XiaoMi-AI文件搜索系统
World File Search System分类器
提高和比较机器学习分类器的性能与元数据的技术来检测代码气味
背景：连续修改，次优的软件设计实践和严格的项目截止日期有助于代码气味的扩散。检测和重构这些代码气味对于维持复杂而必不可少的软件系统至关重要。忽略它们可能会导致未来的软件缺陷，使系统具有挑战性，并最终过时。监督的机器学习技术已成为无需专家知识或固定阈值值的代码气味分类的有价值的工具。可以通过有效的特征选择技术和优化超参数值来实现分类器性能的进一步增强。AIM：通过使用各种类型的元元素算法（包括群体智能，物理学，数学和基于生物的）等各种类型的元元素算法对多种机器学习分类器的性能度量进行改进。将其性能度量进行比较，以在代码气味检测的背景下找到最佳的元元素算法，并根据统计测试评估其影响。方法：本研究采用了十六种当代和鲁棒的元元素算法来优化两种机器学习算法的超参数：支持向量机（SVM）和k -near -tehermest邻居（K -NN）。无免费的午餐定理强调了一个应用程序中优化算法的成功可能不一定扩展到其他应用程序。因此，对这些算法进行了严格的比较分析，以确定最佳的代码气味检测解决方案。75％，100％和98。分别为57％。分别为57％。各种优化算法，包括算术，水母搜索，基于学生心理学，基于学生心理学，正弦余弦，Jaya，Jaya，crow Search，Dragon Fly Fly，Krill Herd，Multi-Forse，共生，花生，花授粉，基于学习的学习，基于学习，牵引力搜索，牵引力搜索和基于生物地理学的优化。结果：在优化的SVM的情况下，获得的最高准确性，AUC和F量值为98。非常明显的是，准确性和AUC的显着提高，达到32。22％和45。分别观察到11％。对于k -nn，最佳准确性，AUC和F量值的值在100％下都是完美的，准确性和ROC -AUC值值得注意的远足，相当于43。89％和40。 分别为83％。 结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。 统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。 优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。 这个创新89％和40。分别为83％。结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。这个创新
通过将应用程序设置从BD FACSymphony A5 SE细胞分析仪转移到BD FACSymphony S6 SE SE细胞分类器
图2。T细胞，B细胞，DC和NK细胞在CD45+细胞上门控。B细胞被鉴定为CD19+，然后鉴定出幼稚/成熟的CD27-IGD+ B细胞。浆膜（CD27+ CD20-）。经典的T细胞被鉴定为CD4+，CD8+或TCRγδ+，然后根据CD62L和CD45RA或CD45RO的表达来鉴定良好的T细胞子集，中心记忆和TN/SCM和TN/SCM和TN/SCM和TN/SCM和干细胞T细胞），CD45RA和CCR7（CD45RA和CCR7）（NAIS中心记忆，效率效应），效率不同） （茎记忆T细胞TSCM），CD127和CD25（Tregs）以及CD185和CD45RA（T卵泡辅助细胞）。PD1的表达，并在CD8+ TEMRA细胞中评估了KLRG1表达。经典DC被鉴定为CD3- CD19- CD20- CD16- CD14- CD56- HLA-DR+，然后仅鉴定PDC子集仅为CD303+CD123+。嗜碱性粒细胞被确定为CD3- CD19- CD20- CD16- CD14- CD56- HLA-DR-CD123+。NK细胞被鉴定为CD3- CD19- CD20- CD14- CD123-HLA-DR-。成熟和未成熟的NK细胞，然后将Kir-NK细胞鉴定为CD57+ CD158+成熟的NK细胞。评估 NK细胞和非NK细胞的CD122表达。
通过在不利天气条件下纳入MDM-WDM和机器学习分类器
