XiaoMi-AI文件搜索系统
World File Search System单词
Deep-STP：一种基于深度学习的方法，用于通过使用单词嵌入
蛇毒含有许多有毒蛋白，可破坏循环系统或神经猎物的神经系统。研究发现，这些蛇毒蛋白具有治疗心血管和神经系统疾病的潜力。因此，蛇毒蛋白的研究有利于相关药物的开发。基于传统生物化学的研究技术可以准确地识别这些蛋白质，但是实验成本很高，时间很长。人工智能技术从计算的角度从大规模筛选蛇毒蛋白提供了一种新的手段和策略。在本文中，我们开发了一种基于序列的计算方法来识别蛇毒素蛋白。特别是，我们利用了三个不同的特征描述符，即G-GAP，天然矢量和Word 2载体，编码蛇毒素蛋白序列。方差分析（ANOVA），梯度提高决策树算法（GBDT）与增量特征选择（IFS）相结合（IFS）来优化特征，然后将优化的特征输入了用于模型训练的深度学习模型中。结果表明，我们的模型可以在10倍的交叉验证中以82.00％的精度实现预测性能。该模型在独立数据上得到了进一步验证，精度率达到81.14％，这表明我们的模型具有出色的预测性能和鲁棒性。
附录B：单词研究，阅读和拼写的letrs范围和序列
Louisa C. Moats和Carol A. Tolman此图表基于阅读和拼写课程的习惯位置。该场中没有一个接受的范围和序列。阅读和拼写的年级水平近似，并且根据学生的成就水平会有所不同。进展旨在逐渐从简单到更复杂的语言结构移动。
生成模型中的单词关联有多像人类？斯洛文尼亚的实验
抽象的大语言模型（LLMS）在广泛的认知任务中表现出非凡的表现，但是它们重现人类语义相似性判断的能力仍然存在争议。我们报告了一个实验，其中我们将两个LLM用于Slovene，单语插槽5和多语言MT5以及MT5用于英语，以产生单词关联。这些模型是对在单词项目中创建的人词协会规范进行微调的，该规范最近开始收集Slovene的数据。由于我们的目的是探索人类和模型生成的输出之间的差异，因此对模型参数进行最小调整以适合关联任务。我们使用一组方法来测量重叠和排名进行自动评估，此外，将人类和模型生成的响应的子集手动分为四个类别（含义 - 基于位置和表单，基于位置和形式，并且不稳定）。的结果表明，人机重叠非常小，但是模型产生的关联类别分布与人类类似。
netdi：阐明基于单词生产的动力和动态大脑网络的作用
手稿标题第1页。手稿标题（最大50个单词）：Netdi：阐明基于单词生产的动力和动态大脑网络的作用2.缩写标题（最大50个字符）：功率的作用，网络特征在单词生产中3。作者的姓名和隶属关系按顺序出现在已发表的文章中：（1）Sudha Yellapantula [A]（2）Kiefer Forseth [B]（3）Nitin Tandon [B]（4）Behnaam Aazhang [A]健康，德克萨斯州休斯顿，77005，美国4。作者贡献：SY，NT，BA设计研究； SY进行了研究； SY，BA贡献了分析工具； SY，KF分析数据； SY，KF，NT，BA撰写了论文。5。信件应解决（包括电子邮件地址）：sudha yellapantula（sudha@rice.edu）
