XiaoMi-AI文件搜索系统
World File Search Systemrepresentation
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。
贝叶斯网络的优化量子电路表示
摘要：近年来，人们对量子机器学习的兴趣日益高涨，研究人员积极开发利用量子技术的力量解决各个领域高度复杂问题的方法。然而，由于量子资源有限和固有噪声，在有噪声的中间量子设备 (NISQ) 上实现基于门的量子算法面临着显著的挑战。在本文中，我们提出了一种在量子电路上表示贝叶斯网络的创新方法，专门用于应对这些挑战。我们的目标是最大限度地减少在量子计算机上实现量子贝叶斯网络 (QBN) 所需的量子资源。通过精心设计动态电路中的量子门序列，我们可以优化有限量子资源的利用率，同时减轻噪声的影响。此外，我们提出了一项实验研究，证明了我们提出的方法的有效性和效率。通过在 NISQ 设备上进行模拟和实验，我们表明我们的动态电路表示显著降低了资源需求并增强了 QBN 实现的稳健性。这些发现凸显了我们的方法的潜力，为量子贝叶斯网络在当前可用的量子硬件上的实际应用铺平了道路。
通过神经影像学研究提取认知表征可改善大脑解码
认知脑成像正在积累有关许多不同心理过程的神经基础的数据集。然而，大多数研究都基于少数受试者，统计能力较低。跨研究分析数据可以带来更多的统计能力；然而，当前的脑成像分析框架无法大规模使用，因为它需要将所有认知任务置于统一的理论框架中。我们引入了一种新方法来分析跨任务的大脑反应，而无需心理过程的联合模型。该方法通过联合分析具有特定认知重点的小型研究与探究不太重点的心理过程的大型研究，提高了小型研究的统计能力。我们的方法提高了 35 项差异很大的功能成像研究中 80% 的解码性能。它通过预测心理过程的共同大脑表征，以数据驱动的方式发现跨任务的共性。这些是适应心理操纵的大脑网络。它们概述了可解释和合理的大脑结构。提取的网络已经可用；它们可以在新的神经成像研究中轻松重复使用。我们提供了一个多研究解码工具来适应新数据。
在稳定固定和主动视觉期间的刺激特征的表示
研究文章|行为/认知在稳定固定和主动视觉期间的刺激特征的表示https://doi.org/10.1523/jneurosci.1652-24.2024收到：2024年9月1日修订：2024年11月7日接受：2024年11月25日接受：2024年11月25日，2024年2月25日Moran Moran Et an。这是根据Creative Commons Attribution 4.0国际许可条款分发的开放访问文章，只要将原始工作正确归因于任何媒介，它允许在任何媒介中进行无限制的使用，分发和复制。
探索表征和迁移学习在解剖神经成像中的潜力：在精神病学中的应用
脑部疾病个性化医疗的前景需要有效的学习模型，以便基于解剖神经影像学预测临床状况。现在，人们一致认为深度学习 (DL) 有助于解决许多医学成像任务，例如图像分割。然而，对于单一主题预测问题，最近的研究在将 DL 与基于经典特征提取的标准机器学习 (SML) 进行比较时得出了矛盾的结果。大多数现有的比较研究仅限于预测性别和年龄等临床意义不大的表型，并且使用单一数据集。此外，他们对所采用的图像预处理和特征选择策略进行了有限的分析。本文广泛比较了 DL 和 SML 对五个多站点问题的预测能力，包括三个日益复杂的精神病学临床应用，即精神分裂症、躁郁症和自闭症谱系障碍 (ASD) 诊断。为了弥补这些临床数据集上神经影像数据的相对稀缺性，我们还评估了三种从一般健康人群的脑成像中进行迁移学习的预训练策略：自监督学习、生成建模和随年龄的监督学习。总体而言，我们发现随机初始化的 DL 和 SML 在三个临床任务中的表现相似，并且在性别预测方面具有相似的扩展趋势。这在外部数据集上得到了复制。我们还展示了所有问题中 DL 和线性 ML 模型之间高度相关的判别大脑区域。尽管如此，我们证明，在大型健康人群成像数据集（N ≈ 10k）上进行自监督预训练，以及 Deep Ensemble，使 DL 能够学习到稳健且可迁移到小规模临床数据集（N ≤ 1k）的表示。在内部和外部测试集中，它在 3 个临床任务中的 2 个上都大大优于 SML。这些发现表明，DL 在解剖神经影像学方面相对于 SML 的改进主要来自于它学习有意义且有用的大脑解剖抽象表征的能力，并且它揭示了迁移学习在精神病学个性化医疗中的潜力。
基于序列表示驱动程序同义突变的基于集合学习的预测指标
曾经被认为是中性的同义突变，现在被认为对多种疾病，尤其是癌症具有重要意义。必须在人类癌症中识别这些驱动程序的同义突变是必不可少的，但是当前方法受数据限制的约束。在这项研究中，我们最初研究了基于序列特征的影响，包括DNA形状，物理化学特性和核苷酸的一式编码以及基于BERT的预训练的化学分子语言模型的深度学习衍生特征。随后，我们提出了EPEL，这是使用集合学习的同义突变的效应预测指标。EPEL结合了五个基于树的模型，并优化了效率选择，以提高预测精度。值得注意的是，从化学分子中掺入DNA形状的效果和深度学习的特征代表了评估同义突变对癌症的影响的开创性效果。与现有的最新方法相比，EPEL在独立的测试数据集上展示了出色的性能。此外，我们的分析揭示了各种癌症类型的效果评分与患者结局之间的显着相关性。有趣的是，虽然深度学习方法在其他领域显示出希望，但其DNA序列表示并不能显着增强本研究中驾驶员同义突变的识别。总体而言，我们预计EPEL将促进研究人员更精确地靶向驱动器同义词突变。EPEL的用户友好网络服务器可在http://ahmu.epel.bio/上获得。EPEL的设计具有灵活性，使用户可以重新训练预测模型，并为人类癌症中的同义突变产生效果分数。
