XiaoMi-AI文件搜索系统
World File Search Systemunknown
飞行数据监控 (FDM) 未知危险检测...
摘要 — 航空公司安全部门分析机上记录的飞机数据 (FDM) 以检查安全事件。此活动依靠人类专家创建一个基于规则的系统，该系统根据一小组参数是否超过一些预定义的阈值来检测已知的安全问题。但是，罕见事件最难手动检测，因为模式通常无法一目了然。专家一致认为，进近和起飞程序都更容易发生安全事故。在本文中，我们进行了描述性和预测性分析，以检测 LEBL 机场 25R 跑道进近阶段的异常情况。从描述的角度来看，聚类技术有助于在数据中发现模式和相关性，并识别类似观察的聚类。此外，这些聚类可能会将某些点揭示为与其他观察值隔离的罕见事件。可以使用预测分析以及更简洁的深度学习 ANN 和自动编码器来检测这种异常事件。该方法依赖于学习“正常”观察的样子，因为它们通常是大多数情况。之后，如果我们处理异常飞行，由于与训练数据的偏差，模型将返回较高的重建误差。这表明预测方法可以作为安全专家和 FDM 分析师极其有用的取证工具。关键词 — 异常检测、危险识别、安全、聚类、深度学习、LSTM、自动编码器、HDBSCAN
阿德里安·奥尔：引导货币政策走出未知
偷渔民鱼线中的鱼饵。另有记载称，库佩出发探索新大陆，也许是因为他观察到了 Pīpīwharauroa（每年飞入海平面的候鸟）或向南迁徙然后返回的鲸鱼。我们还知道，波利尼西亚航海家有办法在广阔的海洋中定位自己。没有 GPS，他们利用星星，寻找某些鱼类和鸟类的存在，观察海浪中的图案和云层的倒影。但是，远离地标和珊瑚礁，没有一种方法可以告诉他们确切的位置。Crowe（2018）讨论了毛利人和他们的波利尼西亚祖先的航海成就。
体验学习——适合探索未知的人工智能框架
1 北京信息科技大学仪器科学与光电工程学院，北京 摘要 ：针对观察新对象、掌握新技能的问题，提出了一种新的机器学习框架——经验学习（EL），可应用于探索未知领域的人工智能机器人（AIR）。与传统方法不同，在模型训练之前不需要准备大量的训练样本集。而是通过不断观察或刺激研究对象并记录这些经验来建立经验链，这是受人类早期学习行为的启发。通过不断的观察和尝试，经验链不断更新，并逐渐收敛到研究对象的实际输出概率。当前经验单元作为EL判断的依据，过去的经验可以通过遗忘系数丢弃。通过两个简单的例子说明了该框架的应用方式。猫狗生成器实验代表了对新物体的自我探索。虚拟篮球机实验证明了该方法能够学习新技能并有效减轻随机干扰。通过比较，分析了所提方法与相关算法的异同。最终，该方法在使人工智能系统能够研究和探索未知领域方面具有价值。关键词：经验学习，自我探索算法，无先验数据算法，人工智能框架
精确肿瘤学可以使未知主要癌症患者受益吗？
在半个世纪的进步之后，癌症研究已从简单化的方法发展为多维方法，涵盖了癌细胞自身及其周围肿瘤微环境中癌细胞变化之间复杂而动态的相互作用。1癌细胞内的改变，无论是基因组，转录组或表观遗传学，在癌变中都起着重要作用。该过程的复杂性解释了发生在同一器官部位或不同的微环境中的转移内和之间的实质生物异质性。2此外，这些复杂性进一步由室内异质性宿主/微生物群相互作用和药物分布更加复杂。3，尽管靶向疗法的最新进展以及新型治疗方法的发展，但传统的一定程度的方法无法实现预期的结果。朝精度肿瘤学的战略转变为整合患者和肿瘤的分子数据以实现更全面的特征 - 对肿瘤的特征，并为每个患者的特定需求量身定制治疗方法，以确保正确的治疗，以正确的剂量和正确的时间来定制治疗方法。4，5
