XiaoMi-AI文件搜索系统
World File Search System全局
语音感知中的并行处理以及语言上下文的局部和全局表示
摘要 语音处理是高度渐进的。人们普遍认为，人类听众不断使用语言语境来预测即将出现的概念、单词和音素。然而，先前的证据支持两种看似矛盾的模型，即预测语境如何与自下而上的感官输入相结合：经典的心理语言学范式表明这是一个两阶段的过程，其中声学输入最初导致局部、与语境无关的表征，然后迅速与语境约束相结合。这与大脑构建单一连贯、统一的输入解释的观点形成对比，大脑完全整合了跨表征层次的可用信息，因此使用语境约束来调节甚至最早的感官表征。为了区分这些假设，我们测试了对连续叙述语音的脑磁图反应，以寻找局部和统一预测模型的特征。结果证明听众同时使用这两种类型的模型。两个局部上下文模型独特地预测了早期神经反应的某些部分，一个基于亚词汇音素序列，另一个仅基于当前单词中的音素；同时，即使是对音素的早期反应也反映了一个统一的模型，该模型结合了句子级约束来预测即将到来的音素。神经源定位将不同预测模型的解剖起源置于双侧颞上叶的非相同部分，右半球显示出对更多局部模型的相对偏好。这些结果表明，语音处理同时招募了局部和统一的预测模型，从而调和了先前不同的发现。并行模型可能会使感知系统更加健壮，促进意外输入的处理，并在语言习得中发挥作用。
看清全局：利用多模态神经成像研究神经精神疾病
几十年来，人们对开发神经精神疾病新疗法的事业持适度悲观态度，但最近在新治疗方法的使用方面取得了进展。例如，考虑到氯胺酮给药和脑刺激技术对尚未确定正确治疗方法的抑郁症患者的疗效，我们有理由感到乐观。1-4 然而，尽管取得了这些进展，但仍有很长的路要走，我们小组认为，磁共振成像 (MRI) 技术的使用可能在治疗策略的持续发展和改进中发挥重要作用。虽然这已经是一个流行的观点一段时间了，但基于 MRI 的脑结构和功能指标技术经常因无法用作诊断、治疗设计或治疗效果评估的临床相关生物标志物而受到批评。目前，所有神经精神疾病亚型的疾病分类通常不是通过基于生物标志物的标准来定义的，而是通过临床观察来定义，然后根据临床观察结果来制定临床定义（例如，尚未确定正确治疗方法的精神分裂症患者）。虽然寻找类似 HbA 1c 的生物标志物（用于诊断糖尿病）来进行神经精神疾病的临床分期、预后和预测发病时间很诱人，但值得注意的是，神经生物学特征可能与描述遗传学和脑回路的指数相互作用。按照这种思路，大多数神经影像学工作可以被描述为单模态研究：在给定样本的单个时间点研究单个神经影像学模态（例如，仅结构 MRI），尽管可能收集了多个对比。虽然这些研究无疑很有用，有助于了解疾病的病理生理学，但多模态研究（评估同一人群中的多种神经成像模式）有可能提供更全面的数据，可用于分析以识别生物标志物。值得注意的是，先前的研究表明，结构和功能 MRI 都可以用作改进脑部成像的手段
莫尔斯局域到全局群中的非斜向莫尔斯元素
双曲性由格罗莫夫 [ Gro87 ] 引入，是几何群论中最突出的负曲率概念，具有强大的代数和算法意义 [ Gro87 、 Pau91 、 DG11 、 Sel95 、 ECH ` 92 ]。许多重要的群都具有某些负曲率，但不是双曲的，包括群的自由积、映射类群、许多三维流形的基本群、某些阿廷群和克雷莫纳群。这一观察导致了对双曲群各种推广的研究，例如相对双曲群 [ Far98 、 Osi06 、 Bow12 ]、圆柱双曲群 [ Osi16 、 DGO17 ] 和 Morse 局部到整体 (MLTG) 群 [ RST22 ]。对于任何这些推广，很自然地会问它们满足负曲率的哪些方面。本文重点讨论 MLTG 群。MLTG 群的一个主要特征是在 [ RST22 ] 中引入的，它能够消除 Morse 测地线的病态行为。例如，如果一个 MLTG 群包含 Morse 测地线，则它有一个 Morse 元；如果它包含 Morse 元，则它有一个与 F2 同构的子群。这对于一般群来说并非如此 [ Fin17 , OOS09 ]。因此，很自然地，我们会问，消除病态行为是否足以确保圆柱双曲性。
