摘要:对于具有肌萎缩性侧面硬化症(ALS)的受试者,言语和非言语通知受到很大的损害。基于视觉诱发电位(SSVEP)的大脑计算机界面(BCIS)是成功的替代增强通信之一,可帮助ALS与他人或设备进行通信。对于实际应用,噪音的影响大大降低了基于SSVEP的BCI的性能。因此,开发基于SSVEP的强大BCI对于帮助受试者与他人或设备进行交流非常重要。在这项研究中,提出了基于噪声抑制的特征提取和深度神经网络,以开发出强大的基于SSVEP的BCI。为了抑制噪音的影响,提出了一种denoising自动编码器来提取降解功能。为了获得实用应用的可接受识别结果,深层神经网络用于发现基于SSVEP的BCI的决策结果。实验结果表明,所提出的方法可以有效地抑制噪声的影响,并且基于SSVEP的BCI的性能可以大大改善。此外,深神经网络的表现优于其他方法。因此,提出的基于SSVEP的BCI对实际应用非常有用。
创建一条关于我即将在卡内基梅隆大学(CMU,匹兹堡)发表的演讲的热门推文,标题为“大型语言模型的水印”。主题包括水印、检测人工智能生成的文本、保护模型的版权。尽量让它风趣幽默。
(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。此预印本版的版权持有人于2024年12月3日发布。 https://doi.org/10.1101/2024.12.02.626472 doi:Biorxiv Preprint
摘要 - 本文介绍了超维计算(HDC)域中数据的聚类。在先前的工作中,已经提出了一个基于HDC的聚类框架,称为HDCluster。但是,现有的HDCluster的性能并不强大。在初始化步骤中随机选择簇的高量向量,HDCluster的性能被降解。为了克服这种瓶颈,我们通过探索编码数据的相似性(称为查询过量向量,分配了初始群集过度向量。组内过度向量的相似性比组间高向量具有更高的相似性。利用查询过量向量之间的相似性结果,本文提出了四种基于HDC的聚类算法:基于相似性的K-均值,相等的Bin宽度直方图,相等的BIN高度直方图和基于相似性的亲和力传播。实验结果说明:(i)与现有的HDCluster相比,我们提出的基于HDC的聚类算法可以实现更好的准确性,更健壮的性能,更少的迭代和更少的执行时间。基于相似性的亲和力提出优于八个数据集上的其他三种基于HDC的聚类算法,而聚类准确性则高于2%约38%。(ii)即使对于一通聚类,即没有群集高量向量的任何迭代更新,我们提出的算法也可以提供比HDClter更强大的聚类精度。(iii)在八个数据集上,当八分之一的数据集投影到高维空间上时,八分之一可以达到更高或可比的精度。传统聚类比HDC更可取,当时簇数k的数量很大。
强化学习(RL)通过互动来培训计算模型来解决复杂的决策。但是,由于昂贵或危险错误的高风险,在实地世界环境中的直接培训(例如自动驾驶或医疗程序)通常是不切实际的。因此,RL通常依赖于模拟环境或静态离线数据集。但是,这种依赖引入了一个关键的挑战,称为“现实差距” - 训练条件与现实世界应用中遇到的动态之间的差异。本演示文稿解决了旨在通过增强RL策略的有效性来弥合这一差距的创新策略: - 强大的RL优化:我们深入研究了扰动的战略使用,以优化从模拟器中汲取的政策。这种方法着重于提高这些政策的适应性和鲁棒性,使它们更适合于可变性和意外条件的现实应用程序。- 离线RL优化:进一步的讨论将探讨汉密尔顿 - 雅各比 - 贝尔曼(HJB)方程的应用,作为增强在静态数据集中训练的策略的方法的方法。该技术对于在无法实现与环境的实时互动的情况下改善现实世界的适用性至关重要。
在强相关系统中,微观理解竞争订单是现代量子多体物理学的关键挑战。例如,条纹顺序的起源及其与Fermi-Hubbard模型中的配对的关系仍然是中心问题之一,并且可以帮助理解库酸酯中高温超导性的起源。在这里,我们分析了T-J模型的掺杂的混合二维(混合)变体中的条纹形成,其中荷载载流子仅限于一个方向移动,而磁性SU(2)相互作用是二维的。在有限温度下,使用密度矩阵重新归一化组,在没有配对的情况下,我们发现了稳定的垂直条带相,以不优量的磁序和远距离电荷密度的波浪pro纤维纤维纤维在广泛的掺杂范围内。我们在磁耦合〜J / 2的阶面找到高临界温度,因此在电流量子模拟器的范围内。多体状态的快照,可以通过量子模拟器访问,在混合设置中揭示了隐藏的自旋相关性,当考虑纯粹的磁背景时,抗Fiferromagnetic相关性会增强。所提出的模型可以看作是实现条纹阶段的父级哈密顿量,其隐藏的旋转相关性导致预测的对量子和热闪光的弹性。
