XiaoMi-AI文件搜索系统
World File Search System可区分的
端到端的深度学习，具有基因预测的HMM
动机：超过25年，基于学习的真核基因预测因子是由隐藏的马尔可夫模型（HMM）驱动的，这些模型（HMMS）直接输入了DNA序列。最近，Holst等。与他们的程序直升机一起证明，可以通过将深度学习层与单独的HMM后处理器相结合，可以改善Ab Insi算真核基因预测的准确性。结果：我们提出了Tiberius，这是一种新型的基于深度学习的Ab Initio基因预测因子，端到端将卷积和长期的短期记忆层与可区分的HMM层整合在一起。Tiberius使用自定义基因预测损失，并接受了哺乳动物基因组预测的培训，并对人类和两个基因组进行了评估。它显着胜过现有的从头算法，在人类基因组的基因水平下达到62％的F1分数，而下一个最佳AB始于方法的F1得分为21％。在从头模式下，提比略（Tiberius）预测了三个人类基因中两个的外显子内结构，而没有误差。非常明显，即使是Tiberius的Ab从头算精度也匹配Braker3的原始精度，Braker3使用RNA-Seq数据和蛋白质数据库。Tiberius高度平行的模型是最新的基因预测方法，在2小时内处理人类基因组。可用性和实施：https：//github.com/gaius-augustus/tiberius contact：{lars.gabriel，mario.stanke}@uni-greifswald.de
基于大脑的身份验证
在本研究中，我们报告了一项现场测试，我们询问是否有可能提供可扩展的、商业级的基于大脑的身份验证解决方案，而目前可用的头戴式设备都是如此。2020 年秋季，居住在美国各地的 62 名参与者在一周内完成了四 (4) 次在家会议。每次会议中有六 (6) 次身份验证事件，包括快速呈现图像 (10Hz)，参与者观看 10 秒钟，同时用现成的脑信号测量头带记录他们的脑信号。脑信号的非平稳性质，以及信号来自大脑中数百个对环境作出反应的同时发生的过程的叠加这一事实，使得数据在时间上独一无二、不可重复且不可预测。即使参与者观看相同的刺激，我们也发现没有两个时间段是相同的（图 4B），而且，没有两个时间段的组合是相同的。我们发现，不同会话中人与人之间（参与者内）的差异非常显著，但稳定的过程似乎是信号复杂性和非平稳性的基础。我们展示了一种简化的基于大脑的身份验证系统，该系统可以捕获参与者在家中可区分的信息，具有可靠的商业级性能。我们得出结论，非侵入式测量的脑信号是生物识别身份验证的理想选择，尤其是对于耳机和 AR/VR 设备等头戴式设备而言。
Porgy 策略语言：用户手册
Porgy 是一种基于端口图重写的可视化交互式建模工具。在 Porgy 中，系统状态由端口图表示，系统的动态演化通过端口图重写规则定义。策略表达式用于控制规则的应用，更准确地说，策略表达式既指示重写推导中每一步要应用的规则，也指示应用规则的图中位置（后者通过聚焦构造完成）。一些策略构造受到术语重写语言的强烈启发，例如 Elan Borovansk´y 等人（1998 年）、Stratego Visser（2001 年）和 Tom Balland 等人（2007 年）。术语重写语言中不存在聚焦运算符（尽管它们依赖于隐式遍历策略）。通过目标图中和定位端口图重写规则中可区分的位置和禁用子图来直接管理策略表达式中的位置是该语言的原始特征，并使用定位构造进行管理。本文档描述了策略表达式的具体语法，解释了如何使用不同类型的构造，并提供了示例。完整的形式语法在 Fern'andez 等人 (2019) 中进行了描述。有关 Porgy 的更多信息，我们请读者参阅 Pinaud 等人 (2012)（交互功能）、Fern'andez 等人 (2019)（语言的初步版本）、Fernandez 等人 (2018)（社交网络示例）和 Varga (2018)（规则应用条件）。
siyuan luo
