XiaoMi-AI文件搜索系统
World File Search Systemversa
肺癌和乳腺癌的5-氟尿嘧啶的化学耐药机制
化学疗法药物5-氟尿嘧啶（5-FU）是许多癌症的主要治疗方法。但是，其功效受到化学抗性的限制。在这里，我们研究了肺部和乳腺癌细胞中5-FU的耐药机制和逆转策略。使用多种5-FU的肺癌和乳腺癌细胞模型，我们揭示了不同癌症类型之间5-FU耐药性的差异性细胞和分子特征。我们进一步揭示了具有5-FU电阻的免疫相关过程，Notch和Wnt信号的含义。在肺癌中，Wnt/β-catenin信号传导的激活促进了抗药性，并阻止了该信号的耐药性，使耐药细胞重新敏感到5-FU处理。 我们的研究不仅揭示了不同癌症的5-FU耐药性的差异特征和机制，而且还提出了针对这种抵抗力的潜在策略。在肺癌中，Wnt/β-catenin信号传导的激活促进了抗药性，并阻止了该信号的耐药性，使耐药细胞重新敏感到5-FU处理。我们的研究不仅揭示了不同癌症的5-FU耐药性的差异特征和机制，而且还提出了针对这种抵抗力的潜在策略。
心脏病学中的生成对抗网络
生成对抗网络（GAN）是用于合成图像和其他数据的最新神经网络模型。gans对合成数据的质量有了可观的改进，迅速成为数据生成任务的标准。在这项工作中，我们总结了甘斯在心脏病学领域的应用，包括生成逼真的心脏图像，心电图信号和合成电子健康记录。关于研究，临床护理和学术界的gan生成数据的效用。此外，我们介绍了gan生成的心脏磁共振和超声心动图图像的说明性示例，显示了六个不同模型的图像质量的演变，这与真实图像几乎没有区别。最后，我们讨论了未来的应用，例如模态翻译或患者轨迹建模。此外，我们讨论了甘斯（Gans）需要克服的尚待挑战，即他们的培训动态，医疗保真度或数据法规和道德问题，以集成在心脏病工作流程中。
用于网络入侵检测的对抗性机器学习
一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性，但其中大多数集中在基于深度学习的分类器上。与它们不同，本文更加关注浅层分类器，由于它们的成熟度和实现的简单性，它们仍然广泛用于基于 ML 的 IDS。更详细地，我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性，包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络，以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外，我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明，攻击对所有分类器的影响并不相同，分类器的稳健性取决于攻击，并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。
具有生成对抗网络的公里尺度数量天气预测的多元仿真：概念证明
ClémentBrochet，Laure Raynaud，Nicolas Thome，Matthieu Plu，ClémentRambour。具有生成对抗网络的公里尺度数值天气预测的多元仿真：概念证明。地球系统的人工智能，2023，2（4），10.1175/aies-d-23- 0006.1。Meteo-044438969
用于历史数据的生成对抗网络...
