XiaoMi-AI文件搜索系统
World File Search Systemspars
用于着色的算法框架
摘要：我们开发了一个用于图形着色的算法框架，该框架降低了问题以验证独立集的局部概率属性。，对于任何固定的k≥3和ε> 0，我们给出了一种最大程度∆的颜色图的随机多项式时间算法，其中每个顶点在长度k的大多数t副本中都包含在长度k的大多数t副本中，其中1≤t≤t≤t≤t≤t≤t≤t≤x的2ε1 +2ε /（log ∆）2，firs with pogirate ungimanter。这统一，概括和改进了几个值得注意的结果，包括Kim（1995）和Alon，Krivelevich和Sudakov（1999），以及Molloy（2019）和Achlioptas，Ilioopoulos和Sinclair（2019）的近期结果。由于随机的常规图，色数上的结合到渐近因子2，因此我们的工作与著名的算法屏障相吻合，以着色随机图，大大扩展了符合此屏障的图形着色算法的范围。
在恒定深度
NISQ（嘈杂的中等规模quantum）之间的方法没有任何证据证明量子优势和完全容忍断层的量子计算，我们提出了一种方案，以实现可证明的可证明的超级物质量子量子（在某些广泛接受的复杂性构想）中，可以与微型误差误差校正要求有稳健的噪声。我们选择一类采样问题，其中包括稀疏的IQP（瞬时Quantum Quantumial多项式时间）电路，我们通过引入Tetrahelix代码来确保其耐断层的实现。通过合并几个四面体代码（3D颜色代码）获得此新代码，并且具有以下属性：每个稀疏的IQP门都允许横向启动，并且逻辑电路的深度可以用于其宽度。结合在一起，我们获得了任何稀疏的IQP电路的Depth-1实现，直到编码状态的制备。这是以一个空间为代价的，这仅在原始电路的宽度中是多毛体。我们还表明，也可以通过经典计算的单一步骤进行恒定深度进行状态准备。因此，我们的构造表现出在恒定深度电路上实现的采样问题，具有强大的超多种量子量子优势，并具有一轮的测量和进率。
稀疏深神经网络的算法和理论方面
2从稀疏的深神经网络到稀疏基质分解22 2.1神经网络简介。。。。。。。。。。。。。。。。。。。。。。。22 2.1.1神经网络的定义。。。。。。。。。。。。。。。。。。。。。。22 2.1.2神经网络的培训问题。。。。。。。。。。。。。。。。。。24 2.2稀疏神经网络的简介。。。。。。。。。。。。。。。。。。。25 2.2.1稀疏神经网络：定义和培训问题。。。。。。25 2.2.2稀疏深神经网络培训的实用方法。。。。。。。。29 2.2.3关于稀疏深神经网络的理论。。。。。。。。。。。。。34 2.3稀疏基质分解及其与稀疏深神经网络的关系。35 2.3.1问题制定和与稀疏深神经网络的第一个关系。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35 2.3.2稀疏基质分解的算法以及稀疏DNNS训练中与修剪/再培训方法的关系。。。。。。。。。。。36 2.3.3稀疏基质分解的其他应用。。。。。。。。。。。38 2.3.4稀疏基质分解的相关作品。。。。。。。。。。。。。40 2.4固定支持矩阵分解。。。。。。。。。。。。。。。。。。。。。。。44 2.4.1问题公式。。。。。。。。。。。。。。。。。。。。。。。。。。。44 2.4.2固定支持基质分解的动机。。。45 2.4.3固定支持矩阵分解的众所周知的实例。。。。。47 2.5论文的前景。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49
大鼠中的Sparsentan响应基因的翻译
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。此预印本版的版权持有人于2025年2月27日发布。 https://doi.org/10.1101/2025.02.26.25322958 doi：medrxiv preprint
CD34+细胞剂量对T细胞的单倍性同种异体造血细胞移植后对临床结果的影响急性髓样
基于数据同化和机器学习的组合是一种新颖的方法。新的混合方法是为两个范围设计的：（i）模拟隐藏的，可能是混乱的，动态的，并且（ii）预测其未来状态。该方法在于应用数据同化步骤，在这里进行集合Kalman滤波器和神经网络。数据同化用于最佳地将替代模型与稀疏嘈杂数据相结合。输出分析在空间上完成，并用作神经网络设置的训练来更新替代模型。然后迭代重复两个步骤。数值实验是使用混乱的40变量Lorenz 96模型进行的，证明了所提出的杂种方法的收敛和实用技能。替代模型显示出短期的预测技能，最多两次Lyapunov时，检索正lyapunov指数以及功率密度频谱的更伟大的频率。该方法对关键设置参数的敏感性也会显示：预测技能会随着观察噪声的增加而平稳降低，但如果观察到少于模型域的一半，则突然下降。数据同化与机器学习之间的成功协同作用在这里通过低维系统证明，鼓励对具有更复杂动力的此类混合体进行进一步研究。
使用新的稀疏监督自动编码器神经网络