利用脑电信号进行语音回忆中的单词识别
㉳⬻Ἴ䛿Ⓨヰ⬻Ἴ䛸䛿␗䛺䜚䠈ṇ☜䛺㉳้䛜 ᫂░䛷䛒䜛䛸䛔䛖ၥ㢟䛜䛒䜛䠊䛭䛣䛷䠈ᅗ 2 䛾㘓䝥䝻䝖䝁䝹䛻䛚 䛔䛶䠈⿕㦂⪅䛿⣧㡢䛜㬆䜚⤊䜟䛳䛯┤ᚋ䛻㉳䜢㛤ጞ䛧䛶䛔䜛 䛸௬ᐃ䛧䠈 1 ༢ㄒ䛾㉳㛫䜢 400ms 䛸⪃䛘䠈 0-400ms( ⣧㡢┤ ᚋ :0ms) 䜢ゎᯒ༊㛫䛸䛩䜛䠊 3.2 ⠇䛷ㄝ᫂䛧䛯 6 䛴䛾≉ᚩ㔞䛩䜉 䛶䜢⏝䛔䛯䛯䜑䠈ධຊḟඖᩘ䛿䠈 ( ⥺䝇䝨䜽䝖䝹௨እ䛾 5 䛴䛾≉ ᚩ㔞㽢 21ch 䠇⥺䝇䝨䜽䝖䝹 25 ḟඖ ) 㽢 2( ᖹᆒ䛸ᶆ‽೫ᕪ ) 䛾 260 ḟඖ䛷䛒䜛䠊 10 ྡ䛾⿕㦂⪅䛾ᖹᆒṇゎ⋡䜢ᅗ 6 䛾䛂 0- 400ms ༊㛫䛃䛻♧䛩䠊ᅗ 6 䜘䜚䠈ṇゎ⋡䛿 20% 䜋䛹䛷䛒䜚䠈ㄆ㆑ 䛷䛝䛶䛔䛺䛔䛣䛸䛜䜟䛛䜛䠊 ṇゎ⋡䛜ప䛔ཎᅉ䛾୍䛴䛸䛧䛶䠈ṇ☜䛺㉳༊㛫䛜≉ᐃ䛷 䛝䛶䛔䛺䛔Ⅼ䛜ᣲ䛢䜙䜛䠊䛭䛣䛷䠈㉳⬻Ἴ䛸ྠ䛨䝥䝻䝖䝁䝹 䛷㘓䛧䛯Ⓨヰ⬻Ἴ䛻╔┠䛧䛯䠊ྠ䛨䝥䝻䝖䝁䝹䛷㘓䛧䛶 䛔䜛䛣䛸䛛䜙䠈Ⓨヰ䛸㉳䛾㛤ጞ้䜔⥅⥆㛫䛿ᴫ䛽୍⮴䛩 䜛䛸௬ᐃ䛧䛯䠊䛭䛧䛶Ⓨヰ㛫䜢䜒䛸䛻ゎᯒ༊㛫䜢Ỵᐃ䛩䜜䜀䠈 ㉳༊㛫䛷䛾ㄆ㆑ᐇ㦂䛜⾜䛺䛘䜛䛿䛪䛷䛒䜛䠊௨ୖ䛾䛣䛸䛛䜙䠈 Ⓨヰ⬻Ἴ䜢㘓䛧䛯㝿䛻㘓㡢䛧䛯㡢ኌ䝕䞊䝍䛛䜙ྛ⿕㦂⪅ 䛾ᩘᏐ䛤䛸䛾Ⓨヰ㛫䜢⟬ฟ䛩䜛䠊 ⿕㦂⪅䛤䛸䛾Ⓨヰ㛤ጞ㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛹䛾⿕㦂⪅ 䜒 250ms ௨㝆䛻Ⓨヰ䜢㛤ጞ䛧䛶䛚䜚䠈⣧㡢䛾㬆䜚⤊䜟䜚┤ᚋ䛻 Ⓨヰ䜢㛤ጞ䛧䛶䛔䜛⿕㦂⪅䛿䛔䛺䛛䛳䛯䠊䜎䛯䠈⿕㦂⪅䛻䜘䛳 䛶㛤ጞ㛫䛿␗䛺䛳䛶䛔䛯䠊䛥䜙䛻䠈ྠ䛨ᩘᏐ䛻䛚䛡䜛⿕㦂⪅ 䛤䛸䛾Ⓨヰ⥅⥆㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛣䛱䜙䜒⿕㦂⪅䛻䜘䛳 䛶␗䛺䜛䛣䛸䛜䜟䛛䛳䛯䠊䛣䛾⤖ᯝ䛛䜙䠈ゎᯒ༊㛫䛸䛧䛶䛔䛯 0- 400ms 䛿ᐇ㝿䛾㉳༊㛫䛸䛝䛟␗䛺䛳䛶䛔䜛ྍ⬟ᛶ䛜㧗䛔䠊 䜘䛳䛶䠈㉳䛾ゎᯒ༊㛫䜢ྛ⿕㦂⪅䛾༢ㄒ䛤䛸䛾Ⓨヰ㛤ጞ 㛫䛸⤊㛫䜢䜒䛸䛻ኚ᭦䛧䠈ᨵ䜑䛶㡢ኌ㉳༢ㄒㄆ㆑ᐇ㦂 䜢⾜䛖䠊
组合单词所产生的含义在太空中可以稳健地定位，但不及时
研究人类智力的核心组成部分 - 我们结合单词含义的能力 - 神经科学家寻找含义构成的神经相关性，例如与理解句子的难度成正比的大脑活动。但是，对大脑中的含义成分的产物知之甚少，这是单词超出其个人含义的综合含义。我们将该产品称为“ supra-word含义”，并通过使用最新的神经网络算法和一种新技术来设计其计算表示形式，从而将组成的新技术与个人字含义分开。使用功能性磁共振成像，我们发现在双侧前和后颞叶中处理上词的含义。令人惊讶的是，我们无法检测到磁脑摄影中的上文含义。这些结果表明，组成的含义是通过不包括同步细胞填充的不同神经机制来维持的。敏感性的这种差异对过去神经影像学和未来的神经影像学研究具有影响。
最大化非单词酮子模型和线性函数的总和：了解无约束的情况
