XiaoMi-AI文件搜索系统
World File Search System图中用
基于图的机器学习方法
本研究文章使用图理论和机器学习技术探讨了Instagram影响者网络。随着社交媒体人物的日益影响，了解其网络结构和动态对于有效的营销和品牌参与至关重要。我们将Instagram的影响者生态系统建模为图形，并应用几种机器学习算法，包括Node2VEC和Word2Vec，以执行诸如链接预测和社区检测之类的任务。我们的分析揭示了影响者互动和网络连接性的重要模式，从而为有影响力的行为和在线社区的形成提供了可行的见解。这些发现为优化营销策略和增强社交媒体环境中的品牌合作提供了宝贵的影响。
类似于无定形 SiO2 表面，用于重金属吸附
图 1：非晶态 SiO 2 块体模型结构的对分布函数 (PDF)。图中用颜色对不同的对进行编码，Si-O 对用蓝线表示，Si-Si 用绿线表示，OO 用红线表示。y 轴表示归一化的对数，x 轴表示相应的距离（单位为 Å）。对于块体非晶态 SiO 2 模型结构和后续图中，Si 原子用黄色球体表示，O 原子用红色表示。
人工智能之机器学习Artificial Intelligence Report of Machine ...
图 2-15 感知机 ............................................................................................................................. 18
表征 DNA-RNA 中的圆锥交叉点 - ...
图 4：使用多个不同活性空间（参见计算细节）的 ( 1 n O π ∗ / 1 ππ ∗ ) CI 的 P 和 B 参数，a) 胞嘧啶、b) 尿嘧啶和 c) 胸腺嘧啶。每个子面板中最大的 (14,10) 参考活性空间在图中标出，其相关符号在中心标有黑点。所有优化圆锥交叉点的叠加几何图形以插图形式提供，其中具有“边界”分类的结构（在图中用方块标记）以不同的颜色突出显示。
使用图神经网络和接触图预测药物-靶标亲和力
计算机的高性能使得它们可以为药物设计中的实验室实验提供帮助。1因此计算机辅助药物设计在过去的几十年里得到了发展，充分利用高性能计算机，可以快速模拟药物设计中的诸多步骤，各种应用也逐渐发展起来。例如，NAMD (NAnoscale Molecular Dynamics)2、GROMACS3和Amber4提供了相对精确的分子动力学模拟手段，可以模拟分子体系在特定条件下的自然运动。分子对接可以探索不同分子之间的结合构象空间，帮助研究人员找到最佳的对接构象。许多专注于分子对接的方法包括DOCK、5AutoDock、6GOLD7等。随着深度学习在各个领域的卓越成就，基于深度学习的药物设计应用和模型不断涌现。Preuer等人。构建了一个前馈神经网络，并提出了一个名为 DeepSynergy 8 的模型来预测抗癌药物的协同作用。DeepTox 9 由一个深度神经网络组成，被提出用于毒性预测，并在 Tox21 挑战数据集中表现良好。10 BSite-pro 11 使用随机森林分类器仅基于序列来预测蛋白质结合位点。Lenselink 等人证明深度神经网络的表现优于生物活性基准集。12 Ciriano 等人总结了最近基于机器翻译的蛋白质化学计量建模
空间耦合LDPC码的分层译码算法
图 5 给出了所提 LSWD 算法和 SWD 算法在不同 迭代次数时的比特错误概率 (Bit Error Ratio, BER) 曲线，其中最大迭代次数分别取为 5 和 10 。 图 6 给出 了两种算法的译码性能与最大迭代次数的关系，其 中信噪比分别为 2.5 dB, 4.0 dB 。综合分析 图 5 和 图 6 的仿真结果，可以看出： (1) 所提算法和现有文献 的 SWD 算法的误码性能曲线都有明显的瀑布区。 (2) 当迭代次数相同时，所提算法的性能优于 SWD 算法。如，当译码迭代为 50 次、译码窗长度为 9 时，为达到 10 –6 BER ，所提算法所需的信噪比值 为 3.9 dB ，而目前常用的 SWD 算法则需要 4.2 dB ， 所提算法约有 0.3 dB 的性能优势。 (3) 在译码性能 基本相同时，与 SWD 算法相比，所提算法可以明 显减少译码迭代次数。例如，当信噪比为 2.5 dB 时，为了获得 10 –3 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 7 和 11 ；当信噪比为 4.0 dB 时，为了达到 10 –5 的 BER ，所提算法和 SWD 算法所 需的迭代次数分别为 12 和 20 ，此时所提算法的迭代