基于ROS2的AMR系统用于在未知室内环境中映射和导航
自主系统和自动化技术的快速发展继续彻底改变工业流程，与行业4.0的目标保持一致。本文提出了一个增强的自主移动机器人（AMR）系统，该系统旨在用于高级室内导航和勘探，这是基于CIM4.0 FixIT项目建立的基础工作的基础。这项研究的主要目的是利用ROS2的最新功能（机器人操作系统2）开发和实施强大的SLAM（同时本地化和映射）算法。这项研究的重点是使用ROS2框架中NAV2库的不同SLAM方法的全面比较。此分析涵盖了NAV2中可用的各种算法，包括基于网格的和拓扑映射方法，以及不同的定位技术，例如AMCL（自适应蒙特卡洛本地化）和EKF（扩展的Kalman滤波器）。比较根据映射准确性，计算效率和对动态环境的适应性评估这些方法。基于此分析，开发了先进的SLAM方法，从而整合了比较方法中最有效的元素。此自定义解决方案利用NAV2的模块化体系结构和ROS2改进的分布式计算功能，从而可以有效地进行路径计划和映射优化。使用ROS2实现整个系统，利用其增强的工具进行仿真，可视化和现实部署。严格的测试是在各种模拟环境中使用RVIZ和GAZEBO的更新版本进行的，这些版本现在与中间件更加紧密地集成在一起。这些模拟证明了机器人在主动探索，避免障碍和有效映射方面的提高功能，展示了这种方法的好处。最后，在CIM 4.0的经过精心控制的实验室环境中，进行了实际实验以评估创建的AMR系统的鲁棒性和性能。结果表明，AMR可以独立于各种情况，包括未知区域和动态障碍。
未知基因的功能和进化意义来自未经文化的分类群
这是接受出版的同行评审纸的PDF文件。尽管未经编辑，但内容已受到初步格式。自然正在为排版纸的早期版本作为我们的作者和读者的服务。文本和数字将在本文以最终形式发表之前进行复制和证明审查。请注意，在生产过程中可能会发现可能影响内容的错误，并且所有法律免责声明都适用。
原发灶不明癌症免疫治疗反应的免疫和基因组生物标志物
摘要 背景 原发灶不明的癌症 (CUP) 是一组异质性转移性癌症，其原发组织来源 (TOO) 不确定。大多数 CUP 患者的治疗选择有限，生存结果较差。免疫检查点抑制剂 (ICI) 对某些 CUP 患者有效，但最佳预测生物标志物尚不清楚。因此，我们评估了 CUP 患者的免疫和基因组生物标志物以及预测的 TOO，包括接受 ICI 治疗的一部分患者。方法 对 CUP 患者进行基因表达谱 (GEP) 和 DNA 面板测序。使用 NanoString 探索免疫和基质相关基因表达，包括与其他实体恶性肿瘤中的免疫治疗反应 (IR) 相关的基因。根据食品和药物管理局批准的适应症分配 ICI 反应性癌症类型，并根据基因组学知情病理学审查怀疑检测到潜在原发性肿瘤或 TOO。还评估了肿瘤突变负荷 (TMB) 和基因突变。结果 共纳入 219 名 CUP 患者，其中 215 名在之前的研究中接受了 TOO 评估，大多数 (163) 接受了 RNA 和 DNA 测试。在 GEP 分析病例中，33% (59/175) 具有高 IR 基因表达评分。在 DNA 测序病例中，16% (32/203) 具有高 TMB (>10 个突变/Mb)，其中两例患有错配修复缺陷。TMB 和 IR 评分之间相关性较低 (R=0.26, p<0.001)。在 110 名患有潜在原发性或疑似 TOO 的 CUP 中，47% (52/110) 属于 ICI 反应性癌症类型。超过一半的 CUP 至少有一个可能预测 ICI 反应的特征（高 IR 评分、高 TMB、ICI 反应性癌症类型）。在接受 ICI 治疗的 CUP 患者中，8/28 (29%) 有反应（2 例完全反应，6 例部分反应）。在无反应患者中，9 例病情稳定，11 例病情进展。所有有反应的患者均具有高 IR 评分（7/8）和/或高 TMB（3/8），而大多数（5/8）属于 ICI 反应性癌症类型。这些特征在无反应患者中出现的频率较低，且大多出现在病情稳定的患者中。
