XiaoMi-AI文件搜索系统
World File Search Systemserving
大麻二醇减少脑室内出血脑损伤，保留髓鞘并防止血液屏障功能障碍
脑室内出血（IVH）是极早产儿的长期残疾的重要原因，没有目前的治疗。这项研究评估了使用未成熟大鼠在IVH模型中大麻二醇（CBD）的潜在神经保护作用。ivh通过左室周围注射裂术胶原酶在1天大的（P1）Wistar大鼠中诱导。一些大鼠会产前接受CBD（10 mg/kg I.P.到达大坝），然后是5 mg/kg I.P.IVH后 6、30和54 h（IVHÞCBD，n¼30）。 其他IVH大鼠接收了车辆（IVH车，n¼34）和用车辆处理的非IVH大鼠用作对照（SHM，n¼29）。 大鼠在P6，P14或P45处被人性地杀死。 Brain damage (motor and memory performance, area of damage, Lactate/N-acetylaspartate ratio), white matter injury (ipsi- lateral hemisphere and corpus callosum volume, oligodendroglial cell density and myelin basic protein signal), blood-brain barrier (BBB) integrity (Mfsd2a, occludin and MMP9 expression, gadolinium leakage), in fl然后评估了弹性毒性（TLR4，NFκB和TNFα表达，在促炎细胞的纤维化中），兴奋毒性（谷氨酸/N-乙酰基 - 吐型比）和氧化应激（蛋白质硝基化）。 cbd阻止了IVH的长期运动和认知后果，在短期和长期保护的寡头细胞中减少了脑损伤，从而保留了足够的髓鞘形成并保持BBB的完整性。 CBD的保护作用与炎症，兴奋性和氧化应激的调节有关。 CBD是改善IVH诱导的未成熟脑损伤的潜在候选者。6、30和54 h（IVHÞCBD，n¼30）。其他IVH大鼠接收了车辆（IVH车，n¼34）和用车辆处理的非IVH大鼠用作对照（SHM，n¼29）。大鼠在P6，P14或P45处被人性地杀死。Brain damage (motor and memory performance, area of damage, Lactate/N-acetylaspartate ratio), white matter injury (ipsi- lateral hemisphere and corpus callosum volume, oligodendroglial cell density and myelin basic protein signal), blood-brain barrier (BBB) integrity (Mfsd2a, occludin and MMP9 expression, gadolinium leakage), in fl然后评估了弹性毒性（TLR4，NFκB和TNFα表达，在促炎细胞的纤维化中），兴奋毒性（谷氨酸/N-乙酰基 - 吐型比）和氧化应激（蛋白质硝基化）。cbd阻止了IVH的长期运动和认知后果，在短期和长期保护的寡头细胞中减少了脑损伤，从而保留了足够的髓鞘形成并保持BBB的完整性。CBD的保护作用与炎症，兴奋性和氧化应激的调节有关。CBD是改善IVH诱导的未成熟脑损伤的潜在候选者。总而言之，在未成熟的大鼠中，CBD降低了IVH诱导的脑损伤及其短期和长期后果，显示出强大的和多效性神经保护作用。
通过保留图生成模式
最近，在广泛的图形挖掘任务中深入研究并应用了预训练和微调图神经网络的范式。它的成功通常是对训练和下游数据集之间的结构一致性的表现，但是，在许多现实世界中，这并不成立。现有的作品表明，在使用香草微调策略时，预训练和下游图之间的结构差异显着限制了转移性。这种差异导致模型过度适应预训练图，并在捕获下游图的结构特性时造成困难。在本文中，我们将结构差异的基本原因确定为前训练和下游图之间生成模式的差异。此外，我们建议G-T Uning保留下游图的生成模式。给定下游图G，核心思想是调整预训练的GNN，以便它可以重建G graphon w的生成模式。但是，已知Graphon的确切重新构造在计算上是昂贵的。为了克服这一挑战，我们提供了一个理论分析，该分析建立了一组替代图形子的存在，称为任何给定的Graphon。通过利用这些图形碱基的线性组合，我们可以有效地近似w。这一理论发现构成了我们模型的基础，因为它可以有效地学习图形碱基及其相关系数。与现有的al-gorithm相比，G-T Uning在7个内域和7个室外转移学习实验中表现出一致的性能提高。
下一代航空公司和机场服务智能和......
