XiaoMi-AI文件搜索系统
World File Search System变长
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示Marvin I.de los santos logia.co，马尼拉大都会，菲律宾Midelossantos1215@gmail.com摘要，在机器学习过程中准确编码和表示遗传序列的能力对于生物技术的进步至关重要，这对于生物技术的进步至关重要，特别是基因工程和合成生物学。传统的序列编码方法在处理序列变异性，保持阅读框架完整性并保留生物学相关的特征中面临着显着的限制。这项初步研究介绍了TIPS-VF（可变长度片段的翻译器互动预种植者），这是一个简单有效的编码框架，旨在解决代表机器学习遗传序列的一些关键挑战。结果表明，TIPS-VF启用了可变的长度序列表示，该表示可以保留生物学环境，同时确保编码与密码子边界的对齐，从而特别适合模块化遗传结构。TIPS-VF在截断和碎片分析，序列同源性检测，域评估和剪接连接识别方面表现出卓越的性能。与需要固定长度输入的常规方法不同，TIPS-VF动态适应序列长度变化，保留基本特征，例如域相似性和序列基序。此外，TIPS-VF通过将序列嵌入与三个可能的开放式阅读框架统一，改善了开放的阅读框架识别并增强了向量零件和质粒元素的识别。总的来说，TIPS-VF提供了一个强大的，生物学上有意义的编码框架，通过结合序列，长度和位置意识来克服传统序列表示的约束。TIPS-VF编码基础架构可在https://tips.logiacommunications.com上找到。利益冲突：作者宣布没有利益冲突资金资金信息：无
phanaki：可变长度视频生成
我们提出了一个能够实现现实视频综合的模型，给定一系列文本提示。由于计算成本，数量有限的高质量文本视频数据和视频长度的变化，因此从文本中生成视频尤其具有挑战性。为了解决这些问题，我们介绍了一种新的模型，以学习视频表示，该模型将视频压缩为一小部分离散令牌。这个令牌仪会及时使用因果关注，这使其可以与可变长度视频一起使用。为了从文本生成视频令牌，我们使用的是在预先计算的文本令牌上进行的双向蒙版变压器。随后对生成的视频令牌进行了解密以创建实际的视频。为了解决数据问题，我们演示了大量图像文本对的联合培训以及少量的视频文本示例如何导致概括超出视频数据集中的可用内容。与以前的视频生成方法相比，Phanaki可以生成以一系列提示为条件的任意长视频（即时间变量文本或故事）在开放域中。据我们所知，这是第一次研究从开放域时间变量提示中生成视频的论文。此外，与每个框架基线相结合，所提出的视频编码器计算每个视频的代币较少，但会导致更好的时空一致性。
研究论文解码大脑系统：针对可变长度脑电图数据的动态自适应卷积群体投票方法
大脑是一个复杂而动态的系统，由相互作用的集合及其时间演化组成。脑电图 (EEG) 记录的大脑活动在学习研究和应用领域中对解读人类的认知过程起着至关重要的作用。在现实世界中，人们对刺激的反应不同，并且大脑活动的持续时间因人而异。因此，实验中收集的试验中 EEG 记录的长度是可变的。然而，当前的方法要么固定每次试验的 EEG 记录长度，这会丢失隐藏在数据中的信息，要么使用滑动窗口，这会在切片的重叠部分消耗大量计算量。在本文中，我们提出了 TOO（仅遍历一次），一种处理可变长度 EEG 试验数据的新方法。TOO 是一种卷积仲裁投票方法，它通过卷积实现滑动窗口并用 1×1 卷积层替换全连接层来打破模型的固定结构。 1×1 卷积层生成的每个输出单元对应于滑动时间窗口创建的每个切片，这反映了认知状态的变化。Ten，TOO 对输出单元采用群体投票，并确定代表整个单次试验的认知状态。我们的方法为不同长度的试验提供了一个自适应模型，只需遍历每个试验的 EEG 数据一次即可识别认知状态。我们设计并实施了一个认知实验并获取了 EEG 数据。利用从该实验收集的数据，我们进行了评估，将 TOO 与最先进的滑动窗口端到端方法进行比较。结果表明，TOO 在试验级别获得了良好的准确率（83.58%），而计算量却低得多（11.16%）。它还可能用于其他应用领域的变量信号处理。