基于CRISPR的单细胞转录组筛选是有效的遗传工具，可同时评估由一组指南RNA（GRNA）靶向的细胞的表达式，并从观察到的扰动中推断靶基因函数。然而，由于各种局限性，这种方法在检测弱扰动方面缺乏灵敏度，并且在研究主调节器（例如转录因子）时基本上是可靠的。为了克服检测微妙的GRNA诱导的转录组扰动和对响应最快的细胞进行分类的挑战，我们开发了一种新的监督自动编码器神经网络方法。我们稀疏的监督自动编码器（SSAE）神经网络提供相关特征（基因）和实际扰动细胞的选择。我们将此方法应用于基于基于缺氧的长期非编码RNA（LNCRNA）的子集的基于内部单细胞CRISPR干扰（CRISPRI）转录组筛查（CROCPRI）转录组筛选（CROP-SEQ），该子集受缺氧调节的疾病，该疾病在肺腺癌（Lung adenacoarcinoma）（LUAD）的背景下促进了肿瘤的侵略性和耐药性。针对LNCRNA的子集进行了经过验证的GRNA的农作物序列库，并且作为阳性对照，HIF1A和HIF2A（低氧反应的2个主要转录因子）在3、6或24 h期间在正态氧中培养的A549 LUAD细胞中转导的2个主要转录因子。我们首先通过确定在低氧反应的时间开关期间确定其敲低的特定效应，从而验证了HIF1A和HIF2上的SSAE方法。接下来，SSAE方法能够检测出稳定的短缺氧依赖性转录组特征，该特征是由某些LNCRNA候选者的敲低诱导的，表现优于先前发表的
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7
用于混合 EEG-fMRI 神经反馈预测的稀疏 EEG 信息 fMRI 模型
通过功能性磁共振成像 (fMRI) 或脑电图 (EEG) 这两种互补方式测量大脑活动，是神经反馈 (NF) 机制背景下大脑康复方案的基本解决方案。虽然 NF-EEG（根据 EEG 信号计算出的实时神经反馈分数）已经被探索了很长时间，但 NF-fMRI（根据 fMRI 信号计算出的实时神经反馈分数）出现得更晚，并且提供了更可靠的结果和更具体的大脑训练。同时使用 fMRI 和 EEG 进行双模态神经反馈疗程（NF-EEG-fMRI，根据 fMRI 和 EEG 计算出的实时神经反馈分数）对于制定大脑康复方案非常有前景。然而，fMRI 对患者来说很麻烦，也更累。本文的原创贡献涉及仅从 EEG 记录预测双模态 NF 分数，使用训练阶段，其中 EEG 信号以及 NF-EEG 和 NF-fMRI 分数都可用。我们提出了一个稀疏回归模型，该模型能够利用 EEG 仅预测运动想象任务中的 NF-fMRI 或 NF-EEG-fMRI。我们比较了从所提模型得出的不同 NF 预测因子。我们发现，与经典 NF-EEG 分数相比，从 EEG 信号预测 NF-fMRI 分数可以为 NF-EEG 分数添加信息，并显著提高与双模 NF 会话的相关性。
受大脑启发的稀疏训练使 Transformers 和 LLM 能够像全连接模型一样运行
本研究旨在扩大我们目前对脑启发网络科学原理在训练具有稀疏连接的人工神经网络（ANN）中的应用的认识。动态稀疏训练（DST）可以减少ANN训练和推理的计算需求，但现有方法在高连接稀疏度水平下难以保持最佳性能。Cannistraci-Hebb训练（CHT）是一种受大脑启发的增加DST连接的方法。CHT利用无梯度、拓扑驱动的链接再生机制，与完全连接的网络相比，该机制已被证明可以在各种任务中实现超稀疏（1％连接或更低）的优势。然而，CHT有两个主要缺点：（i）它的时间复杂度为O（N·d3） - N节点网络大小，d节点度 - 因此它只能有效地应用于超稀疏网络。 (ii) 它严格选择最高的链接预测分数，这不适合早期的训练阶段，因为此时网络拓扑结构中存在许多不可靠的连接。在这里，我们提出了一个矩阵乘法 GPU 友好的 CH 链接预测器近似值，它将计算复杂度降低到 O(N3)，从而能够在大型模型中快速实现 CHT。此外，我们引入了 Cannistraci-Hebb 训练软规则 (CHTs)，它采用灵活的策略在链接移除和重新生长中采样连接，平衡网络拓扑的探索和利用。为了进一步提高性能，我们将 CHT 与 S 型逐渐密度衰减策略相结合，称为 CHTss。经验
有效的蛋白质结构生成稀疏的脱氧模型
生成可设计的蛋白质骨架已成为机器学习辅助方法的组成部分。与序列设计和结构预测器的过滤一起，它形成了计算蛋白设计管道的骨干。然而，当前的蛋白质结构发生器面临着大蛋白的重要局限性，需要在模型训练期间看不见的蛋白质设计任务进行再培训。为了解决第一个问题，我们介绍了Salad，这是一个蛋白质骨架产生的S-Al l- A tom a tom denoising模型。我们的模型在匹配或提高可设计性和多样性的同时，我们的模型要比最先进的速度要快，并为高达1,000个氨基酸的蛋白质长度生成可设计的结构。为了解决第二个问题，我们将沙拉与结构编辑相结合，这是扩展蛋白质denoising模型无法看见任务的能力的策略。我们将方法应用于各种蛋白质设计任务，从基序旧到多态蛋白质设计，证明了沙拉和结构编辑的功能。