XiaoMi-AI文件搜索系统
World File Search Systemuate
评论与观点 CRISPR–Cas9 gRNA ...
成簇的规律间隔短回文重复序列 (CRISPR)/CRISPR 相关蛋白 9 (Cas9) 系统已成为一种成功且有前途的基因编辑技术。为了促进其有效应用，已经开发了各种计算工具。这些工具可以通过预测切割效率和特异性并排除不良靶标来帮助研究人员进行向导 RNA (gRNA) 设计过程。然而，虽然有许多工具可用，但对其应用场景和性能基准的评估却有限。此外，最近已经探索了用于 gRNA 效率预测的新深度学习工具，但尚未进行系统评估。在这里，我们讨论了与靶标活性问题有关的方法，主要关注它们利用的特征和计算方法。此外，我们在独立数据集上评估了这些工具并给出了一些使用建议。最后，我们总结了 CRISPR-Cas9 向导设计未来方向的一些挑战和观点。
埃塞俄比亚的气候变化，可变性和适应性。农民的分析
鉴于气候已经发生了历史性变化，并且可能会在将来再次发生变化，因此有必要理解农民如何看待气候变异性和变化以及如何适应未来。为了减少与埃塞俄比亚的气候变化和可变性有关的问题，本审查论文试图评估和研究农民对这些问题的看法，以及它们对农业生计的影响。本综述的研究指出，尽管很少有研究在当地研究了这一主题，但气候变化和可变性对农业生产，农民的生计，生物多样性损失和环境退化产生了重大影响，尤其是在农业的低收入国家中，农业严重依赖降雨。广泛的心理概念，包括知识，态度，信念以及对气候是否正在发生变化以及如何变化的担忧，都是体验气候变化的复杂过程的一部分。因此，为了减少埃塞俄比亚的气候变化和可变性问题，需要各种特定地点适应策略，这些策略融合了现代科学和传统根源。
高频脑电图检测与不确定性通过早期出口范式
脑电图（EEG）对于监测和诊断脑疾病至关重要。然而，脑电图信号遭受非脑部伪影引起的扰动，从而限制了其效率。当前的伪影检测管道是渴望资源的，并且严重依赖手工制作的功能。此外，这些管道本质上是决定性的，使它们无法捕获预测性不确定性。我们提出了E 4 g，这是一个高频脑电图检测的深度学习框架。我们的框架利用了早期出口范式，建立了能够捕获不确定性的模型的隐性集合。我们将对坦普尔大学的脑电图施工（v2.0）进行评估，以实现现状的分类结果。此外，E 4 g提供了良好的不确定性指标，可与采样技术相吻合，例如仅在一次前传球中蒙特卡洛辍学。e 4 g为支持临床医生在环框架中的不确定性感知人工检测打开了大门。
人工智能、教育和创业
∗ Michael Gofman（通讯作者，Gofman@mail.huji.ac.il）就职于耶路撒冷希伯来大学和罗切斯特大学。赵进（Jinzhao@ckgsb.edu.cn）就职于长江商学院。我们感谢 Sabrina Howell（讨论者）、Ron Kaniel、Adrien Matray、Cade Metz、Michael Roach、Scott Stern、Zvi Wiener、2019 年斯坦福 HAI-AI 指数圆桌研讨会和 2021 年 SFS Cavalcade NA 的参与者，以及希伯来大学、阿尔伯塔大学和 UCSC-BIU-BGU 虚拟研讨会的研讨会参与者提供的意见。Michael Gofman 感谢阿尔弗雷德·P·斯隆基金会的资金支持（拨款编号：G-2020-14005）。赵金感谢尤因·马里昂·考夫曼基金会的资金支持（拨款编号：G-201806-4434）和 Crunchbase 对其数据库的访问权限。我们感谢 Luis Azar Barrionuevo、陈侃、Theo Mambu、Ayobami Sanusi、Botong Shang 和 Yuchi Yao 提供的出色研究协助。所有错误均由我们自己承担。我们已阅读《金融学杂志》的披露政策，没有利益冲突需要披露。
通过数字游戏设计促进农村中学生的 AI 教育
人们对人工智能 (AI) 的了解日益增长；这种了解的核心是使个人能够评估、协作和有效使用 AI。由于中学时期是培养青少年对 STEM 的看法和倾向的关键时期，因此为中学生 (11 至 14 岁) 创造引人入胜的 AI 学习体验至关重要。在通常服务不足和资源不足的农村地区，提供更多 AI 学习机会的需求尤为明显。受先前研究的启发，游戏设计在培养学生对计算机科学的兴趣和知识方面具有巨大潜力，我们正在设计、开发和迭代改进以 AI 为中心的开发环境，将 AI 学习融入游戏设计活动中。在这项工作中，我们回顾了针对中级计算机科学教育的游戏设计干预的设计原则，并探索如何将人工智能学习体验引入交互式游戏设计活动。我们还讨论了与农村社区中级学生和教师进行的初步共同设计会议的结果。
深层增强学习的元游戏评估框架