光子雷达是微波光子学创新应用中的基石，它是未来智能运输系统（ITS）的关键技术。提供了增强的准确性和可靠性，它位于目标检测和在不同天气条件下识别的最前沿。最近的进步集中在通过高速，宽带信号处理的8月雷达性能，这是现代光子学属性的直接好处，例如EMI免疫，最小传输损失和宽带宽。我们的工作引入了一个尖端的光子雷达系统，该系统采用频率调制连续波（FMCW）信号，与模式划分和波长分层多路复用（MDM-WDM）协同作用。这种融合不仅增强了各种天气情况的目标检测和识别能力，包括各种雾气和太阳闪烁的强度，而且还表现出了针对太阳噪声的实质性弹性。此外，我们拥有集成的机器学习技术，包括决策树，极为随机的树（ERT）和随机的森林分类器，以实质上提高了目标识别精度。结果表明：精度为91.51％，高灵敏度（91.47％），特异性（97.17％），F1得分为91.46％。这些指标强调了我们方法在完善其雷达系统方面的功效，这说明了微波光子学中的进步如何彻底改变传统方法和系统。
改进BI-LSTM以获得高精度蛋白序列家族分类器
对于鉴定生物化学过程和活细胞中生物学规范至关重要的主要营养素是蛋白质。蛋白质通常围绕由其家庭类型定义的一个或几个功能。因此，需要识别和分类来根据其结构和家庭分离蛋白质。在这项工作中，我们建立了一个模型来对蛋白质序列的家庭进行分类。我们使用的蛋白质序列数据集由各种生物学意义的大分子组成。分类器是使用BI-LSTM深入学习的。我们通过从结构生物信息学研究合作社的蛋白质数据库中收集数据集，使用令牌化对数据进行预处理，并基于BI-LSTM的深度学习网络对分类器进行建模。由于我们获得了受过训练的模型的最佳准确率，因此我们使用学习曲线，准确率和损失的评估指标来找出模型性能。结果表明，Deep Bi-LSTM具有拟合学习曲线，99％的精度率和0.042损失的出色性能。
量子分类器集合
在当今被称为噪声中型量子 (NISQ) 的时代，在量子设备中编码大量数据具有挑战性，噪声的影响会严重影响所获得结果的质量。执行量子分类算法的一种可行方法是引入一个众所周知的机器学习范式，即集成方法。事实上，集成结合了多个内部分类器，由于用于训练的数据子集较小，这些分类器的特点是紧凑，以实现更准确和稳健的预测性能。通过这种方式，可以减少相对于单个较大分类器的量子比特要求，同时实现相当或改进的性能。在这项工作中，我们提出了一种实现方法和广泛的实证评估，用于二元分类的基于量子实例的分类器集成，目的是深入了解它们的有效性、局限性以及提高基本量子模型性能的潜力。特别是，这里考虑了三种经典的集成方法和三种基于量子实例的分类器。因此，已实施的方案（使用 Python）具有混合性质。结果（在真实数据集上获得）表明，集成技术相对于单个量子分类器具有准确性优势，并且鲁棒性也有所提高。事实上，事实证明，集成不仅可以有效缓解不合适的数据规范化，还可以减少噪声对量子分类器的影响，从而提高其稳定性。
多参数分子分类器可预测对HER2+乳腺癌中没有化学疗法的新辅助Lapatinib加曲妥珠单抗的反应
利益冲突C. Gutierrez报告持有Genetex股票。C. de Angelis报告了Roche，Eli Lilly，Gsk，Novartis，Pfizer，Astrazeneca的个人费用（作为顾问和/或发言局）；和从诺华给该机构的研究赠款。H. Nitta是Roche的雇员。M. Kapadia是Roche的雇员，并报告了Roche Stock。A. Forero-Torres是Seagen的雇员。I. E. Krop报告在Bristol Myers Squibb，Daiichi Sankyo，Macrogenics，Genentech/Roche，Seagen，Seagen，Astrazeneca的顾问委员会上报告；诺华和默克的数据监测委员会；从Genentech/Roche，Pfizer，Macrogenics研究机构的资助。