XiaoMi-AI文件搜索系统
World File Search System分类的
材料分类的光谱地下散射
在众多科学学科的挑战期间，识别物体或场景的物质组成一直是一种构成。一种方法，植根于牛顿，弗劳恩霍夫（Fraunhofer）和其他许多方法的早期作品，它利用了从物体反射的光中的光谱变化。由于材料通常具有不同的光谱吸收曲线，因此反射率的光谱分析在检查具有各种尺度的材料方面已经与众不同：诸如粉末[28,47]和食品[29,44]，地理材料分布[9,19,22]，以及Celestial对象的组成[18,18,336]。在场景中的光线运输远远超出了反射。当对象被照亮时，它不仅反射出照明点，而且经常穿透表面。这种现象称为“地下散射”，对于我们感知到它们的出现至关重要，并且在许多应用中引起了广泛关注，包括光传输建模[45]，逆光传输[5]，场景分析[30]和材料分类[6,26,38,40,40,40,41]。值得注意的是，地下散射也受到入射光波长的显着影响。光谱特征和地下散射之间的这种强大协同作用为增强材料分类提供了独特的机会。也许，了解具有地下散射光传输的最有用的物理测量是光谱双向散射频率分布函数（BSSRDF）[45]。因此，测量
德国树种分类的Sentinel-2机器学习数据集
non n -t ree t h t h s s s t tr s s s t e b i noái a i c e r r r r r r r r r r r r r r r r r r r r r r r o s i s n i c y c y c y c y c y c y c y c y c y c y c y c y c y r en p s b e s b m s al n n n n n n am fra t rx i rx cid cid to abi abi abie s szie s s s i b eet tha b eet tha b e r ndu r ndu l ndu l ndu ns y lves t ris
用于流动性分类的机器学习及其在投资组合选择中的应用
投资者，尤其是规避风险的投资者，在经济不确定性期间寻求流动资产（Amihud等人，2015年；刘，2015年）。因此，通过使投资者能够避免投资者避免在低迷期间难以销售的投资者，这使股票流动性分类成为投资组合优化和管理风险的关键工具。但是，流动性是一个复杂而多方面的概念，受到公司声誉，行业规模和管理专业知识等各种因素的影响。准确地用单个指标捕获它是高度挑战的。因此，如Tavana等人。（2018）建议，“流动性”一词可能同时包含多个维度，尤其是在与市场流动性风险或全身流动性风险相关联时。表1显示，2019年，巴西交易股份的33.1％的每日交易量低于100万雷亚尔（200,000美元），表明流动性较低。这使得它们对养老基金，投资银行和经纪公司等机构侵入量的吸引力降低了，这是由于潜在的购买和销售困难。是拉丁美洲和世界上最大的最大股票市场（Haqqi，2020），B3提供了许多量身定制的指数。例如，IBOVESPA是巴西市场的基准，而IBRX 100
多标签ECG分类的多分辨率共同学习网络
摘要 - 记录心脏的电子生理活性的摘要 - 心理图（ECG）已成为诊断这些疾病的关键工具。近年来，深度学习技术的应用显着提高了ECG信号分类的实现。多分辨率特征分析在不同时间尺度上捕获和过程信息可以提取ECG信号的微妙变化和整体趋势，显示出独特的优势。但是，基于简单特征添加或串联的常见多分辨率分析方法可能导致忽视低分辨率特征，从而影响模型性能。为了解决这个问题，本文提出了多分辨率的共同学习网络（MRM-Net）。MRM-NET包括双分辨率注意结构和特征互补机制。双分辨率的体系结构过程并联高分辨率和低分辨率特征。通过注意机制，高分辨率和低分辨率分支可以集中于微妙的波形变化和整体节奏模式，从而增强了捕获ECG信号中关键特征的能力。同时，特征互补机制在特征提取器的每一层之后引入了相互特征学习。这允许在不同的分辨率方面的功能相互加强，从而减少信息丢失并提高模型性能和鲁棒性。在PTB-XL和CPSC2018数据集上进行的实验表明，MRM-NET在多标签ECG分类性能中的现有方法显着优于现有方法。我们的框架代码将在https://github.com/wxhdf/mrm上公开获取。索引术语 - ECG分类，多分辨率，注意机制，相互学习
对非编码RNA分类的深度学习方法的比较和基准
我们检验了以下假设：从机器人技术（Active Interonnect（AICON））中的算法MIC信息处理模式可以用作实现人类视力的有用表示。我们为两种视觉幻觉创建了基于AICON的计算模型：形状粘合颜色的后代和通过运动沉默。模型再现了人类中看到的效果，并产生了我们通过人类心理物理实验验证的新颖预测。模型预测与实验结果之间的不一致是通过迭代模型调整解决的。对于形状粘合颜色的后效应，该模型预测和例外证实了对概述形状操作的后效应较弱，并且在感知后的后效应中的个体差异。为了通过运动，该模型预测和实验验证了意外趋势以及个体差异。我们的发现表明了AICON捕获人类视觉信息处理相关方面的能力，包括个人的变异性。它突出了合成学科和生物学科之间新型合作的潜力。关键字：计算建模，vi-sual智能，跨学科，概念，视觉错觉
用于分类的机器学习方法