treeai：一个用于树种注释和高分辨率图像的全局数据库
1环境系统科学系，陆地生态系统研究所，苏黎世，苏黎世8092，瑞士（Mirela.beloiu@usys.ethz.ethz.ch），（zhongyu.xia@usysys.ethz.ethz.ch） （yach@ign.ku.dk）3森林动态，瑞士联邦森林，雪和景观研究WSL，瑞士8903 Birmensdorf（arthur.gessler@wsl.ch），（Nataliia.hearush@rearush@wsl.ch） （teja.kattenborn@geosense.uni-freiburg.de）5州库汉大学的测量，地图和遥感信息工程主要实验室，挪威（Stefano.puliti@nibio.no）的生物经济研究（NIBIO）国家森林清单8遥远感应小组，瑞士联邦森林，雪和景观研究WSL，8903 Birmensdorf，瑞士Birmensdorf，瑞士，瑞士，lars.waser@waser@waser@wasl.wsl.ch nervection@@@@
全局淬灭后三部分信息的普适性
我们考虑无限量子自旋链中连通子系统 A ∪ B ∪ C 的宏观大 3-划分 ( A, B, C )，并研究 R´yi- α 三部分信息 I ( α ) 3 ( A, B, C )。在具有局部哈密顿量的干净一维系统中，在平衡态下它通常为零。一个值得注意的例外是共形临界系统的基态，其中 I ( α ) 3 ( A, B, C ) 是交比 x = | A || C | / [( | A | + | B | )( | C | + | B | )] 的普适函数，其中 | A | 表示 A 的长度。我们确定了不同类的状态，这些状态在具有平移不变哈密顿量的时间演化下，局部放松到具有非零（R´enyi）三部分信息的状态，此外还表现出对 x 的普适依赖性。我们报告了对自由费米子对偶系统中 I ( α ) 3 的数值研究，提出了场论描述，并计算了它们在一般情况下对 α = 2 的渐近行为以及在系统子类中对一般 α 的渐近行为。这使我们能够推断出缩放极限 x → 1 − 中的 I ( α ) 3 的值，我们称之为“残差三部分信息”。如果非零，我们的分析指向一个与 R´enyi 指数 α 无关的通用残差值 − log 2，因此也适用于真正的（冯·诺依曼）三部分信息。
贝叶斯网络对全局能量平衡模型的改进方法
摘要：对气候的精确模拟始终至关重要，同时也是一个挑战。本研究基于粗细模型的概念，提出一种利用贝叶斯网络对全局分辨能量平衡 (GREB) 模型进行改进的方法。改进方法在以 GREB 模型为全局框架的基础上，构建了动力学模型与统计模型相结合的粗细结构，并利用基于 GREB 模型内部气候变量相互关系构建的贝叶斯网络实现局部优化。为了客观地检验改进方法的性能和推广应用，将该方法应用于1985—2014年美国国家环境预测中心(NCEP)和美国国家大气研究中心(NCAR)提供的3.75°×3.75°全球数据集，对地表温度和大气温度的模拟。结果表明，改进模型比原始GREB模型表现出更高的平均精度和更低的空间分异，并且在长期模拟中具有良好的稳健性。该方法解决了GREB模型在局部区域由于过度依赖边界条件和初始条件，以及缺乏完全可用的观测数据而导致的精度问题。此外，该模型还克服了由于气候包含项不明确导致统计模型稳健性较差的挑战。因此，改进方法为可靠、稳定的气候模拟提供了一种有希望的方法。
基于局部图像深度学习的全局小胶质细胞增殖分类