人工智能与机器人技术中心（CAIR）香港科学与创新研究所（医学模拟集团）香港，中国研究助理7月。2024 - 2024年11月，可区分的模拟控制和触觉模拟循环集成Hoyoverse（模拟和高性能小组）上海，中国计算机图形研究工程师7月。2023 - 3月。2024 GPU友好的实时大型布料和发型，虚幻发动机开发，实时空间音频Ø设计代码库，用于高性能布和发型gpu求解器，使用高级CUDA功能和cudagraph。Ø将我们的求解器与虚幻的引擎相结合，并为虚拟角色“ Lumi”建立数字人类项目。Ø优化用于CPU并行化布模拟管道的虚幻混乱系统。Ø开发新的基于GPU的实时空间音频并与Unity Engine集成。Mihoyo（仿真和高性能小组）上海，中国模拟研究工程师（实习生）3月2022 - 2022年9月GPU友好的布求解器开发Ø设计新的颜色图形算法，用于在布模拟中高度平行的数值方法。Ø与布料模拟中的高斯 - 塞德尔求解器相比，具有更快的优化速度和更少的伪影。Ø实施GPU内核发射管道用于布模拟。w orking a Wibers
巴基斯坦烟草引起的疾病的经济成本
巴基斯坦拥有2400万活跃的烟草使用者，是世界顶级烟草消费者之一。烟草使用与许多不利的健康影响有关，但是它产生的税收收入在巴基斯坦和其他国家产生烟草税收政策惯性。尽管有证据表明烟草税收较高的烟草消费量，但巴基斯坦的税收政策是该国与烟草作斗争中最薄弱的行动领域之一。一个解释可能是，认为烟草业是政府金库的主要贡献者，他们不愿提高担心收入损失的税收。但是，当政府在2019年废除第三税层时，有效地降低了烟草业的机动空间，通过避免税收来出售较便宜的香烟，该行业的税收贡献实际上增加到了1,200亿巴基斯坦卢比（RS），而2016年为920亿卢比。这使烟草业总计税收的份额从2016财年的2.15％提高到了3％。政府不愿更改烟草税收政策，部分原因是由于其未能充分欣赏健康和社会成本的吸烟分数（SAF）。这使其对税收的税收收入有缺陷的福利成本分析，并在E健康成果中受到损害。实际上，烟草使用会给其主题带来巨大的直接和间接成本。直接费用包括住院和门诊费用，而间接费用包括护理费用，患者及其护理人员损失工作日的机会成本。调查结果表明，巴基斯坦的吸烟率为8.8％。通过使用疾病成本（COI）方法，这项研究估计了巴基斯坦三种主要吸烟诱发疾病（癌症，心血管和呼吸道）的经济负担，该疾病是基于全国代表性的12,298位家庭及其吸烟成员的全国代表样本。该研究还估计了2019年巴基斯坦所有吸烟疾病和死亡的总经济成本。在Bal路支省（14.43％）和65岁及以上的年龄类别（15.90％）中，患病率最高（15.90％），尽管35-64岁年龄段不远（15.07％）。在全国范围内，心血管疾病是2019年最普遍的。心血管疾病也最普遍，其次是癌症，在城市地区，性别，旁遮普邦和开伯尔·帕赫图赫瓦（Kphtunkhwa）（KP）省。三种疾病的直接成本的吸烟总数为1003亿卢比（66.3亿美元），其中医疗费用为96％（962.4亿卢比或66.6亿美元），非医学成本为4％（40.6亿美元US 10.3亿美元。 吸烟 - 可区分的间接发病成本为563.2亿卢比（3.5亿美元）。 发病率成本占可吸烟的医疗费用和非医疗费用的56％。 另一方面，由于吸烟而导致的死亡率为2811亿卢比（17.6亿美元），农村地区贡献了59％的发病率成本。 在疾病水平上，癌症的死亡率成本占死亡率最高（56％）。 男性的死亡率成本高于两个年龄段的女性，40.6亿美元US 10.3亿美元。吸烟 - 可区分的间接发病成本为563.2亿卢比（3.5亿美元）。发病率成本占可吸烟的医疗费用和非医疗费用的56％。另一方面，由于吸烟而导致的死亡率为2811亿卢比（17.6亿美元），农村地区贡献了59％的发病率成本。在疾病水平上，癌症的死亡率成本占死亡率最高（56％）。男性的死亡率成本高于两个年龄段的女性，
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
![arXiv:2208.03666v4 [cs.MM] 2022 年 8 月 18 日](/simg/g:\will\search\icon\source\d\d3cf2227c80556a0a72faa9d1f5cccab39a92e30.webp)
arXiv:2208.03666v4 [cs.MM] 2022 年 8 月 18 日