R. Nanda报告在阿斯利康，超越，富士，吉利德，吉利德，无穷大，iteos Therapeutics，Merck，Obi Pharma，Obi Pharma，Oncosec，Oncosec，Seagen，Seagen；以及来自Arvinas，Astrazeneca，Celgene，Corcept Therapeutics，Genentech/Roche，Gilead/Immunomedics，Merck，Obi Pharma，Obi Pharma，Oncosec，Oncosec，pfizer，pfizer，seagen，seagen，seagen，suegen，sun pharma，taiho的研究资金。M. P. Goetz是Erivan K. Haub家庭癌症研究教授，以纪念Richard F. Emslander，M.D。并报告了从研究到实践，临床教育联盟，Medscape的CME活动的个人费用；作为小组成员的个人费用，进行了全面健康会议的小组讨论；担任Curio Science的主持人的个人费用；从Arc Therapeutics，Astrazeneca，Biovica，Biotheranotics，Blueprint药物，Eagle Pharmaceuticals，Lilly，Novartis，Pfizer，Sanofi Genzyme，Sermonix向Mayo诊所咨询费用；以及从辉瑞（Pfizer），讲道者（Sermonix）向梅奥诊所（Mayo Clinic）进行研究资助。J.S.J.S.J. R. Nangia报告报告了Paxman Coolers Ltd. B. Weigelt报告在本研究范围之外重新培养治疗剂的研究资金。Reis-Filho报告收到高盛，贝恩资本，Repare Therapeutics，Paige.ai，Saga Diagnostics和个人的个人/咨询费；科学咨询委员会的成员：VolitionRX，Repare Therapeutics，Paige.ai和personis； Grupo Oncoclinicas董事会成员； Roche Tissue Diagnostics，Daiichi Sankyo，Merck和Astrazeneca的科学咨询委员会的临时成员； Paige.ai中的股票期权；以及在本研究范围之外重新培养治疗剂的库存。A. Prat报告从辉瑞，诺华，罗氏，MSD肿瘤学，莉莉，Daiichi Sankyo，Amgen，Amgen，Guardant Health获得酬金； Amgen，Roche，Novartis，Pfizer，Bristol-Myers Squibb，Boehringer，Puma Biotechnology，Oncolytics Biotech，Daiichi Sankyo，Abbvie，Astrazeneca，Astrazeneca，NanoString Technologies（对机构）咨询; Roche，Novartis，Incyte，Puma Biotechnology向机构进行研究；揭示基因组学的股票和其他所有权权益；在诺华（直系亲属）的工作；专利PCT/EP2016/080056（HER2作为缺乏细胞毒性疗法的双重HER2封锁的反应指标），WO/2018/096191（基于PAM50的化学内分泌评分（CES），基于PAM50的乳腺癌受体，具有阳性激素受体，具有即时的阳性激素受体，具有复发性及其复发剂的阳性风险）和HERS2DXDXDXDXDXDXDXDXDXDX。 Daiichi Sankyo的旅行和住宿费用；以及与Oncolyticts和Pseptomyc S.L.的其他关系C. K. Osborne报告了持有Genetex股票并参与阿斯利康咨询委员会的参与。R. Schiff收到/已从阿斯利康，葛兰素史克，PUMA Biotechnology Inc和Gilead Sciences（向机构）那里获得了研究资金； Eli Lilly的临时咨询委员会成员；过去的咨询/咨询委员会成员；沃尔特·克鲁沃（Wolters Kluwer）/uptodate（通过机构）的特许权使用费。M.辉瑞的研究资金。J. Veeraraghavan，C。Gutierrez，J。S。Reis-Filho，S。G。Hilsenbeck，A。Prat，A。Prat，C。K。Osborne，R。Schiff，R。Schiff，M。F。Rimawi在未决的专利申请中也是＃PCT/US21/70543（由乳房癌症治疗的方法）和预测的方法，并在培训中进行了预测和预测。所有其余的作者都没有宣布利益冲突
