XiaoMi-AI文件搜索系统
World File Search Systemrepresentations
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。
从私法角度的摘要中，在元法中对化身的法律地位 - 化身或我们自己的数字表示
从私法角度的摘要中，化身的法律地位 - 化身或我们在荟萃分析中的数字表示形式通常被视为虚拟世界的有趣而独特的方面，但是它们使用的法律含义以及潜在的滥用 - 仍然很大程度上没有探索。在本文中，我解决了个人在在线虚拟平台中利用化身有关的各种问题，强调了它们的潜在收益优势和潜在问题。在这种情况下，我非常需要澄清元评估的内容，并提出了一个以私人法律为导向的框架来思考和调节数字化头像的某些方面，以合法的可行方式进行思考。Sumario - Los Avatares, o las representaciones de nosotros mismos en el Metaverso, con frecuencia son vistos como aspectos divertidos y únicos de los mundos virtuales, no obstante, las implicaciones jurídicas de su uso —y abuso— aún son un área mayormente inexplorada.En este artículo presento varias de las dificultades jurídicas que plantea el uso de los avatares en el en las plataformas del Metaverso, resaltando tanto sus potenciales beneficios como problemas.Para ello, ofrezco una muy necesaria aclaración de lo que es el Metaverso, y propongo un marco para analizar lo que podría ser una regulación de los Avatares de forma jurídicamente viable, especialmente desde el punto de vista del Derecho Privado.标题：UnRégimenJurídicopara los avatares en el Metaverso desde la Perspectiva del derecho privado。- 关键字：元文书，化身，私法，民事责任，法定人格，数字资产，NFT，产品责任，人工智能。关键字：元弗罗索，阿凡达，私法，法律人格，民事责任，数字资产，NFT，对产品有缺陷的责任，人工智能。 div>- doi：10.31009/indret.2024.i2.03
鼠标决策中先验信息的大脑范围表示
查尔斯·休伯特（Charles Hubert）1，国际大实验室，丹尼尔·伯曼（Daniel Birman），安妮·K·苏克兰（Anne K Surchland）8，杨丹9，埃里克·埃吉·侯赛斯（Eric Ej Husser）7，Sounds B Miska 12，Thomas D Men-Flogel 12，Jean-Paul圣诞节4，Kai Nylund 5，Kai Nylund 5，Pan-Vazquez的Alegenro； Paninski 16，乔纳森枕头10； Yanliang Shi 11，Noam Roth 5，Michael Shitner 1 Carolina Z Socha 7，Steven Jon West 12，Anthony Zador 10，Anthony Zador 14，Peter Dayan 13，Alexander
从跨编码数据中预测生物地球化学周期的粗粒表示
抽象动机：由于DNA测序的进步，现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能，例如氢氧化，还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来，但是在许多环境应用中，MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中，代谢功能的重建仍然是当今有效的生物信息学问题。结果：我们开发了一条称为Tabigecy的管道，该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中，Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程，我们生成了一个预先计算的数据库，其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织，BigeCyhmm是一个新开发的Python软件包，依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基（Tabigecy）应用于两个盐洞数据集，并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字：微生物群落，生物地球化学周期，代谢功能，分类学官员
新颖的SPD矩阵表示形式考虑交叉...
摘要 - 来自电脑摄影（EEG）信号的认知状态的准确分类对于神经科学应用至关重要，例如脑部计算机界面（BCIS）。clasification管道通常是BCI领域的最先进的。在这种类型的BCI中，基于独立频段的EEG信号的协方差矩阵用作分类特征。然而，有明显的神经科学证据表明频率带（例如跨频耦合（CFC））神经相互作用。因此，在本文中，我们提出了考虑基于Riemannian几何学的CFC的新型对称阳性（SPD）矩阵表示形式。在三种不同的CFC SPD矩阵中描述了相位和频带之间和频段之间的扩增的空间相互作用。这使我们能够包含其他歧视性神经生理特征，这些神经生理特征在传统的Riemannian EEG特征中不可用。使用公共无源BCI数据集中的心理工作负载分类任务评估我们的方法。我们的三个CFC协方差矩阵的融合模型显示，theta和Alpha频段的常规Covari-Ance矩阵的平均分类精度在统计学上显着提高。32％，在Beta和伽马频段中以4为4。34％的标准偏差较小。该结果证实了考虑到riemannian脑电图分类内和频率之间考虑更多多样化的神经生理相互作用的有效性。索引术语 - 电脑摄影（EEG），Riemannian Ge-emetry，Brain-Computer接口（BCI），跨频COU-PLING（CFC）
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。
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。
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。
学习增强了顶端树突中与行为相关的表示
1纽约哥伦比亚大学神经科学系10027 2 2哥伦比亚大学哥伦比亚大学生物医学工程和放射学系，10027 3 3卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约，纽约，纽约，纽约，纽约，10027，纽约市4 Zuckerman Mind Brain Brain Brain Brain Capeny Institution，哥伦比亚大学牛津，牛津，OX1 3PT 6铅接触 *通信：randy.bruno@dpag.ox.ac.ac.uk（R.M.B。）