XiaoMi-AI文件搜索系统
World File Search System上下文
使用格子修剪，正向上下文适应和矢量化
摘要 - 依赖性量化（DQ）是多功能视频编码（VVC）标准中的关键编码工具之一。dq采用两个标量量化器，每个标量量化器的选择受奇偶元驱动的四州状态机的控制。由于设计是规范上执行的，因此DQ的使用需要汇率优化的量化（RDOQ），并具有每个系数决策和状态更新，例如基于网格的量化，最初针对VVC参考软件（VTM）提出。由于其固有的依赖性（包括基于先前编码的系数值的VVCS上下文选择）以及相当广泛的搜索范围，因此Trellis量化在计算上是高度复杂的。降低该算法的复杂性对于实用的VVC编码器至关重要。在本文中，我们提出了一个快速依赖的量化格子搜索，通过以下方式改进了初始设计：不可能的分支的格子修剪，正向自适应上下文传播，最后是矢量化的实现。在开放和优化的VVEND编码器中提出的建议方法将量化运行时减少了37％，允许在中等预设中总体15％的编码器加速，而在全intra编码条件下对压缩性能没有影响。在随机访问条件下，实现了9％的整体编码器加速。索引项 - VVC，VVEN，量化，格子，矢量。
标题：影响结核病实施数字依从性的上下文因素
通常称为无人机的无人飞机车辆（无人机）是空中车辆和相关设备，它们自动或远程控制，不带人类操作员[1]。无人机越来越多地用于商业和平民应用，例如监视，监测结构，农业等。他们可以执行载人飞机很难执行的空中操作/任务。此外，它们的使用带来了巨大的经济储蓄和环境利益，同时降低了人类生命的风险。最近，无人机已经飞跃到休闲市场，并达到了数百万销售。因此，关于技术，法规和社会接受的发展是赞成加速用于专业应用的无人机部署。根据蓝绿色集团[2]进行的一项研究，预计世界民用无人机生产将在未来十年中最高735亿美元，从2017年全球28亿美元上升到2026年的118亿美元（即，Constant Dollars的年度增长率为15.5％）。
psilocybin诱导应力轴的性别和上下文特定的募集
迷幻反应的多方面性质揭示了新兴治疗的可变性。尽管与压力相关的疾病表现出很大的性别差异，而女性的抑郁症和PTSD率较高，但迷幻的临床试验尚未报告针对性特异性的影响。相反，使用迷幻药的小鼠研究发现了与性别相关的显着变化，尤其是在致幻潜力13,14和对威胁反应的影响15,16。此外，迷幻辅助疗法的功效可能会受到个人心态和经验环境环境的严重影响，这种现象称为“设定和设置” 17,18。仍然，将这些复杂的心理和情境因素转化为动物模型已被证明具有挑战性。
大脑中的中心嵌入和成分以及上下文无关语言的新表征
大脑是如何产生语言的？尽管人们普遍认为语言是通过大脑分子、神经元和突触的活动产生的，但过去几十年来，在寻找语言的神经基础方面进展极其缓慢，即导致语言产生和理解的精确生物学结构和过程，请参阅 Friederici (2017) 对语言器官理论的一个主要方向的出色概述。在这个方向的最新进展中，一个英语解析器被实现在被称为汇编演算 (AC) (Papadimitriou 等人，2020) 的计算系统中 (Mitropolsky 等人，2021)，这是一个用于实现认知功能的生物学上合理的计算框架。 AC 的基本数据结构是神经元的集合，一大组神经元代表一个想法、物体、情节、单词等。第 2.1 节给出了 AC 及其类似大脑的执行环境的简要描述。
Gaia：微生物蛋白的上下文感知序列搜索和发现工具
蛋白质序列相似性搜索是基因组学研究的基础，但是当前方法通常无法考虑可以指示蛋白质功能的关键基因组环境信息，尤其是在微生物系统中。在这里，我们提出了Gaia（基因组AI注释器），这是一个序列注释平台，可在基因组数据集跨基因组数据集进行快速，上下文感知的蛋白质序列搜索。Gaia利用GLM2是一种在氨基酸序列及其基因组邻域训练的混合模式基因组语言模型，以生成整合序列结构 - 膜片信息的嵌入。这种方法允许识别在保守的地理环境中发现的功能相关基因，仅传统序列或基于结构的搜索可能会错过。GAIA可以实时搜索来自131,744个微生物基因组的超过8500万蛋白簇（定义为90％序列身份）的策划数据库。我们将基于GLM2嵌入的搜索的序列，结构和上下文灵敏度与MMSEQS2和FOLDSEEK等现有工具的序列，上下文灵敏度进行了比较。我们展示了噬菌体尾蛋白和铁载体合成基因座的基本发现，这些发现以前很难用传统工具注释。Gaia搜索可在https://gaia.tatta.bio上免费获得。
上下文汇总，以主题为中心的个性化医学对话生成