自动QML：通过在灰度图像上使用进化算法的稳健量子启发的分类器的自动生成和培训
提出了一种新的混合系统，用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。定义了动态适应性函数，以获得最小的电路复杂性和最高的观点数据精度，从而确保所提出的技术是可以推广且健壮的。同时，它通过惩罚其外观和门数来最大程度地减少生成电路的复杂性。通过使用二维降低方法来减少图像的大小：主成分分析（PCA），该方法在个人内部编码并由系统进行了遗传优化，以及一个小的卷积自动编码器（CAE）。这两种方法相互比较，并采用经典的非线性方法来理解其行为，并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。
wytigger：使用基于机器学习的分类器
染色体是生物体的遗传信息的载体，可以分为两种主要类型：同种异体体和常染色体。同种体，也称为性染色体，在性别决定和调节与性别相关的特征中起着至关重要的作用。尽管多样性相当多，但它们具有标准特征和基因含量和配对系统的差异。了解性染色体对于农业和疾病控制工作至关重要，在这种工作中，利用性别特异性特征的遗传方法表现出希望。但是，识别同种异体，尤其是在非模型生物中，带来了挑战。在这里，我们探索了监督的机器学习模型的使用，包括逻辑回归，随机森林，支持向量机和K-Nearest邻居，将基于全基因组测序数据基于全基因组测序数据的常染色体或同体分类。评估了覆盖，杂合性和GC含量等特征的预测能力。结果强调了特征组合和模型选择以进行准确分类的重要性。
一个单级分类器，用于检测GAN操纵多光谱卫星图像
摘要：当前的图像生成模型已经实现了非常现实的图像质量，提供了许多学术和工业应用。但是，为了确保这些模型用于良性目的，必须开发最终检测图像是否已合成生成的工具。因此，已经开发了几个在计算机视觉应用中表现出色的检测器。但是，这些检测器不能直接应用，因为它们是多光谱卫星图像，因此需要对新模型进行训练。虽然两类分类器通常达到高检测精度，但它们努力将图像域和与训练过程中遇到的形象不同的生成体系结构推广。在本文中，我们提出了一个基于量化量化的变异自动编码器2（VQ-VAE 2）功能的单级分类器，以克服两类分类器的局限性。我们首先要突出二进制分类器所面临的概括问题。通过在多个多光谱数据集中训练和测试有效网络架构来证明这一点。然后，我们说明，基于VQ-VAE 2的分类器，该分类器仅在原始图像上进行了培训，可以检测来自不同领域的图像，并由训练过程中未遇到的体系结构生成。最后，我们在同一生成的数据集上的两个分类器之间进行了面对面的比较，强调了基于VQ-VAE 2的检测器的出色概括能力，在使用vQ-ve-vae 2的探测器时，我们在使用蓝色和红色通道的0.05误报率为1时以1.05的误报率进行了检测。
使用级联分类器技术的Facemask检测
传染病的扩散强调了预防措施的重要性，面罩的使用是减轻空中传播的关键策略。在这种情况下，计算机视觉技术的集成提供了一种技术解决方案，用于监视面罩依从性。本摘要提出了一项研究，该研究重点是实施级联分类器技术，以进行自动面罩检测。这项研究的主要目的是评估级联分类器技术在识别戴着戴面膜或不戴上面罩的个体方面的功效。通过利用机器学习算法和对象检测原则，该研究旨在开发一个可靠，高效的系统，用于实时面罩检测。该研究采用了一个数据集，其中包括各种环境中有或没有面罩的各种环境中的不同图像。利用OPENCV库，对级联分类器技术进行了训练，以识别与口罩相关的独特模式。级联框架执行快速和连续过滤的能力被利用以准确检测面孔并评估面具的存在。该研究的结果证明了喀斯喀特分类器技术的成功实施，以实现面罩检测。训练有素的分类器在区分戴面膜和戴面具的个体时表现出值得称赞的精度，精确性和回忆。该系统展示了其在实时场景中运行的能力，从而有助于对公共空间的有效监视。