XiaoMi-AI文件搜索系统
World File Search Systemvae
使用变分自编码器增强梯度提升算法进行不平衡岩爆评估及其可解释性
我们开展了一项研究来评估梯度提升算法在岩爆评估中的潜力和稳健性，建立了一个变分自动编码器（VAE）来解决岩爆数据集的不平衡问题，并提出了一种针对基于树的集成学习的多级可解释人工智能（XAI）。我们从现实世界的岩爆记录中收集了537个数据，并选择了四个导致岩爆发生的关键特征。首先，我们使用数据可视化来深入了解数据的结构，并进行相关性分析以探索数据分布和特征关系。然后，我们建立了一个VAE模型来为由于类别分布不平衡而产生的少数类生成样本。结合VAE，我们比较和评估了六种最先进的集成模型，包括梯度提升算法和经典逻辑回归模型，用于岩爆预测。结果表明，梯度提升算法优于经典的单一模型，而 VAE 分类器优于原始分类器，其中 VAE-NGBoost 模型的结果最为理想。与针对不平衡数据集结合 NGBoost 的其他重采样方法（例如合成少数族群过采样技术 (SMOTE)、SMOTE 编辑最近邻 (SMOTE-ENN) 和 SMOTE-tomek 链接 (SMOTE-Tomek)）相比，VAE-NGBoost 模型的效果最佳。最后，我们使用特征灵敏度分析、Tree Shapley 附加解释 (Tree SHAP) 和 Anchor 开发了一个多级 XAI 模型，以深入探索 VAE-NGBoost 的决策机制，进一步增强基于树的集成模型在预测岩爆发生方面的可靠性。
癌症护理中的槲寄生提取物
一般信息专有名称：Viscum专辑Loranthaecea，Viscum专辑L.通用名称：槲寄生，欧洲槲寄生，Viscum专辑提取物（VAE）给药途径：皮下（SC），静脉内（IV），静脉内，肌内，胸膜内，内膜内，肿瘤内和弹性。该专着将重点放在两种最常见的路线上：SC和IV。可商购的产品：Helixor®，ISCADOR®，Abnobaviscum®（Isorel®，Lektinol®，Eurixor®不再可用）在癌症护理中的常见用途：槲寄生提取物通常用于增强免疫功能，支持生活质量，减少癌症的副作用和症状，疾病进展缓慢，降低疾病进展，降低疾病的风险，改善生存的风险，并改善生存的风险。摘要粘贴唱片提取物（VAE）用于综合癌症护理中，以支持免疫功能，降低副作用，改善生活质量（QOL），并可能改善生存和复发。最常见的给药途径是皮下（SC）注射和静脉注射（IV）输注；大多数研究与SC管理有关。提出的作用机理包括对先天性和适应性免疫反应的免疫调节以及直接的细胞毒性。已经观察到已经观察到淋巴细胞（T细胞，B细胞和NK细胞），树突状细胞，包括INF-GAMMA和IL6在内的细胞因子以及对槲寄生凝集素和粘毒素的IgG抗体的存在。sc和iv vae的耐受性良好；过敏和过敏反应等严重的副作用很少见，但据报道。轻度和自限的副作用，包括局部注射部位
事实说明书-ICLR 2024
概率建模是我们对世界提出推论的最基本方式之一。本文率先将深度学习与可扩展的概率推断（通过所谓的重新聚集技巧摊销的平均场变异推断），从而产生了变异自动编码器（VAE）。这项工作的持久价值植根于其优雅。用于开发VAE的原则加深了我们对深度学习与概率建模之间相互作用的理解，并引发了许多随后的有趣概率模型和编码方法的发展。Rezende等人的并发工作。还提出了在ICML 2014上发表的题为“随机反向传播和深层生成模型中的近似推断”的论文中。
gan和vaes的比较分析在产生高质量的
指标，例如网络大小，培训时间和生成数据的质量。此外，还研究了潜在的数学，并与gan和vaes的理论基础有关。2。相关的生成模型近年来一直是机器学习领域的重要研究的主题，具有生成的对抗网络（GAN）和变异自动编码器（VAE）是两种最广泛使用的技术。几项研究比较了gan和vaes在不同的数据集和应用程序上的性能，其中一些报道了gan的结果更好（Karras等，2019），而其他人则报告了VAE的更好结果（Bowman等，2019）。该领域最有影响力的论文包括Goodfellow等人。的（2014年）引入了GAN框架，以及Kingma and Welling（2014）的VAE框架的引入，这些框架已在随后的作品中广泛引用。Salimans等。的（2016）论文提出了稳定gan训练的技术，例如为发电机和歧视者使用不同的学习率，而Chen等人。（2016）提出了对GAN框架的修改，该修改允许学习可解释的表示形式。Mescheder等。的（2017）论文提出了一个结合了VAE和gans强度的混合模型，以及Arjovsky等。的（2017）论文提出了对GAN框架的修改，该框架将Wasserstein距离用作目标函数，从而进行了更稳定的训练。Kumar等。 3。 每个Kumar等。3。每个的（2019年）论文提出了对GAN框架的修改，该框架在歧视者中引入了瓶颈，从而提高了性能，而Shen等人则进行了改善。的（2020）论文提出了一种在gan的潜在空间中发现可解释方向的方法，从而可以控制生成的图像的特定属性。方法论3.1数据集我们从MNIST数据集中应用了60,000张培训照片和10,000个手写数字的测试图像。
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
