XiaoMi-AI文件搜索系统
World File Search System变压器
通过生成变压器学习人类疾病的自然史
大多数患者在寻求治疗时失去了最好的手术机会[3，4]。因此，确定结肠癌的新型诊断和治疗靶标对于增强其诊断和治疗以及改善患者预后至关重要。衰老代表对各种应力信号的细胞反应，可保护细胞免受不必要的伤害。在癌症的背景下，衰老具有双重功能：它通过抑制受损细胞的增殖而充当肿瘤抑制因子，同时通过促进炎症环境来促进癌症。此外，癌细胞也可以表现出衰老反应。这既提出了癌症顺序治疗的挑战和机会，然后利用衰老疗法进行了鼻溶疗法[5]。长的非编码RNA（LNCRNA）是一种超过200个核苷酸的非编码RNA。它通过调节基因表达而在生物学上发挥作用，并且对癌症的发展和进展至关重要[6]。lncRNA在调节结肠癌中的各种过程中发挥了重要作用，包括细胞增殖凋亡和细胞死亡，以及影响细胞周期迁移，能力，艾symal转变（T），癌症干细胞行为以及对结肠癌疗法的耐药性[7]。E2F1反应LncRNA LIMP27与P27 mRNA竞争与细胞质HNRNP0结合，选择性下调P27表达。这种相互作用会导致G0/G1相细胞周期，并促进缺乏p53的结肠腺癌细胞的增殖，肿瘤性和治疗性[8]。研究结肠腺癌中与衰老相关的LincrNA可以增强我们对这种癌症发作和进展的分子机制的理解，同时也为发展新的潜在干预策略铺平了道路。
与变压器的全球和本地功能通信进行3D人姿势估计
最近，时空变压器结构已被广泛应用于3D人类姿势估计的问题，从而实现了最新的性能。这些方法中的许多方法都将单个框架中的单个关节视为令牌，并且在同一框架或相同轨迹的令牌上施加注意力。尽管这种结构可有效地计算单个关节之间的相关性，但它过于限制，因为诸如帧或轨迹之类的全局特征无法很好地传达。在本文中，我们建议Galformer解决此问题。Galformer由局部和全局变压器块组成，前者基于关节令牌，如先前的方法一样，而后者，即全局混合变压器，将所有关节混合在特定框架范围内的所有关节，以实施特征交换的电感偏见。在提出的方法中交替重复这两个变压器块，以计算关节，形状和轨迹之间的相关性。实验表明，与人类36M，MPI-INF-3DHP和HUMANEVA数据集的现有方法相比，我们的方法具有优越或至少具有竞争性能。
Hybridna：一种混合变压器 - 马巴2远程DNA语言模型
变形金刚 - mamba2体系结构，将注意机制的优势与选择性状态空间模型无缝整合。这种杂种设计使杂种能够通过单核苷酸的分辨有效地处理长度高达131KB的DNA序列。Hybridna在从弯曲，GUE和LRB基准中策划的33个DNA了解数据集中实现了最新的性能，并在产生具有所需属性的合成顺式顺式调节元件（CRE）方面表现出了出色的能力。此外，我们表明Hybridna遵守预期的规律，并且随着模型尺度从300m到3B和7B参数，性能始终如一地提高。这些发现强调了Hybridna的多功能性及其推进DNA研究和应用的潜力，为理解和工程“生活语言”的创新铺平了道路。
e 2 CB2Former：CB2受体配体活性预测的效率和可解释的变压器
摘要 - CB2受体配体活性的准确预测是针对该受体的药物发现的关键，这与炎症，疼痛管理和神经退行性疾病有关。尽管传统的机器学习和深度学习技术已经显示出希望，但其有限的解释性仍然是理性药物设计的重要障碍。在这项工作中，我们介绍了CB2Former，该框架将图形卷积网络（GCN）与变压器体系结构相结合以预测CB2受体配体活动。通过利用变压器的自我发项机制以及GCN的结构学习能力，CB2Former不仅增强了预测性能，而且还提供了对受体活性基础分子特征的见解。我们针对各种基线模型进行基准测试，包括随机森林，支持矢量机，最近的邻居，梯度增强，极端梯度增强，多层感知器，卷积神经网络和重复的神经网络，并以0.685的0.685和0.685和0.67的0.67和0.67 and and and and and and and and and and and and and and and and 0.675，并表现出优势。此外，注意力重量分析揭示了影响CB2受体活动的关键分子子结构，强调了该模型作为可解释的AI的潜力。这种指出关键分子基序的能力可以简化虚拟筛选，指导铅优化和加快治疗性发育。总的来说，我们的结果展示了先进的AI方法（例如CB2Former）在提供准确的预测和可操作的分子见解方面的变革潜力，从而促进了药物发现中的跨学科合作和创新。
将图像压缩到视觉变压器的补丁
Vision Transformer（VIT）在计算机视觉领域取得了重大步骤。然而，随着模型的深度和输入图像的重新分配增加，与培训和运行的VIT模型相关的计算成本急剧上升。本文提出了一个基于CNN和Vision Trans-trans-trans的混合模型，称为CI2P-VIT。该模型包含一个称为CI2P的模块，该模块利用Compressai编码来压缩图像，然后通过一系列连接生成一系列贴片。CI2P可以替换VIT模型中的贴片嵌入组件，从而无缝集成到现有的VIT模型中。与VIT-B/16相比，CI2P-VIT具有减少到原始四分之一的自我发项层的斑块输入数量。此设计不仅显着降低了VIT模型的计算成本，而且还通过引入CNN的电感偏置特性有效地提高了模型的准确性。VIT模型的精度显着提高。在Animal-10数据集的地面上接受训练时，CI2P-VIT的准确率为92.37％，比VIT-B/16基线提高了3.3％。此外，该模型的计算操作以每秒浮点操作（FLOPS）测量，减少了63.35％，并且在相同的硬件配置上的训练速度增加了2倍。
