XiaoMi-AI文件搜索系统
World File Search System交叉验证
enmsdmx.pdf
描述实现了物种分布建模和生态利基建模，包括：偏差校正，空间交叉验证，模型评估，栅格插值，生物插入式``''''（````速度''''（由射手代表的``质量''的运动的速度和方向），跨度的时间序列介绍了跨度的记录。包装的核心是一组``训练''功能，它们会自动优化基于模型复杂性的可用发生数量。这些算法包括Maxent，MaxNet，增强的回归树/梯度增强机，广义添加剂模型，广义线性模型，天然花纹和随机森林。为了增强与其他建模软件包的互操作性，未创建新类。该软件包可与“ ProJ6”大地测量对象和坐标参考系统一起使用。
GOMP：伽马型特征选择算法
描述伽马 - 正交匹配追踪（伽马型）是最近建议对OMP特征选择算法的修改，用于广泛的响应变量。包装提供了许多替代回归模型，例如线性，健壮，生存，多元等，包括K折叠的交叉验证。参考文献：Tsagris M.，Papadovasilakis Z.，Lakio-taki K.和Tsamardinos I.（2018）。``````''sub-sion数据的有效特征选择：要使用哪种算法？''Biorxiv。。Tsagris M.，Papadovasi Lakis Z.，Lakiotaki K.和Tsamardinos I.（2022）。``用于针对基因表达数据的功能分配的伽马型算法''。IEEE/ACM关于计算双学和生物信息学的交易19（2）：1214---1224。。
缩小技术应用于高维，低样本量神经生理数据集
抽象背景：神经生理信号处理中的一个常见问题是从高维，低样本量数据（HDLSS）中提取有意义的信息。我们提出了Roldsis（低维跨度输入空间的回归），这是一种基于降低性降低的回归技术，将解决方案限制在可用观测值所跨越的子空间中。这避免了收缩回归方法中需要的回归过程中的正则参数。结果：我们将Roldsis应用于语音识别实验中收集的EEG数据。在实验中，连续/da/–/ta/中的变形音节作为声学刺激显示给参与者，并记录与事件相关的电位（ERP），然后通过离散小波转换在时间频率结构域中作为一组特征表示。从参与者执行的初步识别任务中选择每组刺激。身体和心理物理属性与每个刺激有关。roldsis推断与每个属性相关的特征空间中的神经生理轴。我们表明，这些轴可以可靠地估计，并且它们的分离与语音分类的个体强度相关。Roldsis提供的结果在时频域中可以解释，可用于推断语音分类的神经物理学相关性。通过交叉验证进行了与常用的正则回归技术的比较。结论：Roldsis获得的预测误差与脊回归获得的预测误差相当，并且比用Lasso和SPLS获得的预测误差较小。然而，Roldsis无需交叉验证就可以实现这一目标，该程序需要从数据中提取大量观测值，并且在平均试验时，降低了信噪比的降低。我们表明，即使Roldsis是一种简单的技术，它也适用于神经生理信号的处理和解释。关键字：脑电图，事件相关电位，线性回归，高尺寸低样本量问题，尺寸减小，音素分类，离散小波转换
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
档案报告 - 大脑年龄预测揭示异常......
摘要背景：精神分裂症 (SZ) 和双相情感障碍 (BD) 具有大量共同的神经发育成分，可影响大脑成熟和结构。这就需要一个动态的寿命视角，其中大脑异常是从预期寿命轨迹的偏差推断出来的。我们将机器学习应用于白质结构和组织的扩散张量成像 (DTI) 指标，以估计和比较 10 个队列中 SZ 患者、BD 患者和健康对照 (HC) 受试者的大脑年龄。方法：我们使用来自 927 名 HC 受试者（18 – 94 岁）的不同 DTI 数据组合训练了 6 个交叉验证模型，并将这些模型应用于包括 648 名 SZ 患者（18 – 66 岁）、185 名 BD 患者（18 – 64 岁）和 990 名 HC 受试者（17 – 68 岁）的测试集，估计每个参与者的大脑年龄。使用线性模型评估组间差异，考虑年龄、性别和扫描仪。采用元分析框架评估结果的异质性和普遍性。结果：十倍交叉验证显示所有模型均具有很高的准确度。与 HC 受试者相比，包含所有特征集的模型显著高估了 SZ 患者（Cohen ' sd = 2 0.29）和 BD 患者（Cohen ' sd = 0.18）的年龄，其他模型也有类似的效果。元分析得出了相同的结果。基于分数各向异性的模型显示出比基于其他 DTI 衍生指标的模型更大的组间差异。结论：基于 DTI 的脑年龄预测为脑白质完整性提供了信息丰富且稳健的代理数据。我们的结果进一步表明，SZ 和 BD 中的白质畸变主要由预期寿命轨迹的解剖分布偏差组成，这种偏差在各个群体和扫描仪中都具有普遍性。
U-NET深学习模型vermis胎儿大脑MR成像，使用PON的自动定位和 未来的人工智能 和Ledclinical longt5booksum，Ledbooksum，Ledlegal，Bartcnn，报告：评估GPT3Davinci，AI辅助radiologic
材料和方法：我们回顾性地使用了55例以急速方案进行胎儿脑MR成像的孕妇。儿科神经放射学家选择了它们在矢状单摄影T2加权图像上进行具有里程碑意义的注释，并将临床可靠的方法用作测量PON和Vermis的标准标准。开发了一种基于U-NET的深度学习模型，以自动识别胎儿脑解剖学标志，包括PON的两个前后地标和2个前后和2个前后和2个上层标记。进行了四倍的交叉验证，以使用随机分配和分类的妊娠年龄（分隔的数据集）测试模型的准确性。为每个测试案例生成了模型预测的置信分数。
基于心率变异性的机器学习模型...
