XiaoMi-AI文件搜索系统
World File Search Systemsequence
spt：交互式图像分割的序列提示变压器
摘要 - Interactive分割旨在根据用户提供的点击从图像中提取感兴趣的对象。在现实世界应用中，通常需要分割一系列具有相同目标对象的图像。但是，现有方法通常一次处理一个图像，未能考虑图像的顺序性质。为了克服这一限制，我们提出了一种称为序列提示变压器（SPT）的新方法，该方法是第一个利用顺序图像信息进行交互式分割的方法。我们的模型包括两个关键组成部分：（1）序列提示变压器（SPT），用于从图像，点击和掩码序列中获取信息以提高准确的信息。（2）TOP-K提示选择（TPS）选择SPT的精确提示，以进一步增强分割效果。此外，我们创建ADE20K-SEQ基准测试，以更好地评估模型性能。我们在多个基准数据集上评估了我们的方法，并表明我们的模型超过了所有数据集的最新方法。索引项 - 计算机视觉，交互式图像分割
ESRL：序列生成的有效采样的增强学习
将增强学习（RL）应用于序列生成模型，可以直接优化长期校正（例如BLEU和人类反馈），但通常会在动作序列的空间序列上进行大规模抽样。这是序列产生问题（例如机器变速器）的实践所带来的计算挑战，在那里我们经常处理较大的动作空间（例如词汇表）和长长的动作序列（例如，翻译）。在这项工作中，我们引入了两阶段的采样和dy-namic抽样方法，以通过RL在训练序列产生模型期间提高采样效率。我们就传统的发电任务进行了尝试，包括机器翻译和抽象性摘要。此外，我们通过使用奖励模型训练大型语言模型来评估人类反馈（RLHF）中的RL的AP。实验结果表明，基于ASRL的有效采样的RL可以在训练效率和记忆消耗方面均超过所有基准。值得注意的是，ESRL在强大的增强，最低风险训练和近端政策优化方法上产生一致的性能。该代码可在https：// github上找到。com/wangclnlp/deepspeed-chat-extension/示例/esrl。
墨西哥利什曼原虫 MNYC/BZ/62/ 的基因组序列...
简介 墨西哥利什曼原虫是一种可感染人类的单细胞真核生物，是引起利什曼病的物种之一。由于其毒性较低（引起皮肤利什曼病而非内脏利什曼病）并且能够在适当的无菌培养中容易分化为无鞭毛体形式，它通常被用作分子细胞生物学的模型利什曼原虫物种。我们之前曾描述过表达 Cas9 和 T7 RNA 聚合酶的转基因墨西哥利什曼原虫 MNYC/BZ/62/M379 的生成，该菌株可进行快速反向遗传修饰 1 。由于这不是参考基因组菌株（参考基因组菌株为 MHOM/GT/2001/U1103） 2 并且可能在实验室培养和/或 Cas9 或 T7 表达的选择压力下积累了突变，因此我们对这种广泛使用的菌株的基因组进行了测序，作为设计反向遗传策略的高质量参考。
grelu：DNA序列建模和设计的综合框架
深度学习模型越来越多地用于在DNA序列上执行各种任务，例如预测组织和细胞类型特异性序列活性，得出顺式调节规则，预测非编码变异效应以及设计合成调节序列。但是，这些模型需要专门的知识来正确构建，训练和解释。此外，由于模型和不同组构建的软件之间缺乏互操作性，该领域受到了阻碍。在这里，我们提出了Grelu，这是一个综合的软件框架，使用户可以轻松地执行高级序列建模管道，包括数据预处理，模型培训，超参数调整，评估，解释，解释，变体效应预测和新型调节元素的设计。该软件伴随着一个模型动物园，其中包含可以轻松下载，应用和微调的最先进的预培训模型。该框架和资源将在DNA序列建模领域加速研究，并实现合成调节元件的有效设计。
通过显式能量景观优化进行蛋白质序列设计
摘要蛋白质设计问题是确定折叠成所需结构的氨基酸序列。鉴于安芬森的折叠热力学假设，这可以改写为找到一个氨基酸序列，其中最低能量构象是该结构。由于这种计算不仅涉及所有可能的氨基酸序列，还涉及所有可能的结构，因此大多数当前方法都侧重于更易处理的问题，即为所需结构找到最低能量的氨基酸序列，通常在第二步通过蛋白质结构预测检查所需结构确实是设计序列的最低能量构象，并丢弃在许多情况下并非如此的大部分设计序列。这里我们表明，通过将梯度通过 trRosetta 结构预测网络从所需结构反向传播到输入氨基酸序列，我们可以直接优化所有可能的氨基酸序列和所有可能的结构，并在一次计算中明确设计预测折叠成所需结构而不是任何其他结构的氨基酸序列。我们发现，考虑了完整构象景观的 trRosetta 计算比 Rosetta 单点能量估计更能有效地预测从头设计蛋白质的折叠和稳定性。我们将通过景观优化进行的序列设计与 Rosetta 中的标准固定骨架序列设计方法进行了比较，并表明前者的结果对竞争低位状态的存在很敏感，而后者则不然。我们进一步表明，通过结合这两种方法的优势，可以设计出更具漏斗形的能量景观：低分辨率 trRosetta 模型用于排除替代状态，高分辨率 Rosetta 模型用于在设计目标结构处创建深度能量最小值。意义计算蛋白质设计主要侧重于寻找在目标设计结构中能量非常低的序列。然而，在折叠过程中最相关的不是折叠状态的绝对能量，而是折叠状态与最低位替代状态之间的能量差。我们描述了一种可以捕捉整个折叠景观的深度学习方法，并表明它可以增强当前的蛋白质设计方法。
2023 年 6 月 28 日 081-WF2-1212 执行快速序列...