dds-e-sim：基于变压器的生成框架，用于模拟DNA数据存储中易用错误的序列
摘要。单倍型组装是重建在母体和父亲遗传的染色体拷贝上等位基因组合的问题。单个单倍型对于我们对不同变体组合如何影响表型的理解至关重要。在这项工作中，我们专注于单个二倍体基因组的基于读取的单倍型组件，该组件直接从变体基因座的读取对齐中重建了两种单倍型。我们介绍了Ralphi，这是一种新颖的深入强化学习框架单倍型组装的框架，该框架将深度学习的代表力与强化学习的代表力整合在一起，以准确地将片段读取其各自的单倍型集。为了为增强学习设定奖励目标，我们的方法将问题的经典减少到片段图上的最大片段切割公式中，其中节点与读取和边缘权重相对应捕获共享变体站点上读取的冲突或一致。我们在1000个基因组项目中衍生自基因组的片段图拓扑数据集上训练了Ralphi。我们表明，在标准人类基因组基准中，在短和长的范围内，Ralphi始终以在明显和长的覆盖范围下以相当或更长的单倍型块长度在最新的读取状态下达到较低的错误率。Ralphi可从https://github.com/popiclab/ralphi获得。
带有解剖学先验的引导变压器
摘要。肌肉体积是运动中有用的定量生物标志物，也是对退行性肌肉疾病的随访。除了体积外，还可以通过从医学图像中分割感兴趣的肌肉来提取其他形状的生物标志物。手动细分仍然是当今此类测量的黄金标准，尽管非常耗时。我们提出了一种在3D磁共振图像上自动分割18个下肢肌肉的方法，以进行这种形态计量分析。从本质上讲，当MR图像中观察到不同肌肉的组织是无法区分的。因此，肌肉分割算法不能依靠外观，而只能依靠参观提示。然而，这种轮廓很难检测到，它们的厚度在受试者之间也有所不同。为了应对上述挑战，我们提出了一种基于混合体系结构的分割方法，结合了汇总和视觉变压器块。我们首次在肌肉分割的背景下首次研究这种混合体系结构的行为以进行形状分析。考虑到一致的解剖肌肉构型，我们依靠变压器块来捕获肌肉之间的长距离关系。为了进一步利用解剖学先验，这项工作的第二个贡献包括基于根据训练数据估算出的合理肌肉邻居的邻接矩阵增加了规则损失。我们对
AI在URI 2.0突发学习音频谱图变压器转移入学快速事实2025–2026
环境与生命科学学院动物科学与技术水产养殖和渔业科学生物学生物学生物学生物技术细胞和分子生物学环境和自然资源经济学环境科学环境科学和管理地质和地质海洋学景观建筑*海洋生物学生物学生物学医学实验室科学*分子神经科学范围内部和食品范围内的农业和食品>食品>食品农业和食品>食品>食品>食品。环境与生命科学学院动物科学与技术水产养殖和渔业科学生物学生物学生物学生物技术细胞和分子生物学环境和自然资源经济学环境科学环境科学和管理地质和地质海洋学景观建筑*海洋生物学生物学生物学医学实验室科学*分子神经科学范围内部和食品范围内的农业和食品>食品>食品农业和食品>食品>食品>食品。
从数据到基层倡议：利用基于变压器的模型来检测社交媒体中的绿色实践
绿色实践是支持人与环境之间可持续关系的日常活动。在社交媒体中进行这些实践有助于跟踪其流行率并制定建议以促进环保行动。 本研究比较了机器学习方法，以识别绿色废物实践的方法为多标签文本分类任务。 我们涉及基于变压器的模型，该模型目前在各种文本分类任务中实现了最新的操作。 与仅编码模型一起，我们评估了编码器编码器和仅解码器的架构，包括基于指令的大语言模型。 由俄罗斯社交媒体文本组成的GreenRu数据集的经验显示了Mbart Encoder-Decoder模型的流行。 这项研究的发现有助于发展自然语言处理工具用于生态和环境研究，以及其他领域中多标签文本分类方法的更广泛发展。进行这些实践有助于跟踪其流行率并制定建议以促进环保行动。本研究比较了机器学习方法，以识别绿色废物实践的方法为多标签文本分类任务。我们涉及基于变压器的模型，该模型目前在各种文本分类任务中实现了最新的操作。与仅编码模型一起，我们评估了编码器编码器和仅解码器的架构，包括基于指令的大语言模型。由俄罗斯社交媒体文本组成的GreenRu数据集的经验显示了Mbart Encoder-Decoder模型的流行。这项研究的发现有助于发展自然语言处理工具用于生态和环境研究，以及其他领域中多标签文本分类方法的更广泛发展。
使用视觉和语言变压器模型的视频摘要
工具。最初，通过使用OpenCV从监视视频中提取帧进行数据预处理。动态调整框架提取的间隔，以平衡细节水平与处理时间。然后使用Davit Vision Transformer处理每个提取的框架，以生成有意义的文本注释，描述素材的关键元素。使用BART模型将注释进一步凝结成简洁而相干的叙述摘要。整个管道都集成到基于交互式的级应用程序中，使用户可以上传视频，查看注释并查看摘要。通过测量注释准确性，摘要连贯性和用户满意度来评估系统的表现。