电磁诱导（EMI）方法通常用于对未爆炸的军械（UXO）进行分类。用于分类的现代时间域系统是多组分，并在多个时间渠道中获取许多发射器收络对。传统上，分类是使用基于物理的反转方法完成的，在该方法中，从EMI数据估算了极化曲线。然后将这些曲线与库中的曲线进行比较，以根据某些误解来寻找匹配。在这项工作中，我们开发了一个直接从EMI数据中分类UXO的卷积神经网络（CNN）。类似于图像分割问题，我们的CNN输出了一个保留输入空间维度的分类图。我们使用使用偶极模型生成的合成数据来训练CNN，以考虑相关的UXO和混乱对象。我们使用两步工作流。首先，我们训练CNN以检测字段数据中的金属对象。从此，我们提取仅包含背景信号的数据贴片，并使用它们来生成一个新的训练数据集，并将此背景噪声添加到我们的合成数据中。第二个CNN经过这些数据训练以执行分类。我们使用Sequim Bay海洋测试地点中使用Ultratema-4系统获取的领域数据测试我们的方法。
多模式医学图像分类的分裂学习
摘要 - 在过去的几十年中，机器学习（ML）在医学图像分类中取得了重大进展。成功可以归因于两个因素：（i）诊所/医院收集和处理的独特患者数据以及（ii）解决基本分类任务的相应ML模型。实际上，患者数据可能包含患者人口统计学特有的敏感信息；和ML模型通常需要更高的计算资源，而不是单个医院的负担能力。考虑实际问题，我们探索了一种协作ML方法，其中称为客户的数据提供商旨在利用服务器的计算资源共同培训一个统一的ML模型，而无需共享任何原始数据。特别是，我们使用包含多模式图像输入和多标签地面真实的现实世界数据集专注于皮肤病变分类问题。为了启用协作性但具有隐私性的皮肤病变障碍，我们基于U形拆分学习，开发了一个名为SplitFusionNet的学习框架。SplitFusionNet的关键思想是将ML模型分为深神经网络层的（客户端，服务器）分区：客户端层处理多模态输入数据和多标签，而服务器层执行计算广泛的中层计算。此外，我们应用无损压缩和减压来提高客户端和服务器之间的通信成本。在实验上，与非分类集中式培训相比，SplitFusionNet需要更少的训练管道时间，同时实现相等的预测性能。索引术语 - 分类学习，多模式分类，多标签分类，隐私的机器学习
建筑材料分类的数据管理视角：系统评价
材料信息（例如属性和指标）对于建筑性能评估至关重要。应用程序之间的互操作性以及与建筑、材料、能源消耗、环境性能等相关的数据的协调已在研究中得到广泛讨论。建筑信息模型 (BIM) 使工具之间的数据交换更加透明和准确。语义数据建模和 Web 技术对建筑和材料建模领域产生了重大影响，因为它们允许基于其正式的语义表示链接数据结构。然而，材料建模、数据建模和建筑模拟之间缺少一个环节，可靠且可扩展的材料信息经常被忽视。本研究介绍了建筑材料数据、属性定义和分类的数据管理视角。本文对 BIM、材料信息建模、材料数据库的交叉点以及现有建筑性能模拟工具各自的材料数据交换能力进行了广泛的系统回顾。最后，本文提出了一种依赖于建筑和材料领域的概念和标准的材料分类和映射机制。研究结果表明：(i) 各种模拟软件的分类法不一致；(ii) 材料信息的聚合不一致；(iii) 材料信息的高聚合水平和低聚合水平之间缺少联系。所提出的材料分类和映射方案旨在协调来自多个来源的材料信息定义，并帮助以准确和可扩展的方式访问和检索此类信息。因此，该研究有助于更深入地了解如何定义和建模材料属性数据，以实现更准确、更高效的材料数据交换和性能评估。
糖尿病分类的新范式
sglt2is直接靶向SGLT2，这是一种负责吸收肾脏近端综合小管中过滤葡萄糖的蛋白质。抑制SGLT2导致葡萄糖尿，与安慰剂相比，HBA1C水平降低了0.6％至0.9％，禁食葡萄糖降至1.1 mmol/L至1.9 mmol/L。SGLT2也与体重减轻和降低血压有关[24]。此外，它们对心血管死亡，心力衰竭和慢性肾脏疾病的进展有积极影响[25]。几项研究表明，用SGLT2处理可以提高β细胞对葡萄糖的敏感性。例如[26]，报告仅48小时SGLT2后，β细胞葡萄糖敏感性增加了25％，这是治疗或二甲双胍的T2D患者的治疗。另外，SGLT2是可以通过降低血浆葡萄糖水平和体重来增强胰岛素敏感性[24]。
脑膜瘤：2021 年 WHO 中枢神经系统肿瘤和影像分类的分子更新
脑膜瘤是最常见的原发性颅内肿瘤，占原发性中枢神经系统肿瘤的三分之一以上。虽然传统上认为脑膜瘤是良性的，但脑膜瘤可能与相当大的发病率有关，并且特定的脑膜瘤亚群表现出更具侵袭性的行为和更高的复发率。复发的风险分层主要与世界卫生组织 (WHO) 的组织病理学等级和切除范围有关。然而，越来越多的文献强调了分子特征在评估复发风险中的价值。在保留先前分类系统的同时，2021 年 WHO 中枢神经系统肿瘤 (CNS5) 书籍第 5 版扩展了脑膜瘤的分子信息，以帮助指导管理。根据组织病理学标准和分子特征，WHO CNS5 将脑膜瘤分为三个等级 (1-3)。pTERT 突变和 CDKN2A/B 缺失现在表示 3 级脑膜瘤复发风险增加。肿瘤位置也与潜在突变相关。凸面脑膜瘤和大多数脊柱脑膜瘤携带 22q 缺失和/或 NF2 突变，而颅底脑膜瘤携带 AKT1、TRAF7、SMO 和/或 PIK3CA 突变。MRI 是诊断和制定脑膜瘤治疗计划的主要成像方式，而 DOTATATE-PET 成像可提供除解剖成像之外的补充信息。在此，我们回顾了脑膜瘤不断发展的分子图景，强调了成像/遗传生物标志物以及与神经放射科医生相关的治疗策略。