神经组织中的小胶质细胞增殖（神经炎症）发生在感染、神经系统疾病、神经毒性和其他情况期间。在基础科学和临床研究中，小胶质细胞增殖的量化需要经过培训的专家进行大量的手动计数（细胞点击）（每个案例约 2 小时）。之前使该过程自动化的努力主要集中在基于立体学估计全局细胞数量，使用基于深度学习（DL）的高倍率分割免疫染色的小胶质细胞。为了进一步提高吞吐效率，我们提出了一种新方法，使用卷积神经网络（CNN）的快照集合，使用局部图像（即低倍（20 倍）放大率）进行训练，以预测全局级别的高或低小胶质细胞增殖。专家使用立体学来量化高倍率下的整体小胶质细胞数量，在动物（小鼠）级别应用高或低增殖的标签，然后将这个全局标签分配给每个 20 倍图像作为训练 CNN 预测全局增殖的基本事实。为了测试准确性，我们用每个类别中的六个小鼠大脑进行交叉验证，用于训练，再用每个类别中的一个进行测试。对集合的预测取平均值，并根据该大脑中大多数图像的预测类别为测试大脑分配标签。该集合在每例不到一分钟的时间内准确地对 14 个大脑中的 11 个（约 80%）进行了增殖分类，无需在高倍放大下进行细胞级分割或手动立体学分析。这种方法首次表明，使用局部图像训练 DL 模型可以有效地在全局层面预测小胶质细胞增殖。本研究中使用的数据集可公开获取：tinyurl.com/20xData-USF-SRC。
全局量化揭示了碱基编辑器的大量低水平脱靶活动
碱基编辑器是专门设计的脱氨酶，能够以精确有效的方式定向转换基因组或转录组中的特定碱基，并有望纠正致病突变。限制这种强大方法应用的一个主要问题是脱靶编辑问题。最近的几项研究表明碱基编辑器会诱导大量脱靶 RNA 活性，并证明脱靶突变可能会被改进的脱氨酶版本或优化的向导 RNA 抑制。在这里，我们描述了一类新的脱靶事件，这些事件对于现有的检测基因组变异的方法来说是不可见的，因此迄今为止一直被忽视。我们表明，非特异性、看似随机的脱靶事件会影响整个基因组或转录组中的大量位点，并占脱靶活动的大多数。我们开发并采用一种对随机脱靶活动敏感的不同互补方法，并使用它来量化由于当前优化的脱氨酶编辑器而导致的大量脱靶 RNA 突变。我们提供了一种计算工具来量化全局脱靶活动，可用于优化未来的碱基编辑器。工程碱基编辑器能够以单碱基分辨率定向操纵基因组或转录组。我们相信，实施这种计算方法将有助于设计更具体的碱基编辑器。
基于优化的视觉惯性里程计中的全局位置测量紧耦合融合
摘要 — 为了实现长期自主导航中稳健、无漂移的位姿估计，我们在本文中提出了一种将全局位置信息与视觉和惯性测量融合在一起的紧耦合非线性优化估计器。与以前的松散耦合的工作不同，使用紧耦合方法可以利用所有测量之间的相关性。通过最小化包括视觉重新投影误差、相对惯性误差和全局位置残差的成本函数来估计最新系统状态的滑动窗口。我们使用 IMU 预积分来计算惯性残差，并利用该算法的结果有效地计算全局位置残差。实验结果表明，所提出的方法实现了准确且全局一致的估计，而优化计算成本的增加可以忽略不计。我们的方法始终优于松耦合的融合方法。与室外无人机 (UAV) 飞行中的松散耦合方法相比，平均位置误差减少了 50%，其中全局位置信息由嘈杂的 GPS 测量提供。据我们所知，这是首次在基于优化的视觉惯性里程计算法中紧密融合全局位置测量，利用 IMU 预积分方法定义全局位置因子。
LGGNet：从脑机接口的局部-全局图表征中学习
摘要 — 神经心理学研究表明，不同大脑功能区域之间的合作活动推动了高级认知过程。为了了解大脑不同功能区域内和之间的大脑活动，我们提出了一种新型神经学启发式图神经网络 LGGNet，用于学习脑机接口 (BCI) 的脑电图 (EEG) 的局部-全局图表示。LGGNet 的输入层由一系列具有多尺度 1D 卷积核和内核级注意力融合的时间卷积组成。它捕获 EEG 的时间动态，然后将其作为所提出的局部和全局图过滤层的输入。LGGNet 使用一组定义的具有神经生理学意义的局部和全局图，对大脑功能区域内和之间的复杂关系进行建模。在稳健的嵌套交叉验证设置下，在三个公开可用的数据集上对四类认知分类任务（即注意力、疲劳、情绪和偏好分类任务）评估了所提出的方法。 LGGNet 与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等最先进的方法进行了比较。结果表明，LGGNet 的表现优于这些方法，并且在大多数情况下，改进具有统计意义（p < 0.05）。结果表明，将神经科学先验知识引入神经网络设计可以提高分类性能。源代码可以在 https://github.com/yi-ding-cs/LGG 找到