最近的研究表明，使用两阶段监督框架可以生成描绘人类对脑电图 (EEG) 视觉刺激的感知的图像，即 EEG-视觉重建。然而，它们无法“重现”准确的视觉刺激，因为决定合成图像的是人类对图像的注释，而不是图像的数据。此外，合成图像通常会受到嘈杂的 EEG 编码和生成模型不稳定的训练的影响，从而难以识别。相反，我们提出了一个单阶段 EEG-视觉检索范式，其中两种模态的数据是相关的，而不是它们的注释，这使我们能够恢复 EEG 片段的准确视觉刺激。具体而言，我们通过优化对比自监督目标来最大化 EEG 编码和相关视觉刺激之间的相互信息，从而带来两个额外的好处。一是，它使EEG编码能够在训练期间处理超出可见类别的视觉类别，因为学习并不针对类别注释。此外，模型不再需要生成视觉刺激的每个细节，而是专注于跨模态对齐并在实例级别检索图像，确保可区分的模型输出。对最大的单一受试者EEG数据集进行了实证研究，该数据集测量由图像刺激引起的大脑活动。我们证明了所提出的方法完成了实例级EEG-视觉检索任务，即报告现有方法无法报告的精确视觉刺激。我们还研究了一系列EEG和视觉编码器结构的含义。此外，对于主要研究的语义级EEG-视觉分类任务，尽管没有使用类别注释，但所提出的方法优于最先进的监督EEG-视觉重建方法，特别是在开放类别识别能力方面。
通过动力学系统和基于采样的MPC
基于抽象动力学系统（DS）的运动计划提供无碰撞运动，并具有闭环反应性，这要归功于它们的表达。它可以通过通过矩阵调制来重塑名义DS来确保障碍物不会渗透，该矩阵调制是使用连续可区分的障碍物表示构建的。然而，最新的方法可能会受到非凸障碍诱导的局部最小值，因此未能扩展到复杂的高维关节空间。另一方面，基于抽样的模型预测控制（MPC）技术在关节空间中提供了可行的无碰撞路径，但由于计算复杂性随着空间维度和地平线长度而生长，因此仅限于准反应性场景。为了通过移动的障碍物来控制杂乱的环境中的机器人，并在机器人的关节空间中产生可行且高度反应的无碰撞运动，我们提出了一种使用基于采样的MPC调节关节空间DS的方法。特别是，代表目标不受限制的关节空间运动的名义DS在局部扭曲了障碍物区分速度成分，该速度组件在障碍物周围导航机器人并避免局部微型摩擦。这种切向速度成分是由基于采样的MPC异步产生的无碰撞路径构成的。值得注意的是，不需要MPC不断运行，而只需要在检测到局部最小值时被激活。该方法在7-DOF机器人上的模拟和现实世界实验中得到了验证，该机器人证明了避免凹障碍的能力，同时在准静态和高度动态的混乱环境中保持局部吸引力的稳定性。
dag：对归因图的深度自适应和无生成的社区检测
对归因图的社区检测，具有丰富的语义和拓扑信息为现实世界网络分析，尤其是在线游戏中的用户匹配提供了巨大的潜力。图形神经网络（GNNS）最近启用了深度图（DGC）方法，从语义和拓扑信息中学习群集分配。但是，它们的成功取决于与社区数量有关的先验知识，由于收购的高成本和隐私问题，这是不现实的。在本文中，我们研究了与事先的社区检测问题，称为𝐾 -free社区检测问题。为了解决这个问题，我们提出了一种新颖的深层自适应模型（DAG），以供社区检测，而无需指定先前的𝐾。DAG由三个关键组件组成，即带有屏蔽属性重新构造的节点表示模块，一个社区关联读数模块以及具有组稀疏性的社区编号搜索模块。这些组件使DAG能够将非差异性网格搜索的过程转换为社区编号，即存在的DGC方法中的离散超级参数，将其转换为可区分的学习过程。以这种方式，DAG可以同时执行社区检测和端到端的社区编号搜索。为了减轻现实世界应用中社区标签的成本，我们设计了一种新的指标，即使标签不可行，也可以评估社区检测方法。在五个公共数据集和一个现实世界的在线手机游戏数据集上进行了广泛的离线实验
平行时空自我发注意CNN基于CNN的运动图像分类
运动图像（MI）脑电图（EEG）分类是脑机构界面（BCI）的重要组成部分，使具有流动性问题的人可以通过辅助设备与外界进行通信。但是，由于其复杂性，动态性质和低信噪比，EEG解码是一项艰巨的任务。设计一个充分提取EEG信号的高级特征的端到端框架仍然是一个挑战。在这项研究中，我们提出了一个平行的空间 - 暂时性自我注意力，用于四级MI EEG信号分类。这项研究是定义原始脑电图信号的新时空表示的第一个研究，该信号使用自我注意力的机制提取可区分的时空特征。特别是，我们使用空间自我注意模块来捕获MI EEG信号通道之间的空间依赖性。此模块通过通过加权求和在所有通道上汇总特征来更新每个通道，从而提高了分类准确性并消除由手动通道选择引起的伪像。此外，时间自我发项模块将全局时间信息编码为每个采样时间步骤的特征，因此可以在时域中提取MI EEG信号的高级时间特征。定量分析表明，我们的方法优于主体内和受试者间分类的最先进方法，证明其稳健性和有效性。最后，采用提出的方法根据脑电图信号实现对无人机的控制，从而验证其在实时应用中的可行性。在定性分析方面，我们对从学到的架构估算的新时空表示形式进行视觉检查。