条件：在作战环境中，您会遇到一名因创伤而导致呼吸道严重阻塞的伤员。您已拥有使用适当方法对患者进行插管所需的所有设备：电池（适合喉镜尺寸）、带刀片的喉镜（直的和弯的，尺寸 1-4）、喉镜片的备用灯泡、气管内导管 (ET) (7-8.5 厘米)、气囊面罩 (BVM)、商用气管内 (ET) 导管支架（如果有）、抽吸设备（壁挂式或便携式）、抽吸套件、脉搏血氧仪、呼气末二氧化碳 (ETCO2) 比色装置、ETCO2 波形二氧化碳监测仪、10 立方厘米 (cc) 注射器、1/2 英寸胶带、剪刀、听诊器、探针、神经肌肉阻滞剂、镇静剂。您将查看医疗记录、使用双因素验证来验证患者身份、解释程序、收集所有设备和用品、对患者进行洗手、遵守标准预防措施并检查患者是否有任何已知的过敏行为体内物质隔离程序。此任务的一些迭代应在 MOPP 4 中执行。标准：使用适当的方法，按照正确的顺序对患者进行插管，不会对患者造成进一步伤害，IAW 标准医疗操作指南 (SMOG) 无误，使用任务 GO/NO-GO 检查表。
辉煌的耀斑形态，主序列tess
上下文。在空间光度光曲线中，恒星浮标丰富。由于现在有足够大的数量可用，因此对其整体时间形态的统计研究是及时的。目标。我们使用来自过渡系系外行星调查卫星（TESS）的光曲线来研究超出持续时间和振幅的简单参数化的恒星曲线的形状，我们揭示了与天体物理参数的可能联系。方法。我们训练并使用了FlatWrm2长期记忆神经网络，以从任务的第一年（部门1-69）中找到2分钟Cadence Tess Light曲线中的恒星曲线。我们将这些浮雕缩放到可比的标准形状，并使用主成分分析以简洁的方式描述其时间形态。我们调查了平流如何按主序列变化，并测试了单个浮雕是否持有有关其宿主恒星的任何信息。我们还使用极端紫外线辐照时间序列也将相似的技术应用于太阳浮游。结果。我们的最终目录在约14 000星上包含约120 000台。由于严格的过滤和最终的手动审查，该样本几乎没有误报，尽管以降低完整性为代价。使用此量为目录，我们检测到平均量的依赖性是光谱类型的形状。这些变化对于单个浮华而言并不明显。它们只有在平均成千上万事件时才出现。我们发现在平面空间中没有强烈的聚类。我们创建了新的分析量是不同类型的恒星的模板，并且我们提出了一种采样现实浮游的技术，以及一种定位具有相似形状的浮标的方法。the the the the the the the the the提取的平流是形状，用于训练flatwrm2的数据公开可用。
优化TDC对老年人中运动序列学习的影响
1 Department of Psychology and Neurosciences, Leibniz Research Center for Working Environment and Human Factors, 44139 Dortmund, Germany 2 International Graduate School of Neuroscience, Ruhr-University Bochum, 44780 Bochum, Germany 3 Neuroplasticity and Movement Control Research Group, REVAL Rehabilitation Research Center, REVAL, Faculty of Rehabilitation Sciences, Hasselt University, 3590比利时Diepenbeek 4认知神经科学研究所，Ruhr-University Bochum，44801 Bochum，德国Bochum，5大学5大学诊所和心理治疗诊所以及儿童和青少年精神病学和心理疗法的大学诊所神经可塑性研究小组，运动科学系，小组生物医学科学，鲁文，鲁汶3001，比利时鲁汶 *通信：raf.meesen@uhasselt.be