XiaoMi-AI文件搜索系统
World File Search System假定目标
内源性大麻素系统作为...的假定目标
大麻主要通过与内源性大麻素系统的相互作用来影响情感状态、情绪和感知处理，这一点已得到充分证实。尽管大麻的使用在许多患有精神疾病的人群中相当普遍，但大麻是否会加重这些疾病或提供某种形式的治疗益处仍存在很大争议。与大麻中发现的植物大麻素相比，与内源性大麻素系统成分相互作用的方式更局部、更离散的药物制剂的发展，使得人们能够研究直接针对内源性大麻素系统本身是否可能代表一种治疗精神疾病的新方法，而不会产生与大麻相关的潜在不良副作用。本文回顾了当前关于针对内源性大麻素系统开发的各种药理学工具的文献，它们对精神疾病临床前模型的影响以及最近出现的有关它们在精神疾病临床试验中的应用数据，特别关注物质使用障碍、创伤相关疾病和自闭症。我们重点介绍了几种针对内源性大麻素功能的候选药物，特别是内源性大麻素代谢抑制剂或大麻素受体信号调节剂，它们已成为治疗精神疾病的潜在候选药物，特别是物质使用障碍、焦虑和创伤相关疾病以及自闭症谱系障碍。虽然需要持续进行临床工作来确定内源性大麻素类药物在治疗精神疾病方面的潜在效用，但目前可用的数据非常有希望，并表明几种潜在的候选疾病可能受益于这种方法。
459 第 121 部分 - 美国军备清单
总结 沙漠风暴行动是一次非常成功和具有决定性的军事行动。这次空袭在摧毁伊拉克抵抗能力的同时，造成了最小的人员伤亡，帮助解放了科威特，迫使伊拉克遵守联合国决议。但是，我们对针对战略目标的空袭的分析揭示了几个空中力量问题，这些问题需要在下一次行动之前引起注意。首先，沙漠风暴行动中空中力量的有效性受到飞机传感器在识别和捕获目标方面的固有局限性以及国防部未能收集有关某些关键目标的存在或位置的情报以及无法及时收集和分发战斗损伤评估 (BDA) 的制约。飞行员指出，红外、电光和激光系统都因云、雨、雾、烟甚至高湿度而严重退化，飞行员报告说无法辨别假定目标是坦克还是卡车，以及它是否已被摧毁。情报无法识别某些目标，导致联军失去了完全实现部分目标的机会。中高空的精确度降低以及缺乏及时的 BDA 导致成本增加、效率降低，并增加了不必要的重击风险。
通过奖励模型彩排持续的多目标增强学习
多目标加固学习（MORL）方法通过学习最大化的政策来解决现实世界中的问题，以不同的用户偏好加权。典型方法假定目标在整个代理人的寿命中都没有变化。，在某些现实情况下，代理商可能会遇到动态改变学习的方法，即在不同的学习阶段，不同的矢量值奖励功能。在概率公式或算法设计中尚未考虑这个发展目标的问题。为了解决这个问题，我们首次将设置作为连续的MORL（CMORL）问题，这是为了通过学习过程的目标发展。随后，我们提出了通过Re Ward Model Re re Hearsal（Cor E 3）学习的c ontinual多O型信息，从而使动态代理网络不合转，以快速适应新目标。此外，我们开发了一种奖励模型彩排技术，以恢复以前目标的重新信号，从而减轻灾难性的遗忘。在四个CMORL基准测试基准上进行的实验展示了Cor E 3有效地学习满足所有遇到的目标的不同偏好的政策，并以171％的态度表现出最佳的基线，突显了Cor E 3的能力，可以处理具有渐进目标的情况。
论大脑、行为和人工神经网络的逻辑推理
摘要 在认知、计算和神经科学领域，从业者经常推理计算模型代表或学习什么，以及实例化什么算法。这种推理的假定目标是将有关所讨论模型的主张概括为有关思维和大脑以及这些系统的神经认知能力的主张。这种推理通常基于模型在任务上的表现，以及该表现是否接近人类行为或大脑活动。在这里，我们展示了这种论证如何使模型与其目标之间的关系复杂化；我们强调人工神经网络 (ANN)，尽管任何落入相同推理模式的理论-大脑关系都存在风险。在本文中，我们在一个正式框架——元理论演算——内对从 ANN 到大脑再返回的推理进行建模，以便就如何广泛理解和使用模型以及如何最好地正式描述它们及其功能展开对话。为此，我们从已发表的记录中表达了关于模型在一阶逻辑中的成功和失败的主张。我们提出的形式化方法描述了科学家在裁决理论时制定的决策过程。我们证明，将文献中的论证形式化可以揭示理论与现象之间关系的潜在深层问题。我们讨论了这对认知科学、神经科学和心理学研究的广泛意义；当模型失去以有意义的方式在理论和数据之间进行调解的能力时，这意味着什么；以及这对我们的领域在进行高级科学推理时部署的元理论演算意味着什么。
脑转移分割网络，训练有鲁棒性，对带有多个假阴性的注释
深度学习已被证明是医学图像分析的重要工具。但是，需要准确标记的输入数据，通常需要专家的时间和劳动密集型注释，这是对深度学习使用的主要限制。解决这一挑战的一种解决方案是允许使用粗或嘈杂的标签，这可以允许图像的更有效，可扩展的标签。在这项工作中，我们根据熵正则化开发了偏斜的损失函数，该熵正规化假定目标注释中存在非平凡的假阴性率。从经过精心注释的脑转移病变数据集开始，我们通过（1）随机审查带注释的病变，并系统地审查最小的病变，从而用假阴性模拟数据。后者更好的模型真正的医师错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50％，将我们的损失函数应用于随机审查数据的最大敏感性在基线的97％（未经审查的培训数据）下保留，而标准损失函数仅为10％。对于基于尺寸的审查制度，绩效从当前标准的17％恢复为88％，而我们的自举损失损失。我们的工作将与图像标记过程的更有效的缩放相同，并与其他方法并行，以创建更多效果的用户界面和注释工具。关键字：脑转移，细分，深度学习，假阴性，嘈杂标签