XiaoMi-AI文件搜索系统
World File Search Systemtrained
使用数据约束的循环神经网络模型推断全脑交互
行为源自多个在解剖学和功能上不同的大脑区域的协调活动 1,2 。现代实验工具 3–5 使我们能够前所未有地接触大量神经群，甚至是横跨全脑许多相互作用区域的神经群 2 。然而，要理解如此大规模的数据集，不仅需要稳健、可扩展的计算模型来提取区域间通信的有意义特征，还需要原则性理论来解释这些特征。在这里，我们介绍了基于电流的分解 (CURBD)，这是一种使用数据约束的循环神经网络模型 6 推断全脑相互作用的方法，该模型一旦经过训练，就会自主产生与实验获得的神经数据一致的动态。CURBD 利用从这些模型推断出的功能相互作用来同时揭示多个大脑区域之间的定向电流。我们首先表明，CURBD 可以在具有已知连接和动态的模拟真实网络中准确地隔离区域间电流。然后，我们将 CURBD 应用于从广泛的神经数据集（斑马鱼幼虫 7 、小鼠 8 、猕猴 9 和人类 10 ）获得的多区域神经记录，以证明 CURBD 在解开全脑相互作用和行为背后的区域间通信原理方面的广泛适用性。
应变石墨烯和其他紧张的单层和多层的机械，电子，光学，压电和铁素化特性：更新
摘要这是先前评论的更新（Naumis et al 2017rep。prog。物理。80 096501）。考虑了线石墨烯和其他金属，绝缘，铁电，铁弹性，铁磁和多效2D材料的实验和理论进步。We surveyed (i) methods to induce valley and sublattice polarisation ( P ) in graphene, (ii) time-dependent strain and its impact on graphene's electronic properties, (iii) the role of local and global strain on superconductivity and other highly correlated and/or topological phases of graphene, (iv) inducing polarisation P on hexagonal boron nitride monolayers via strain, (v)通过应变，（VI）铁核2D材料（带有固有弹性（σ），电气（P）和磁性（M）极化，修饰过渡金属二色元化元素单层单层单层的光电特性，以及初期的2D多效中部和（VII）MoiréBirayflator flato seperer，以及其他分期型均型均匀的型号，并表现表现出可以通过旋转和剪切应变调整的铁从订单的系统。该更新具有可调二维量子旋转霍尔在德国，元素2D铁电抗性和2D多效性NII 2的实验实现。该文件是为了讨论单层中发生的效果的讨论，然后进行了有关BiLayers和
微小但强大：小型MCU包装有助于优化空间约束应用的设计
这就是特征优化如此至关重要的原因。添加的外围设备与设备的模具和成本的大小直接相关。未利用的功能可能浪费了空间和金钱，并降低了空间约束设计的效率。了解市场的真实需求可能会导致成本和尺寸竞争力的嵌入式解决方案。例如，MSPM0C1104 8球WCSP不仅很小，而且具有许多集成的功能和组件。在1.38毫米2个软件包中，它提供了16kb的闪存，一个带有三个通道和三个计时器的12位ADC。工程师可以使用MSPM0C1104等设备来优化每平方毫米的功能数量，从而可以在设计方面做更多的空间。
使用经过扩散MRI训练的卷积神经网络的脑年龄分析和痴呆分类：印度和北美队列的测试
摘要 - 基于卷积神经网络（CNN）的深度学习模型已用于对阿尔茨海默氏病进行分类或从T1加权大脑MRI扫描中推断痴呆症的严重程度。在这里，我们研究了添加扩散加权MRI（DMRI）作为这些模型的输入的值。在这一领域进行了许多研究，重点介绍了特定数据集，例如阿尔茨海默氏病神经影像学计划（ADNI），该计划评估了北美人（主要是欧洲血统）的人，因此我们研究了对ADNI培训的模型，该模型如何推广到来自印度（Nimhans Cohort）的新人口数据集。我们首先通过预测“大脑时代”来基准我们的模型 - 从其MRI扫描中预测一个人的年龄并继续进行广告分类的任务。我们还评估了在训练CNN模型之前使用3D CycleGAN方法来协调成像数据集的好处。我们的实验表明，在大多数情况下，在协调后的分类性能会提高，并且DMRI作为输入的性能更好。
应用程序的基础性优化问题的顺序最佳条件