在较高的生物体中,单个细胞通过表观遗传调节(例如基因表达调节)对信号和扰动做出反应。然而,除了移动其转录曲线外,细胞的适应性响应还可以导致不同细胞类型的比例变化。最近的方法(例如SCRNA-SEQ)允许在单细胞水平上询问表达,并可以量化复杂组织样品中的单个细胞类型簇。为了识别显示不同生物条件之间差异组成的簇,最近引入了差异比例分析。然而,严重缺失了用于重复和未复制的单细胞数据集的生物信息学工具。在本手稿中,我们提出了Scanpro,这是一种用于比例分析的模块化工具,无缝集成到Python环境中广泛接受的框架中。scanpro是快速,准确的,可以不重复支持数据集,并且旨在由生物信息学专家和初学者使用。
由小有机化合物引起的分析干扰继续对早期药物发现构成巨大挑战。已经开发了各种计算方法来识别可能引起测定干扰的化合物。但是,由于可用于模型开发的数据稀缺,这些方法的预测准确性和适用性受到限制。在这项工作中,我们介绍了E-Guard(专家指导的鲁棒干扰复合检测的增强),这是一个新颖的框架,试图通过整合自我介绍,积极的学习和专家指导的分子产生来解决数据稀缺和失衡。e-guard迭代地用与干扰相关的分子丰富了训练数据,从而产生了具有出色性能的定量结构交流关系(QSIR)模型。我们以四个高质量数据集,氧化还原反应性,纳米酸酯酶抑制和萤火虫荧光素酶抑制的示例,证明了电子方形的实用性。与未经e-Guard数据增强的模型相比,这些数据集的MCC值最高为0.47,其富集因子的改进有两个或更高。这些结果突出了电子保守物作为缓解早期药物发现中测定干扰的可扩展解决方案的潜力。
摘要 — 本研究通过一种计算效率高的鲁棒控制策略解决了联网电动汽车的生态自适应巡航控制问题。该问题在空间域中采用非线性电力传动系统模型和运动动力学的真实描述来制定,以产生凸最优控制问题 (OCP)。OCP 通过一种新颖的鲁棒模型预测控制 (RMPC) 方法解决,该方法处理由于模型不匹配和前导车辆信息不准确而引起的各种干扰。RMPC 问题通过半正定规划松弛和单线性矩阵不等式 (sLMI) 技术解决,以进一步提高计算效率。使用实验收集的驾驶周期评估所提出的实时鲁棒生态自适应巡航控制 (REACC) 方法的性能。通过与标称 MPC 进行比较来验证其鲁棒性,标称 MPC 会导致速度限制约束违规。所提出方法的能源经济性优于最先进的时域 RMPC 方案,因为可以将更精确拟合的凸动力传动系统模型集成到空间域方案中。与传统恒定距离跟随策略 (CDFS) 的额外比较进一步验证了所提出的 REACC 的有效性。最后,验证了 REACC 可以借助 sLMI 和由此产生的凸算法实现实时实现。
聚类在多种生物信息学应用中起重要作用,包括蛋白质功能预测,种群遗传学和基因表达分析。大多数聚类算法的结果对输入数据的变化,聚类算法及其参数和各个数据集敏感。共识聚类(CC)是聚类算法的扩展,旨在从上述变化来源下不变的那些群集特征构建强大的结果。作为CC的一部分,稳定性得分可以提供所得聚类的可靠性程度的概念。本综述将CC在文献中介绍为三种主要类型,介绍并说明了稳定分数的概念,并说明了在应用中使用CC来模拟和现实的基因表达数据集。Open-source R implementations for each of these CC algorithms are available in the GitHub repository: https://github.com/behnam-yousefi/ConsensusClustering Keywords: Consensus clustering, Ensemble clustering, Robustness, Generation mechanism, Stability score