是出于实际应用的动机，最近的作品考虑了子模函数g和线性函数的总和的最大化。迄今为止，几乎所有此类工作仅研究了此问题的特殊情况，其中G也保证为单调。因此，在本文中，我们系统地研究了该问题的最简单版本，其中允许g是非单调的，即无约束的变体，我们将其称为正则不受约束的非约束下义最大化（正则化usizusm）。我们的主要算法结果是通用正则化usem的首个非平凡保证。对于线性函数ℓ是非阳性的正则uSM的特殊情况，我们证明了两个不Xibibibity的结果，表明先前的作品对这种情况暗示的算法结果远非最佳。最后，我们重新分析了已知的双重贪婪算法，以获得改进的正则化usemized use的特殊情况的保证，其中线性函数是非负的；我们通过表明无法获得（1 / 2，1）对这种情况的APPROXIMATION（尽管有直觉的论点表明这种近似保证是自然的）来补充这些保证。
使用卷积和复发性神经网络静音EEG语音识别，其精度为85％，为9个单词分类
1个实验ML系统细分，Sberdevices Department，PJSC Sberbank，121165俄罗斯莫斯科； dvvorontsova@sberbank.ru（d.v.）; aizubov@sberbank.ru（a.z.）; bernalis@yandex.ru（P.R.）; ensezvereva@sberbank.ru（E.Z.）; le tlipman@sberbank.ru（l.f.）; ablanikin@sberbank.ru（A.L.）; aalekokolova@sberbank.ru（A.S。）; Markov.s.s@sberbank.ru（S.M.）2俄罗斯莫斯科的国家电子技术大学（MIET）国家研究大学（MIET）软件工程系3莫斯科州立大学的力学和数学学院，GSP-1，1 Leninskiye-Gory，Main Building，119991莫斯科，俄罗斯，俄罗斯，俄罗斯； Moscow物理与技术研究所（MIPT），141700 Dolgodudny，俄罗斯5信息技术与计算机科学系141700年，莫斯科物理与技术研究所（MIPT）控制与应用数学系4 4 4. Ostrovityanova Street联邦医学生物机构的神经技术”，第1页。 10，117997俄罗斯莫斯科； rensorlov@icloud.com 7俄罗斯血管内神经协会（RENS），俄罗斯莫斯科107078 *通信：bernadotte.alexandra@intsys.msu.ru†主要贡献。2俄罗斯莫斯科的国家电子技术大学（MIET）国家研究大学（MIET）软件工程系3莫斯科州立大学的力学和数学学院，GSP-1，1 Leninskiye-Gory，Main Building，119991莫斯科，俄罗斯，俄罗斯，俄罗斯； Moscow物理与技术研究所（MIPT），141700 Dolgodudny，俄罗斯5信息技术与计算机科学系141700年，莫斯科物理与技术研究所（MIPT）控制与应用数学系4 4 4. Ostrovityanova Street联邦医学生物机构的神经技术”，第1页。 10，117997俄罗斯莫斯科； rensorlov@icloud.com 7俄罗斯血管内神经协会（RENS），俄罗斯莫斯科107078 *通信：bernadotte.alexandra@intsys.msu.ru†主要贡献。