结构化离散数据的生成模型及其在药物发现中的应用
我的论文重点关注生成模型及其在离散数据中的应用。我们提出了新颖的算法，将最先进的生成模型的见解与离散数据类型的领域特定知识相结合。这些算法旨在增强与训练数据的属性相似性，提高数据有效性，并提高生成输出的整体质量。我的论文的第一部分研究了使用上下文无关语法将几何图像转换为离散表示。我们讨论了在大型搜索空间中识别合适表示的有效且可扩展的技术。我的论文的第二部分研究了变分自动编码器 (VAE) 在恢复嵌入在低维流形中的高维数据时的行为，评估了它们恢复流形及其上的数据密度的能力。将我们对 VAE 的探索扩展到离散数据领域，特别是在分子数据生成中，我们发现一种增强 VAE 对连续数据的流形恢复的方法也显著改善了离散数据生成。我们使用 ChEMBL 数据集和两个较小的蛋白质靶标活性分子数据集研究了它的优点和局限性。最后，为了解决生成稳定三维分子的难题，该论文将不可微分化学预言机 GFN2-xTB 融入去噪过程，以改善几何形状和稳定性。该方法已在 QM9 和 GEOM 等数据集上得到验证，表明生成的分子具有更高的稳定率。
学习机器人示威轨迹的低维潜图
2曲率调查的变分自动编码器17 2.1学习小型演示数据集的潜在表示17 2.2有关小型轨迹数据集的学习表示的相关工作。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 2.2.1轨迹表示。。。。。。。。。。。。。。。。。。。19 2.2.2曲率正则化。。。。。。。。。。。。。。。。。。。20 2.3曲率调查的VAE。。。。。。。。。。。。。。。。。。。。。。20 2.3.1曲率调查的VAE公式。。。。。。。。。。20 2.3.2 fork姿势示例。。。。。。。。。。。。。。22 2.4曲线机器学习方法。。。。。。。。。。。。。。。。24 2.4.1人示出的轨迹和数据处理。24 2.4.2轨迹的神经网络体系结构。。。。。。。。26 26 2.4.3训练超标剂。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 27 27 2.4.4模型可解释性。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 28 2.5曲线物理机器人实验。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。26 26 2.4.3训练超标剂。。。。。。。。。。。。。。。。。。27 27 2.4.4模型可解释性。。。。。。。。。。。。。。。。。。。。。28 2.5曲线物理机器人实验。。。。。。。。。。。。。。。。29 2.5.1机器人臂。。。。。。。。。。。。。。。。。。。。。。。。。29 2.5.2轨迹跟踪实现。。。。。。。。。。。。30 2.5.3曲线潜在值选择。。。。。。。。。。。。。。。30 2.5.4基线轨迹。。。。。。。。。。。。。。。。。。。。。。31 2.5.5数据收集。。。。。。。。。。。。。。。。。。。。。。。。。31 2.6关于小型传统数据集的学习表示形式的结果和讨论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32
经济行为的信息受限的协调
我们与信息受限的玩家分析了一个协调游戏。玩家的动作是基于在特定情况下对游戏回报的嘈杂压缩表示，在这种情况下，压缩表示是由变异自动编码器（VAE）学到的潜在状态。我们的广义VAE经过优化，以权衡通过可能的游戏分配获得的平均收益，以衡量代理商内部模型与其环境统计数据之间的一致性。我们将模型应用于Frydman和Nunnari（2023）的实验中的协调游戏，并表明它为实验证据的两个显着特征提供了解释：玩家的行动概率相对连续的变化，并且游戏付费的变化以及玩家选择范围的范围差异范围的依赖于游戏范围的范围范围的选择性范围。我们的方法还提供了有关游戏应逐渐适应遇到的游戏回报的变化的方式的说明，为Arifovic等人记录的历史依赖游戏提供了解释。（2013）。
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。
![肺炎（呼吸机相关[VAP]和非...](/simg/g:\will\search\icon\source\a\a572e4ef2143620806a819ae25c72015c004118c.webp)
肺炎（呼吸机相关[VAP]和非...
在2015年，CDC在美国的急性护理医院样本中进行了积极的调查，并确定了鉴定出的427种医疗保健相关感染中的肺炎，肺炎是最常见的感染，其中32％是呼吸机相关的感染。1例接受侵入性机械通气的患者有许多并发症（包括肺炎）的风险。呼吸机相关的肺炎（VAP）和其他与医疗保健相关的肺炎很重要，常见的医疗保健相关感染，但是由于缺乏客观的可靠，可靠的定义，对VAP的全国性监测长期以来一直是一个挑战。由于这些挑战，2013年1月，国家医疗保健安全网络（NHSN）取代了成人与通风机相关事件（VAE）监视的成人住院医师（VAE）监视呼吸机相关肺炎（VAP）的监视。2基于与专家的讨论