使用 HRV 数据，训练分类模型以成功区分疲劳和非疲劳状态。图 2 显示了每个分类问题的最重要特征。训练集中的交叉验证结果在补充材料中报告（见表 S1）。表 1 和表 2 分别总结了在任务相关和静息 HRV 数据上训练的分类器的测试集预测性能。下面，我们报告最重要的发现。置换测试表明，所有分类器在所有分类问题中的分类性能与置换零分布有显著不同。对于每个分类问题，SVM、KNN 和 RF 分类器的性能产生类似的结果。但是，在所有分类问题中，SVM 的平均表现略优于其他两个分类器。不管
![arxiv：2306.07730v2 [cs.lg] 2023年6月14日](/simg/g:\will\search\icon\source\e\e38448ffddcad3e0ab21e5b2d337ba23cc011352.webp)
arxiv：2306.07730v2 [cs.lg] 2023年6月14日
我们提出了一种基于学习的新方法，该方法在从光摄影信号（PPG）中提取的几种心率估计基准（PPG）上实现最新性能。我们考虑了我们作为隐藏的马尔可夫模型表示的离散时间随机过程的心率演变。我们通过训练有素的神经网络对给定的PPG信号窗口的可能的心率值得出了分布。使用信念传播，我们结合了心率变化的紧密分布，以在时间上下文中完善这些估计。从此，我们获得了可能的心率值范围范围内的量化概率分布，该分布捕获了对固有预测不确定性的有意义且精心校准的估计。我们通过三个不同的交叉验证实验在八个公共数据集上展示了我们方法的胸膜。
利用机器学习进行入侵检测
摘要： - 为了精确识别和分类不同类型的网络攻击，本研究重点是将机器学习方法应用于网络入侵检测。数据收集，预处理，特征缩放，模型定义，特征选择和评估指标都是方法的一部分。不同的机器学习模型，包括决策树分类器和随机森林分类器，以及使用所有功能或每个攻击类别的某些功能的使用。使用K折交叉验证进行评估，并使用分析的准确性，精度，回忆和F1得分等指标进行评估。结果表明，随机森林分类器在处理高维数据集并提高检测准确性方面的效率，使其成为网络入侵检测任务的卓越选择。
回复 Lockhart 等人。
我们感谢 Lockhart 等人的关注（1），也感谢编辑们给我们机会阐明我们研究的关键方面（2）。我们的研究取得了重要进展：1）我们通过在多个成像会话中进行严格的交叉验证，在主要人类连接组计划 (HCP) 队列中实现了极高的分类准确率 (>90%)，优于之前的研究。2）我们将仅基于 HCP 数据训练的模型应用于两个独立队列而无需再训练，证明了前所未有的普遍性 (~ 82%)。3）可解释人工智能 (XAI) 得出的大脑特征能够可靠地预测特定于性别的认知特征。我们的研究结果为人类大脑功能组织存在性别差异的证据越来越多地作出了贡献（3 – 7）。更广泛地说，我们的创新方法有望用于识别复杂神经精神疾病的生物标志物，凸显了我们的工作除了性别差异研究之外的更广泛影响。下面，我们将针对 Lockhart 等人提出的具体意见进行回应：关于样本外验证，我们在 HCP 队列中采用了最先进的交叉验证技术，并通过在两个独立队列上测试我们的模型进行了严格的样本外验证。这种前所未有的方法为我们的发现的普遍性提供了强有力的证据。对 t 分布随机邻域嵌入图的批评误解了它们的目的。这些可视化揭示了我们的深度神经网络模型学习到的判别特征的低维表示，而不是为了造成分离。清晰的聚类与我们的定量分类结果一致，但并未决定它们。我们尊重地不同意我们使用“脑指纹”具有误导性。我们的 XAI 分析揭示了独特的个体水平大脑模式，可以可靠地跨会话识别个体，其功能类似于生物指纹。正如我们之前的研究（8、9）所示，这些指纹还可以预测行为和临床症状的个体差异，强调它们的功能相关性。对我们的 XAI 方法的批评可能反映了对 AI 可解释性的误解