SEOM—GECOD 不明原发癌临床指南（2021 年）
CUP 患者的预后通常较差，因为根据定义，这类癌症在发病时即具有转移性，是一种侵袭性癌症。然而，正确的诊断可以识别出约 20% 的预后较好的患者亚组，这类患者如果得到适当的治疗，获益将更大。这类患者（表 1）被称为预后较好的患者，其治疗方式与已知具有转移性扩散的同等原发性肿瘤类似，30%–60% 的病例可实现对转移性扩散的长期控制 [5]。不幸的是，大多数 CUP 患者不属于这些特定的亚组。80% 的 CUP 患者对治疗反应不佳，预后也不佳，中位总生存期为 6 个月 [6]。CUP 的预后主要根据体能状态和血清乳酸脱氢酶 (LDH) 水平进行分类。体能状态良好（0-1）且 LDH 值正常的患者中位总生存期为 12 个月。具有一个或两个预后因素的患者中位总生存期仅为 4 个月 [ 7 ]。其他预测不良预后的因素包括：男性、合并症多、年龄超过 64 岁、吸烟史超过 10 包年、体重减轻、淋巴细胞减少、血清白蛋白浓度低和碱性磷酸酶浓度高 [ 8 ]。
经验学习 - 一个适合探索未知
1仪器科学和光学学院 - 北京信息科学技术大学，北京，中国摘要：一个新颖的机器学习框架 - 经验学习（EL），用于观察新对象和掌握新技能，通常可以应用于探索未知的人工智能机器人（空中）。与传统方法不同，不必在模型培训之前准备大型培训样本。取而代之的是，通过不断观察或刺激研究对象并记录这些经验来建立经验链，这是受早期人类学习行为启发的。通过连续观察和尝试，经验链被更新，并逐渐收敛于研究对象的实际输出概率。当前的经验单元是EL判断的基础，而过去的经验可以使用忘记系数丢弃。使用两个简单示例说明了此框架的应用模式。猫和狗的生成器实验代表了对新物体的自我探索。虚拟篮球机实验展示了这种方法学习新技能并有效减轻随机干扰的能力。比较，分析了所提出的方法与相关算法之间的相似性和差异。最终，这种方法证明在使人工智能系统能够研究和探索未知领土方面有价值。关键字：经验学习，自我 - 探索算法，否 - 先验 - 数据算法，人工智能框架
和电热膜蒸馏
摘要 - 有效而准确的3D对象形状重新构造显着贡献了机器人与环境的物理相互作用的成功。获取有关未知物体的准确形状信息具有挑战性，尤其是在非结构化环境中，例如视觉传感器可能只能提供部分视图。为了解决此问题，可以使用触觉传感器来提取本地表面信息，以进行更健壮的未知对象形状估计。在本文中，我们提出了一种新颖的方法，用于使用配备有触觉传感器的多指手工探索和重建的有效未知的3D对象探索和重建方法，并且仅提供部分视图。我们提出了一种多手指滑动触摸策略，以使用贝叶斯优化方法和单个领导者多手指的局部表面感知来有效地探索形状探索。我们通过基于仿真和实际机器人实验估算来自YCB和OCRTOC数据集的对象的3D形状来评估我们提出的方法。所提出的方法得出成功的重建结果，仅取决于几个连续的滑动触摸。实验结果表明，我们的方法能够以有效而准确的方式对未知对象进行建模。