提升客户体验与产品和收益创新密切相关。当航空公司和机场能够通过数字和物理接触点吸引客户时，他们就有更多机会探索产品、服务和定价创新，例如持续定价模型。12 他们可以鼓励商务旅客预订可以提前更改和取消的机票；他们还可以鼓励旅客在起飞前购买机票（这意味着相同座位的收益更高）或考虑辅助产品（如机上 Wi-Fi、额外行李、优先登机、固定价格升级）。此外，对移动模式和客户偏好有更深入了解的机场可以协调运营程序和商业机会，以最大限度地提高停留时间的价值。13
隐私保护和公平意识联合学习，用于关键基础设施的保护和恢复
能源行业正在经历重大转型，致力于实现净零排放并使其基础设施面向未来，电网中的每个参与者都有可能消耗和生产能源资源。联邦学习 - 使多个参与者能够协作训练模型而无需汇总训练数据 - 成为一种可行的技术。然而，必须共享以进行优化的全局模型参数仍然容易受到训练数据泄露的影响。在这项工作中，我们提出了受限梯度下降（CGD），通过消除全局模型参数的共享来增强联邦学习的隐私性。CGD利用了这样一个事实：梯度下降优化可以从一组离散点开始，并收敛到目标函数全局最小值邻域中的另一组点。因此，每个参与者可以独立地启动自己的私有全局模型（称为受限模型），并协作学习以达到最优值。在训练过程中，他们自己的模型的更新以安全的协作方式进行。通过这种方式，CGD 保留了从分布式数据中学习的能力，但大大减少了信息共享。这种策略还允许专有的受限模型适应联邦学习中的异质性，从而提供公平性的内在优势。我们从理论和经验上证明，分散式 CGD（i）提供更强大的差异隐私（DP）保护；（ii）对最先进的毒害隐私攻击具有鲁棒性；（iii）导致参与者之间的有限公平性保证；（iv）在四个真实世界数据集上提供高测试准确率（与集中式学习相当）和有界收敛率。
保护和强度的扣除，逐个消费者 -
背景：Snap是全国防御饥饿的第一道防线。该计划与各州和私营部门合作，为使用现有商业渠道的有需要的人提供有效和公平的粮食。snap客户受到尊严的对待，因为根据法律，他们对非SNAP客户的对待。SNAP客户可以决定购物何处以及购买的产品，包括适用于某些医疗状况和在文化上适合的食物的食物。已经有多次尝试限制了Snap参与者可以购买的食物和饮料。对这些努力的拒绝一直是两党。
通过张量来保存实验环境...
最近的生物学研究已通过多重和高通量测定法对尺度和粒度进行了彻底的革命。跨多个实验参数（例如扰动，时间和遗传环境）的细胞反应会导致更丰富，更具概括性的发现。但是，这些多维数据集需要重新评估常规方法以进行表示和分析。传统上，实验参数被合并以将数据扁平化成二维矩阵，从而牺牲了由结构反映的关键实验上下文。正如马歇尔·麦克卢汉（Marshall McLuhan）所说的那样，“媒介是信息。”在这项工作中，我们建议实验结构是进行后续分析的介质，并且数据表示的最佳选择必须反映实验结构。我们引入了张量结构化分析和分解以保留此信息。我们认为，张量方法有望成为生物医学数据科学工具包的组成部分。
安全增强的轻量级和匿名的用户身份验证方案，用于基于物联网的医疗保健
I.医学互联网（IOMT）是医疗设备和应用程序的收敛，可以使用网络技术连接到医疗保健信息技术系统[1]。过去几年中，IOMT的发展是由医疗保健领域中无线医疗传感器网络（WMSN）广泛使用的驱动。过去几年中，WMSN在医疗保健领域广泛使用了IOMT的发展[2]。在这样的情况下，将各种复杂的传感器设备放置在患者中，以收集和监视其生理参数，而不会损害其舒适性并将数据无线传输到医生的手持设备，例如平板电脑，智能手机和其他设备。基于这些数据，医生可以更全面地评估患者的健康状况。尽管收集了所有数据
数据匿名用于隐私性的大语言模型在呼叫成绩单上微调
大型语言模型（LLMS）功能的最新进展（Devlin等人，2019年；布朗等人。，2020年； Zhao等。，2023年），导致了他们广泛的收养，作为工业和学术NLP各种任务的基础（Bom- Masani等人。，2021）。在数十亿和数十亿的参数计数中，这些模型需要大量的数据才能进行训练和微调（Hoffmann等人。，2022）。同时，这种过度分析能够记忆和潜在的LLMS训练数据的泄漏或提取（Biderman等人，2023; Carlini等。，2023; Hartmann等。，2023）。综上所述，LLMS所需的培训数据和记忆能力提出了实质性问题（Li等人，2023）。这种风险更加复杂，因为LLM与所有监督学习者一样，在具有与培训数据相似的分布的测试集上表现最好。因此，寻求部署实际上有效的LLM的组织必须使用反映其部署分布的数据，并使用特定的，敏感的数据（例如医疗记录或通话记录），导致绩效提高，但相应地
用各向异性...
随着AI生成内容的应用程序（例如Chatgpt和稳定的扩散）的开花，已经对深层生成模型引起了很多关注。扩散概率模型（DPM）是一种创新的图像生成模型，灵感来自热力学中的扩散现象，具有稳定的训练过程和简单的模型结构。然而，基于DPM的图像一代中的一个重要挑战是通过结构，布局和颜色约束来控制输出。当前的方法主要集中于在生成过程中引入额外的分类器或在培训过程中添加条件，这仍然遭受诸如不稳定的生成产出和高培训成本之类的问题。为了探索更好的控制策略，在本论文中，我们提出了一个具有前回溯框架的具有结构的图像生成模型。各向异性扩散[1]将是向前图像退化过程的骨干，条件流匹配方法[2]将用于逆转该过程并生成新图像。各向异性的特性使该模型可以在破坏过程中保留边缘和一般结构，从而可以将几何信息作为条件引入图像生成。
通过随机旋转几何特征模式生成保留空间自相关的替代脑图
。CC-BY-NC 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 6 月 18 日发布。；https://doi.org/10.1101/2024.02.07.579070 doi：bioRxiv 预印本