ptarun@ieee.org摘要半导体制造业在很大程度上取决于历史数据以进行过程优化，预测性建模和数字双胞胎创建。但是，由于设备升级，过程更改和有限的数据收集等各种因素，获得全面的历史数据集可能具有挑战性。生成的对抗网络（GAN）已通过生成与现实世界分布的合成数据，成为对此问题的有希望的解决方案。这项研究探讨了gan在半导体制造设施中生成历史数据的应用。我们讨论了数据质量的重要性，建模复杂的Fab操作中的挑战以及维护数据隐私的需求。我们还检查了适用于时间序列数据生成的专业gan体系结构，用于处理不同数据类型的多模式gans以及用于捕获设备，过程和范围范围范围指标之间关系的层次结构gan。还讨论了GAN生成数据在FAB模拟，预测性维护和过程优化中的培训方法，评估指标以及潜在的应用。此外，我们解决了有关综合数据，潜在偏见和计算要求的可靠性的担忧。最后，我们重点介绍了未来的研究方向，包括将gan与其他AI技术集成在一起，以及在整个Fab设施中创建数字双胞胎的可能性。虽然仍然存在挑战，但GAN提出了一种有希望的途径，可以通过改进的预测性建模和数字化双胞胎创建来增强半导体制造。关键字：半导体制造，生成对抗网络（GAN），历史数据，合成数据生成，预测性建模，数字双胞胎，层次模型，工厂模拟中，半导体制造行业在很大程度上依赖于历史数据，以优化历史数据，并提高产量，并维持质量控制[1]。这些数据对于开发预测模型，识别趋势并就生产参数做出明智的决策至关重要[2]。但是，获得全面的历史数据可能具有挑战性，因为过去的设备升级，过程更改或有限的数据收集等各种因素。有限或缺失的历史数据为半导体制造商带来了重大障碍。没有足够的数据，很难训练准确的机器学习模型，执行强大的统计分析或建立可靠的基准进行绩效评估。缺乏数据会阻碍过程
标题：一种多功能的微型两光子显微镜，使多色深1
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年2月14日发布。 https://doi.org/10.1101/2025.02.13.635171 doi：Biorxiv Preprint
已发表版本的引用（APA）：Stutterheim, J., de Lorenzo, P., van der Sluis, I.M., Alten, J., Ancliffe, P., Attarbaschi, A., Aversa, L.,
a 荷兰乌得勒支玛西玛公主儿科肿瘤中心儿科肿瘤科 b 意大利蒙扎米兰比可卡大学生物信息学、生物统计学和生物成像中心 c 意大利蒙扎米兰比可卡大学医学与外科学院儿科、Fondazione MBBM/圣杰拉多医院 d 德国基尔克里斯蒂安-阿尔布雷希特斯大学石勒苏益格-荷尔斯泰因医学中心儿科 e 英国儿童癌症研究组，英国伦敦 f 奥地利圣安娜儿童医院儿科血液学和肿瘤科 g 阿根廷布宜诺斯艾利斯 GATLA h 法国巴黎罗伯特德布雷大学医院儿科血液学系 i 智利圣地亚哥智利国家儿科肿瘤组 j 米兰比可卡大学医学与外科学院儿科 Tettamanti 研究中心意大利蒙扎 k 德国儿童急性淋巴细胞白血病合作研究组，德国汉堡 l 欧洲癌症研究与治疗组织儿童白血病组，比利时布鲁塞尔 m Oncode 研究所，荷兰乌得勒支 n 澳大利亚和新西兰儿童血液学/肿瘤学组，珀斯儿童医院，澳大利亚珀斯 o Telethon Kids 癌症中心，Telethon Kids 研究所，西澳大利亚大学，澳大利亚珀斯 p Rigshospitalet，大学医院，儿科，丹麦 q 香港中文大学，沙田，香港特别行政区，中华人民共和国 r 意大利罗马大学 IRCCS Ospedale Pediatrico Bambino Gesu` 儿科血液学和肿瘤学系 s 美国马萨诸塞州波士顿丹娜—法伯癌症研究所，儿科肿瘤学 t 捷克儿科工作组捷克共和国布拉格血液学系 u 波兰卡托维兹扎布热西里西亚医科大学儿科血液学和肿瘤学系波兰儿童白血病/淋巴瘤研究组 v 荷兰伊拉斯姆斯大学医学中心免疫学系