生物和人工神经网络中表征的普遍性
2 麻省理工学院麦戈文脑研究所，美国马萨诸塞州剑桥 3 哈佛大学言语和听觉生物科学与技术 (SHBT) 项目，美国马萨诸塞州波士顿 4 哈佛大学肯普纳自然与人工智能研究所，美国马萨诸塞州奥尔斯顿 5 纽约大学心理学系，美国纽约州纽约 6 哈佛大学心理学系，美国马萨诸塞州剑桥 7 哈佛医学院麻省总医院神经外科系，美国马萨诸塞州波士顿 致谢：作者感谢 Josh McDermott、Sam Gershman、Nancy Kanwisher、Niko Kriegeskorte、Tal Golan、Alex Williams、Andrew Lampinen、Chengxu Zhuang、Cory Shain、Martin Schrimpf 及其团队、Stanislas Dehaene 及其团队以及 CCN 2023（英国牛津）和 Ascona 2024（瑞士阿斯科纳）的观众提供的有益评论和讨论。EH、CC、NZ、MR 和 EF 部分由 NIH 拨款 U01-NS121471 资助。CC 获得哈佛大学肯普纳自然和人工智能研究所的奖学金资助。NZ 获得麻省理工学院 K. Lisa Yang 综合计算神经科学 (ICoN) 中心的博士后奖学金资助。EF 还获得麻省理工学院麦戈文脑研究所、智力探索、脑与认知科学系和西蒙斯社会脑中心的资金资助。
在大脑和神经网络中代表学习期间任务相似性的影响
我们环境的复杂性对适应性行为构成了重大挑战。跨任务的共享结构可以通过概括从理论上改善学习。但是，这种共同的表示形式如何出现和影响绩效仍然很糟糕。与期望相反，我们的发现表明，接受过相似低维结构的任务培训的人的表现要比接受分散任务训练的人要差。磁脑摄影显示在相同结构组中相关的神经表示和不同结构组的反相关的神经表示相关。至关重要的是，实践减少了这种绩效差距，并将同一结构组的任务的神经表示转移到了抗相关性的情况下，就像不同结构组的神经相关性。在复制这些发现的类似任务上训练的神经网络模型：具有相似结构的任务需要更多的迭代才能正交其表示。这些结果突出显示了任务相似性，神经动力学和行为之间的综合相互作用，挑战了关于学习和概括的传统假设。
图书馆是开放的：关于迷幻研究的酷儿代表的范围审查
研究界（历史上或现在）尚未彻底探索酷儿身份和迷幻药的交集。随着越来越多的法律迷幻疗法的机会，临床医生对酷儿迷幻的经历至关重要，以便提供最安全有效的护理。迷幻和酷儿相关，并且对在酷儿种群中使用迷幻药的治疗和身份发展有浓厚的兴趣。但是，绝大多数文献污名化并使酷儿迷幻的使用构成问题。因此，本范围的评论旨在探索学术文献中迷幻和酷儿之间的当前和历史重叠。具体来说，这项范围的评论旨在了解可用的学术文献对酷儿社区中对迷幻的有意义，无病的使用的处理，并试图强调酷儿镜头和酷儿经验的独特潜在潜在的潜在潜在的潜力。为此，我们询问了文献中反映了哪些酷儿迷幻的经历，正在研究的人，酷儿个人的动机是使用迷幻药的动机，以及对文献中讨论的酷儿迷幻使用的影响的回顾。文献搜索是在七个学术数据库中使用与酷儿相关和迷幻相关的关键字的广泛广度进行的，从而捕获了3,000多个资源。筛选后，总共收集了18个资源，以代表迷幻和酷儿的有意义的重叠。基于发现和研究差距，这项范围审查提出了有关迷幻研究人员和临床医生可以追求的几项建议，以更好地理解和受益于迷幻和酷儿的有意义的重叠。通过回收，重新定义和重新想象迷幻和酷儿经验之间有意义的关系，这项综述有助于将科学和临床的对话转移到酷儿空间中，将奇怪的经验和酷儿经验作为迷幻研究和实践的重要组成部分。
学习单细胞转录组学数据的多细胞表示可以表征患者水平疾病状态
单细胞RNA-SEQ（SCRNA-SEQ）已成为研究Human生物学和疾病的重要工具。大量SCRNA-SEQ数据集和先进的机器学习技术的可用性最近驱动了单细胞基础模型的开发，这些模型可根据表达配置文件提供信息丰富且通用的单元格代码。但是，要了解疾病状态，我们需要考虑整个组织生态系统，同时考虑许多不同的相互作用细胞。在这里，我们通过产生从用Scrna-seq的多细胞表达上下文得出的患者水平表示来应对这一挑战。我们开发了Pascient，这是一种新型模型，采用多级表示学习范式，并在单个细胞和基因水平上提供了重要的分数，以跨多种细胞类型的细胞类型和基因程序进行细粒度分析，并提供给定疾病的特征。我们使用pastient来学习来自5,000多名患者的2430万个细胞的大规模SCRNA-SEQ ATLA中的疾病模型。全面而严格的基准测试表现出疾病分类中帕斯特的优越性及其多个下水道应用，包括降低维度降低，基因/细胞类型的优先考虑和患者亚组发现。