评估深层增强学习（MARL）算法在训练和敏感性对其他药物行为的训练和敏感性方面变得复杂。，我们通过将每个MARL算法作为元策略构建元游戏评估框架，并反复对来自不同随机种子产生的元策略组合进行反复对正常形式的经验游戏进行采样。每个经验游戏都捕获了种子跨种子的自我玩法和交叉游戏。这些经验游戏为在各种游戏分析统计中构建采样分布的基础。我们使用这种方法来评估一类谈判游戏的最先进的MARL算法。从有关独立收益，社会福利和经验最佳响应图的统计数据中，我们发现了自我播放，基于人群，免费模型和基于模型的MARL方法之间的战略关系。我们还研究运行时搜索作为元战略运营商的效果，并通过元游戏分析查找元构造的搜索版本通常会提高性能。
![arxiv：2502.21274v1 [cs.lg] 2025年2月28日](/simg/g:\will\search\icon\source\9\9ff3849632b3d0c723c7b48668262936b3f4ccf6.webp)
arxiv：2502.21274v1 [cs.lg] 2025年2月28日
设计与特种蛋白相互作用的RNA分子是实验和计算生物学的关键挑战。现有的组合方法需要为每种特定蛋白质或RNA结构的详细知识进行大量实验确定的RNA序列，从而限制了它们在实践中的效用。为了解决此限制，我们开发了RNA Bang，这是一个基于深度学习的模型，旨在生成无需这些要求的蛋白质相互作用的RNA序列。我们方法的中心是一种新颖的生成方法，即bidirectient锚定生成（BANG），它杠杆化的观察结果是，蛋白质结合的RNA序列通常包含嵌入更广泛序列中环境中的功能结合性。我们首先验证我们的方法涉及与RNA中出现的类似局部图案的通用合成任务，证明了其比现有生成方法的好处。然后，我们对生物学序列进行评估，显示了其对结合蛋白的条件RNA序列设计的有效性。
基因组研究中的多样性和包容性
摘要 在不同人群中开展基因组研究除了带来具有重要临床意义的发现外，还使我们对人类历史、生物学和健康差异的理解取得了许多进展。在不同人群中开展基因组研究对于确保基因组革命不会因促进使代表性较好的人群受益过多的发现而加剧健康差异也至关重要。尽管人们普遍认为从公平和科学进步的角度来看，需要在不同人群中开展基因组研究，但基因组研究仍然主要集中在欧洲血统的人群中。在本文中，我们通过回顾因纳入基因组研究而取得的进展实例，描述了在不同人群中开展基因组研究的理由。我们还探讨了一些导致对代表性较好的人群给予过度关注的因素。最后，我们讨论了为改善这种持续偏见而正在进行的努力。从研究资助到研究成果的发表，各个研究层面都需要开展协作和密集的努力，以确保基因组研究不会延续历史不平等或削弱基因组学对全人类健康的贡献。
![arxiv：2405.01677V2 [CS.LG] 2024年6月7日](/simg/g:\will\search\icon\source\1\1e0e7568f6ff3e5ae97a70471a935bb649c4e3f8.webp)
arxiv：2405.01677V2 [CS.LG] 2024年6月7日
确保加固学习的安全性（RL）对于其在现实世界应用中的部署至关重要。然而，在外观期间管理奖励与安全之间的权衡提出了重大挑战。通过政策调整来提高奖励绩效可能会对安全性能进行不利影响。在这项研究中，我们旨在通过利用梯度操纵理论来解决这种矛盾的关系。最初，我们分析了奖励与安全梯度之间的冲突。随后，我们通过提出一种软转换策略优化方法来解决奖励和安全优化之间的平衡，为此我们提供了综合分析。基于我们的理论检查，我们提供了一个安全的RL框架来克服上述挑战，并开发了一个安全穆约科克的基准，以评估安全RL算法的性能。最后，我们评估了我们方法对安全穆霍科基准和流行的安全RL基准Omnisafe的有效性。的结果表明，在平衡奖励和安全优化方面，我们的算法优于几个最先进的基线。
解释机器学习在恶意软件检测中的有效性：可解释的AI
摘要。我们使用可解释的人工智能（XAI）来理解和评估ML模型在Android恶意软件检测中做出的决定。为了评估恶意软件检测，我们使用七个数据集进行了实验。我们的发现表明，可以准确地识别多PLE数据集的恶意软件。但是，每个数据集可能具有不同的功能集合。我们还讨论了将专家依赖性功能纳入恶意软件检测过程的含义。这种特征有可能通过检测自动化算法可能会错过的有害行为的次要指标来提高模型精度。但是，由于需要进行深入的手动分析，该策略增加了资源和时间的要求。它也有可能在模型中增加人类偏见，并在不断发展的Android应用程序景观中提出扩展问题。我们的结果表明，应使用XAI技术来帮助恶意软件分析研究人员了解ML模型的工作方式，而不仅仅是专注于提高准确性。