摘要最近，提出了一种基于对问题的持续重新重新制定的新方法来解决基数受限的优化问题。遵循这种方法，我们得出了一个问题的顺序最佳条件，该条件在每个局部最小化器中都可以满足，而无需任何约束资格。我们通过基于圆锥体性属性引入弱的顺序约束资格，将此条件与现有的M型固定概念联系起来。最后，我们提出了两种算法应用程序：我们通过证明它会产生满足上述最佳条件的限制点来改善已知正则化方法的现有结果，即使子问题仅是不固定的。我们表明，在合适的库迪卡 - 豪斯维奇型假设下，直接应用于重新配置的问题的标准（保障）乘数罚款方法的任何限制点也可以满足最佳条件。这些结果比对具有互补性约束的数学研究类别已知的相应结果更强。
新型N型MOSFET的工程拉伸紧张的SI层的新策略
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
未经训练的感知损失，用于MR图像中线状结构的图像降级
在获取磁共振（MR）图像中，较短的扫描时间会导致更高的图像噪声。因此，使用深度学习方法自动图像降解是高度兴趣的。在这项工作中，我们集中于包含线状结构（例如根或容器）的MR图像的图像。特别是，我们研究了这些数据集的特殊特征（连接性，稀疏性）是否受益于使用特殊损失功能进行网络培训。我们特此通过比较损失函数中未经训练的网络的特征图将感知损失转换为3D数据。我们测试了3D图像降级的未经训练感知损失（UPL）的表现，使MR图像散布脑血管（MR血管造影-MRA）和土壤中植物根的图像。在这项研究中，包括536个MR在土壤中的植物根和450个MRA图像的图像。植物根数据集分为380、80和76个图像，用于培训，验证和测试。MRA数据集分为300、50和100张图像，用于培训，验证和测试。我们研究了各种UPL特征的影响，例如重量初始化，网络深度，内核大小以及汇总结果对结果的影响。，我们使用评估METIC，例如结构相似性指数（SSIM），测试了四个里奇亚噪声水平（1％，5％，10％和20％）上UPL损失的性能。我们的结果与不同网络体系结构的常用L1损失进行了比较。我们观察到，我们的UPL优于常规损失函数，例如L1损失或基于结构相似性指数（SSIM）的损失。对于MRA图像，UPL导致SSIM值为0.93，而L1和SSIM损耗分别导致SSIM值分别为0.81和0.88。UPL网络的初始化并不重要（例如对于MR根图像，SSIM差异为0.01，在初始化过程中发生，而网络深度和合并操作会影响DeNo的性能稍大（5卷积层的SSIM为0.83，而核尺寸为0.86，而5卷积层的0.86 vs. 0.86对于根数据集对5卷积层和5卷积层和内核尺寸5）。我们还发现，与使用诸如VGG这样的大型网络（例如SSIM值为0.93和0.90）。总而言之，我们证明了两个数据集，所有噪声水平和三个网络体系结构的损失表现出色。结论，对于图像
用于局部约束同构的算法框架
同构f从宾客图G到主机图H是局部的局部培养物，注射剂或弹性，如果对于每个U∈V（g），则F对U附近的F限制分别是生物，注射剂或过渡性。相应的决策问题LBHOM，LIHOM和LSHOM在一般图和特殊图形类别上都进行了很好的研究。除了通过宾客图的树宽和最大程度参数化的问题时，还会产生复杂性，这三个问题仍然缺乏对其参数化复杂性的彻底研究。本文填补了此差距：我们通过考虑访客图G的参数层次结构来证明许多新的FPT，W [1] -HARD和PARA-NP-COMPLETE结果。对于我们的FPT结果，我们通过开发涉及一般ILP模型的新算法框架来做到这一点。为了说明新框架的适用性，我们还使用它来证明角色分配问题的FPT结果，该问题源自社交网络理论，并且与本地透明的同型同态密切相关。
睾丸癌幸存者的心血管疾病
图5β-葡聚糖百分比对脾和外周血免疫细胞种群的训练效应。（a）在注射β-葡聚糖后7 d和LPS注射后3小时评估脾细胞种群。在β-葡聚糖给药后7 d评估了外周血种群（2路ANOVA，Sidak的多重比较测试）。n =从两个独立实验中汇集的10个。（c）β-葡聚糖在β-葡聚糖给药后7 d的角质细胞细胞衍生的趋化因子（KC）浓度，有或不带3小时LPS恢复。异常值被排除在Grubbs的测试中（n = 10个独立实验中的10个）。平均值±SD， * p <0.05。（a）Mann Whitney测试，（B，C）2路ANOVA，Sidak的多重比较测试。（SPX脾切除术，NS非显着）
评估调节基因组学预训练的DNA语言模型的代表性
基因组语言模型（GLM）的出现提供了一种无监督的方法，用于学习非编码基因组中的广泛的顺式调节模式，而无需湿LAB实验产生的功能活动标签。先前的评估表明，可以利用预训练的GLM来提高广泛的监管基因组学任务的预测性能，尽管使用了相对简单的基准数据集和基线模型。由于这些研究中的GLM在对每个下游任务的重量进行微调时进行了测试，从而确定GLM表示是否体现了对顺式调节生物学的基本理解仍然是一个悬而未决的问题。在这里，我们评估了预训练的GLM的代表性，以预测和解释跨越DNA和RNA调控的细胞类型特异性功能基因组学数据。我们的发现表明，与使用单热编码序列的常规机器学习方法相比，探测预训练的GLM的表示没有实质性优势。这项工作强调了当前GLM的主要差距，从而在非编码基因组的常规培训策略中提出了潜在的问题。