架相结合而取得了优异的表现。然而，WSI 的千兆像素特性对高效的 MIL 提出了巨大挑战。现有研究要么不考虑实例之间的全局依赖关系，要么使用线性注意等近似值来建模对对实例交互，这不可避免地带来了性能瓶颈。为了应对这一挑战，我们提出了一个名为 MamMIL 的框架用于 WSI 分析，通过将选择性结构化状态空间模型（即 Mamba）与 MIL 相结合，能够在保持线性复杂度的同时对全局实例依赖关系进行建模。具体而言，考虑到 WSI 中组织区域的不规则性，我们将每个 WSI 表示为一个无向图。为了解决 Mamba 只能处理一维序列的问题，我们进一步提出了一种拓扑感知扫描机制来序列化 WSI 图，同时保留实例之间的拓扑关系。最后，为了进一步感知实例之间的拓扑结构并结合短程特征交互，我们提出了一种基于图神经网络的实例聚合块。实验表明，MamMIL 可以实现比最先进的框架更先进的性能。代码可以在 https://github.com/Vison307/MamMIL 访问。索引术语 — 多实例学习、状态空间模型、整个幻灯片图像
“奢侈化妆品公司采用的体验式营销策略”
奢侈化妆品领域消费者不断变化的需求要求企业激发消费者的兴趣。这迫使企业继续专注于提供优质产品，同时创造难忘的体验。这项研究旨在通过情感更好地理解体验。本研究旨在调查奢侈化妆品公司用于影响消费者感知的体验式营销策略。因此，本研究使用 PRISMA 指南对选定的实证研究进行研究，以对现有文献进行批判性评论，得出研究结果。结果表明，免费样品和独家分销等策略会影响产品的使用概率，并满足消费者对独家方法的期望。此外，在线社区、礼品促销、旗舰店、专家服务和娱乐营销等策略可用于创造有意义的品牌体验。品牌形象创造、与设计相关的故事、创新性和产品独家性使体验式营销具有影响力。因此，通过技术使用沉浸式体验的公司应该实施虚拟购物或活动营销等策略来瞄准消费者。总之，使用各种社交媒体平台、事件营销和讲故事的电子口碑策略已经被确定可以塑造消费者的感受和体验，影响他们对网上购物的态度并在购买后维持他们的参与度。
基于兴趣区域的脑肿瘤分割 -
摘要由于磁共振成像（MRI）具有较高的软组织对比度，因此在MRI图像中，对肿瘤的轮廓（脑）肿瘤在医学图像过程中至关重要。对肿瘤进行精确分割是巨大的挑战，因为肿瘤和正常组织通常在大脑中密不可分地交织在一起。手动耗时也非常耗时。后期的深度学习技术开始在脑肿瘤分割中表现出可取得的成功。这项研究的目的是开发一种新的兴趣区域（ROI ADED）深度学习技术，用于自动脑肿瘤MRI分割。该方法由两个主要步骤组成。第一步是使用具有U-NET结构的2D网络来定位肿瘤ROI，这是为了产生正常组织干扰的影响。然后，在第2步中执行3D U-NET，以进行识别的ROI内的肿瘤分割。该提出的方法在MIC-CAI BRATS 2015挑战中得到了验证，其中220个高神经胶质瘤级（HGG）和54个低神经胶质瘤级（LGG）患者的数据。骰子相似性系数和手动肿瘤轮廓之间的Hausdorff距离分别为0.876±0.068和3.594±1.347 mm。这些数字表明我们所提出的方法是用于大脑MRI肿瘤分割的有效的ROI ADEAD深度学习S，并且是医学图像处理中的有效且有用的工具。
母乳喂养在典型儿童0至5年的儿童发育中的好处
母乳是一种具有理论营养优势的饮食营养底物，因此母乳有助于促进大脑发育。 div>这促进了新生儿在其一般发育中的巨大花絮，因为它们丰富的脂肪，蛋白质，矿物质，抗体以及其他化合物以及提供了巨大的营养价值的化合物。 div>此外，母乳具有长链多不饱和脂肪酸，例如docoshexaenoic（DHA），这对于早期神经脱发期间的神经发生，神经元分化，骨髓化和突触发生都很重要，这两种神经脱发的同伴都可以成为早产的人，因为它们是曾经是过早1、2，2。 div>，根据调查，有证据表明，DHA的存在与手相关的神经和认知发展，观察到认知表现在高水平的脂肪酸3，4的儿童中。
用于 SMT 策略综合的分层分阶段蒙特卡洛树搜索
现代 SMT 求解器（例如 Z3）提供用户可控制的策略，使求解器用户能够根据其独特的实例集定制求解策略，从而显著提高求解器针对其特定用例的性能。然而，这种策略定制方法提出了一个重大挑战：为 SMT 实例类手工制定优化策略对于求解器开发人员和用户来说仍然是一项复杂且艰巨的任务。在本文中，我们通过一种基于蒙特卡洛树搜索 (MCTS) 的新型方法解决了自动 SMT 策略合成问题。我们的方法将策略合成视为一个顺序决策过程，其搜索树对应于策略空间，并使用 MCTS 来导航这个巨大的搜索空间。使我们的方法能够识别有效策略同时保持低成本的关键创新是分层和分阶段 MCTS 搜索的思想。这些新颖的启发式方法允许更深入、更有效地探索策略空间，使我们能够合成比最先进 (SOTA) SMT 求解器中的默认策略更有效的策略。我们将我们的方法（称为 Z3alpha）作为 Z3 SMT 求解器的一部分来实现。通过对六种重要的 SMT 逻辑进行广泛的评估，Z3alpha 在大多数基准测试中表现出比 SOTA 综合工具 FastSMT、默认 Z3 求解器和 CVC5 求解器更优异的性能。值得注意的是，在具有挑战性的 QF BV 基准测试集上，Z3alpha 比 Z3 中的默认策略多解决 42.7% 的实例。
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。