在对话系统的领域中，产生的响应通常缺乏个性化。在医疗领域尤其如此，在医学领域中，研究受到可用的特定域数据以及建模医学环境和角色信息的复杂性的限制。在这项工作中，我们研究了用于个性化医学对话生成的大型语言模型的潜力。尤其是为了更好地汇总长期的对话性会议，我们采用以主题为中心的摘要来将核心信息从对话中的his-tory中提炼出来，并使用此类信息来指导conteralsation流动和生成的内容。从现实世界的远程医疗转化中汲取灵感，我们概述了一条全面的管道，其中包含数据处理，配置文件建筑和域的适应性。这项工作不仅强调了我们的技术方法，而且还分享了数据制备和模型构建阶段的蒸馏见解。
任务上下文对预测脑机界面中的手指运动的影响
用于恢复手机功能的脑机界面（BMI）临床翻译的关键因素将是其任务变化的稳健性。具有功能性电刺激（FES），例如，患者的手将用于在其他相似运动中产生各种力量。为了调查任务变更对BMI性能的影响，我们训练了两个恒河猕猴，用身体的手控制虚拟手，同时我们将弹簧添加到每个手指组（索引或中环或中小型小组）或改变其手腕姿势。使用同时记录的心脏内神经活性，手指位置和肌电图，我们发现跨环境中预测手指运动学和与手指相关的肌肉激活导致预测误差的显着增加，尤其是肌肉激活。但是，关于在线BMI对虚拟手的控制，更改培训任务上下文或在线控制过程中手的身体上下文对在线绩效的影响很小。我们通过表明神经种群活动的结构在新情况下仍然相似，从而解释了这种二分法，这可以在线快速调整。此外，我们发现神经活动在新环境中与所需的肌肉激活成正比移动，可能解释了偏见的运动学预测，并提出了一种可以帮助预测不同幅度肌肉激活的特征，同时产生相似的运动学。
使用统计测试推断出的部分可观察的马尔可夫模型揭示了孟加拉雀科歌曲中的上下文依赖于上下文的音节过渡
生成模型具有多种应用，包括语言处理和Birdsong分析。在这项研究中，我们证明了如何使用旨在防止序列产生过度笼的统计检验来推断孟加拉语歌曲中音节序列的最小模型。我们专注于部分可观察到的马尔可夫模型（POMM），该模型由状态和它们之间的概率过渡组成。每个状态都与特定的音节相关联，有可能多个状态与同一音节相对应。此特性将POMM与标准Markov模型区分开，其中每个音节都链接到单个状态。在音节中存在多个状态表明，音节之间的过渡受到这些转变发生的特定情况的影响。我们应用这种方法来分析六个成年男性孟加拉犬的歌曲。我们的结果表明，听觉反馈在塑造孟加拉语歌曲的上下文依赖性音节过渡方面起着至关重要的作用。
在听故事中使用词语上下文语义进行 MEG 编码
大脑编码是将刺激映射到大脑活动的过程。关于功能性磁共振成像 (fMRI) 的语言大脑编码，有大量与句法和语义表征相关的文献。脑磁图 (MEG) 具有比 fMRI 更高的时间分辨率，使我们能够更精确地观察语言特征处理的时间。与 MEG 解码不同，使用自然刺激的 MEG 编码研究很少。现有的关于故事聆听的研究侧重于音素和简单的基于单词的特征，而忽略了上下文、句法和语义方面等更抽象的特征。受先前 fMRI 研究的启发，我们使用基本的句法和语义特征，以不同的上下文长度和方向（过去与将来）对 8 名听故事的受试者的数据集进行 MEG 大脑编码研究。我们发现 BERT 表示可以显著预测 MEG，但不能预测其他句法特征或词向量（例如 GloVe），这使我们能够在听觉和语言区域随时间以分布式方式对 MEG 进行编码。特别是，过去的背景对于获得显著的结果至关重要。索引术语：大脑编码、人机交互、MEG、句法、语义、上下文长度
基于大脑激活和上下文信息的驾驶员转弯意图识别模型
像在路口转弯这样的交通状况注定会出现安全关键情况和事故。人为错误是这些情况下发生事故的主要原因之一。识别驾驶员转弯意图的模型可以通过在危险转弯操作之前警告驾驶员或停车来帮助减少事故。大多数旨在预测驾驶员转弯意图概率的模型仅使用上下文信息，例如间隙大小或等待时间。本研究的目的是调查上下文信息和大脑激活测量的结合是否能增强转弯意图的识别。我们进行了驾驶模拟器研究，同时使用高密度 fNIRS 测量大脑激活。在 fNIRS 和上下文数据上训练了转弯意图识别的神经网络模型。使用 SHAP（SHapley Additive exPlanations）特征重要性分析对输入变量进行了分析，以显示包含大脑激活数据的积极影响。模型评估和特征重要性分析都表明，上下文信息和大脑激活的结合可以改善转弯意图识别。 fNIRS 结果显示，在执行转弯之前的“转弯”决策阶段，左侧运动皮层部分（例如初级运动皮层 (PMC；假定的 BA 4)、运动前区 (PMA；假定的 BA 6) 和辅助运动区 (SMA；假定的 BA 8）的大脑激活差异有所增加。此外，我们还观察到左侧前额叶区域的激活差异有所增加，可能位于左侧中额叶回 (假定的 BA 9)，这与决策和行动计划等执行功能的控制有关。我们假设大脑激活测量可能是一种更直接的指标，对转弯行为具有潜在的高特异性，从而有助于提高识别模型的性能。