机器学习的对抗性攻击与防御
近年来，物联网设备的数量无疑呈爆炸式增长，达到数十亿台。然而，随着这一发展，一些新的网络安全问题也随之出现。其中一些问题是未经授权设备的部署、恶意代码修改、恶意软件部署或漏洞利用。这一事实促使人们需要基于行为监控的新设备识别机制。此外，由于该领域的进步和处理能力的提高，这些解决方案最近利用了机器和深度学习 (ML/DL) 技术。相比之下，攻击者并没有停滞不前，他们开发了针对上下文修改和 ML/DL 评估规避的对抗性攻击，并将其应用于物联网设备识别解决方案。然而，文献还没有详细分析这些攻击对个人识别解决方案的影响及其对策。这项工作探讨了基于硬件行为的个人设备识别的性能，它如何受到可能的上下文和 ML/DL 重点攻击的影响，以及如何使用防御技术提高其弹性。在这个意义上，它提出了一种基于硬件性能行为的 LSTM-CNN 架构，用于个人设备识别。然后，使用从运行相同软件的 45 台 Raspberry Pi 设备收集的硬件性能数据集，将最常见的 ML/DL 分类技术与所提出的架构进行了比较。LSTM-CNN 改进了以前的解决方案，在所有设备上实现了 +0.96 的平均 F1 分数和 0.8 的最低 TPR。之后，对之前的模型应用了以上下文和 ML/DL 为重点的对抗性攻击，以测试其稳健性。基于温度的上下文攻击无法破坏识别，但一些 ML/DL 最先进的逃避攻击是成功的。最后，选择对抗性训练和模型蒸馏防御技术来提高模型对逃避攻击的弹性，将其稳健性从高达 0.88 的攻击成功率提高到最坏攻击情况下的 0.17，而不会以有影响力的方式降低其性能。
生成对抗网络的收敛动力学
拟合神经网络通常求助于随机（或类似）的梯度下降，这是梯度下降动力学的耐噪声（且有效的）分辨率。它输出了一系列网络参数，这些参数在训练步骤中会演变。梯度下降是极限，当学习率较小并且批处理大小不限时，在训练过程中获得的这组越来越最佳的网络参数。在此贡献中，我们研究了机器学习中使用的生成对抗网络中的收敛性。我们研究了少量学习率的限制，并表明，与单个网络培训类似，GAN学习动力趋于消失学习率至一定的限制动态。这导致我们考虑度量空间中的进化方程（这是我们称为双流的自然框架）。我们给出了解决方案的正式定义，并证明了这种转化。该理论然后将其应用于甘斯的特定实例，我们讨论了这种见解如何有助于理解和减轻模式崩溃。关键字：gan;公制流；生成网络
开创了基于通用细胞的免疫疗法的下一个时代
本演示文稿包含前瞻性语句。历史事实陈述以外的所有陈述都是“前瞻性陈述”，包括与未来事件有关的陈述。在某些情况下，可以通过术语，例如“计划”，“期望”，“预期”，“五月”，“可能”，“意志”，“应该”，“项目”，“相信”，“估计”，“预测”，“预测”，“潜在”，“潜在”，“继续”，“继续”，“继续”，“继续”，“继续”，以及其他单词或类似含义类似的含义。这些陈述包括但不限于与临床前，监管，临床和/或商业开发有关的陈述，以及VY-OZ，VY-X，VY-M，VY-M，VY-GAGE和VY-UC的所有预期用途，以及该公司寻求这些资产的其他合同或其他合作机会的计划。这些前瞻性陈述基于当前计划，目标，估计，期望和意图，并且固有地涉及重大风险和不确定性。实际结果和事件的时间与这些风险和不确定性的结果可能与预期的陈述中的预期差异，包括不受限制的风险和不确定性，与免疫不可避免的产品开发相关的风险和不确定性，包括与临床和/或最终批准的行为和/或最终的法规和商业化相关的风险，以及对临床和/或最终的批准，以及/或最终的批准，这些风险和/或最终的范围内的批准，以及/或最终的监管，或者，或最终的监管和/或不确定性的风险。影响Vycellix及其发展计划。此处的前瞻性语句仅在此日期起。Vycellix目前不知道的其他风险和不确定性也可能影响Vycellix的前瞻性陈述，并可能导致实际结果和事件的时间与预期的情况有实质性差异。vycellix没有义务更新或补充任何前瞻性陈述，以反映实际结果，新信息，未来事件，其期望的变化或在发表前瞻性陈述之日之后存在的其他情况。