XiaoMi-AI文件搜索系统
World File Search System图聚类
通过图形卷积网络通过深层潜在位置模型聚类
随着个体通过数字平均值的显着相互作用的显着增加，图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中，我们提出了深层的位置模型（DEEPLPM），这是一种端到端的生成聚类方法，将广泛使用的潜在位置模型（LPM）与图形卷积网络（GCN）编码策略相结合。此外，还引入了一种原始估计算法，以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力，以选择簇数量的较低限制，这表明其聚类能力与最先进的方法相比。最后，DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora，以说明探索大型且复杂的现实世界网络的实际兴趣。
手足运动和想象运动任务的脑电信号聚类
厄瓜多尔瓜亚基尔高等政治学院，ESPOL 电气和计算机工程系，Gustavo Galindo 校区，Perimetral 路 30.5 号，邮政信箱 09-01-5863，瓜亚基尔，厄瓜多尔 {vasanza 1、epelaez 2、floayza 3}@espol.edu.ec 摘要 —。现代技术使用脑机接口 (BCI) 来控制身体有障碍人士的设备或假肢。在某些情况下，EEG 数据用于确定受试者在执行运动和想象运动任务时的意向性。然而，由于获取的电压水平较低，EEG 信号很容易受到噪声的影响。我们使用了 25 名健康受试者在进行手脚运动和想象运动时 64 个 EEG 记录的数据集。数据经过预处理，包括设计滤波器以降低操作 EEG 信号的预期频谱之外的噪声。然后，我们使用基于谱密度的特征提取。最后，应用五种聚类算法来检测运动和想象运动任务。结果表明，k-means、k-medoids 和层次聚类算法可以更好地检测运动活动，而层次聚类则更适合手部的想象任务。
使用聚类自动编码器技术识别气候模式
摘要：在不同投影场景下，气候模拟的时空分辨率的复杂性产生了多种气候模式。本文通过一种无监督的深度学习技术提出了一种新的数据驱动的气候分类工作，该技术可以在尺寸上降低大量时空数值气候投影数据中的大量紧凑表示。我们旨在确定捕获多个气候变量的不同区域以及在不同气候变化方案下的未来变化。我们的方法利用卷积自动编码器与K-均值聚类（标准自动编码器）和在线聚类相结合，基于sindhorn - Knopp算法（群集自动编码器），整个Conterminous美国（CONUS）（CONUS）（CONUS）捕获来自数据驱动的气候型号的独特气候式的goldement offeration Androm intery Demplyicals todlement todlement todlemant througation dynerical offer -Gromys toym intery dynerical demancortial dynerical ofderational dynerical officolt offer。 （GFDL-ESM2G）。开发的方法在多个变暖方案下以0.125 8的0.125 8将70年的GFDL-ESM2G仿真压缩为较低维空间的空间分辨率为660000倍，然后在150年的GFDL-ESM2G仿真数据中测试了150年。结果表明，五个气候群体捕获了与人类专家定义的已知气候类别相匹配的物理合理和空间稳定的气候效果。结果还表明，与使用标准自动编码器相比，使用群集自动编码器可以将聚类的计算时间限制为9.2倍。我们五个独特的气候模式是由深度学习引起的 - 基于较低维空间的聚类，从而使我们能够在整个综合美国立即提供有关水力气学及其空间异质性的见解，而无需下载大量的大气候数据集。
使用对比学习对质谱图像数据进行自监督聚类
对实验伪影和噪声敏感，从而降低了它们对具有相似定位但不同对比度的空间模式的泛化能力。最近，使用卷积神经网络 (CNN) 的迁移学习和半监督深度学习方法已经开发出来，分别用于聚类离子图像和量化分子共定位。26,27 这些报告表明，MSI 数据的有限大小对传统的 CNN 训练框架提出了挑战，因为传统的 CNN 训练框架通常依赖于大量带注释的图像。因此，这些方法与传统的机器学习方法相比，在查找共定位分子图像方面提供了相对较小的改进。计算机视觉自监督对比学习方法的最新进展，包括 MoCo、28 SimCLR 29
用于药物低偏差评估的层次聚类分割......
摘要 — 药物-靶标相互作用 (DTI) 预测在药物发现和化学基因组学研究中非常重要。机器学习，尤其是深度学习，在过去几年中极大地推动了这一领域的发展。然而，学术论文中报告的性能与实际药物发现环境中的性能之间存在显著差距，例如基于随机分割的评估策略在估计现实环境中的预测性能时往往过于乐观。这种性能差距主要是由于实验数据集中隐藏的数据偏差和不适当的数据分割。在本文中，我们构建了一个低偏差 DTI 数据集，并研究了更具挑战性的数据分割策略，以改进现实设置的性能评估。具体而言，我们研究了流行的 DTI 数据集 BindingDB 中的数据偏差，并使用五种不同的数据分割策略重新评估了三种最先进的深度学习模型的预测性能：随机分割、冷药分割、支架分割和两种基于层次聚类的分割。此外，我们全面检查了六个性能指标。我们的实验结果证实了流行的随机分割的过度乐观，并表明基于层次聚类的分割更具挑战性，并且可以在现实世界的 DTI 预测设置中提供对模型通用性的更有用的评估。索引术语——药物-靶标相互作用、数据偏差、数据分割策略、性能评估
在 ALS 患者中使用 K 均值聚类方法
不同神经系统疾病引起的脑部异常状况影响着全世界的许多人。这些异常情况之一是肌萎缩侧索硬化症 (ALS)。 ALS 是一种俗称运动神经元病的疾病，它因脑干区域运动神经细胞受损而导致进行性身体障碍。大脑感知外界刺激，通过注意机制从大量的感知刺激中选取相关的刺激。注意力是当各种类型的信息、情绪和思想等活动集中在一个区域并由大脑在所需的时间内选择相关刺激时发生的认知过程。脑电图（EEG）在测量和分析大脑注意力机制中发生的此类活动方面具有重要地位。注意力分析的最新研究集中在事件相关电位 (ERP) 信号上。 EIP 信号是小幅度信号，其中包含 P100、N200、P300 和 N400 等在 EEG 信号中不太明显的成分。因此，为了获得 EIP 信号，必须重复目标刺激并多次进行 EEG 记录。 EEP 信号是通过对记录的目标刺激的 EEG 信号进行平均而获得的。研究的目的是从 ALS 患者和健康个体的 ERP 信号中获取一些特征，并使用 k-均值聚类方法检查对视觉刺激的注意力的分析。使用K均值聚类法进行分析的结果显示，数据被分为2个聚类，计算出最高成功率为77.78%。
基于自适应聚类的大型综合能源系统分层布局优化
摘要：不同能源系统通常独立规划和运行，导致能源利用率低、自愈能力弱、系统可靠性低。为此，针对大规模综合能源系统，提出一种基于自适应聚类的分层布局优化方法，综合考虑能量平衡、输电损耗和建设成本。首先，提出一种基于能量平衡和负荷矩的自适应聚类划分方法，确定能源枢纽的最优位置，并将各分布式电源和负荷自适应地分配到不同的能源枢纽上，形成多个区域综合能源系统。然后，建立所提出的分层布局优化模型，分别寻找区域综合能源系统和多区域综合能源系统的修正最小生成树，构建经济可靠的互联网络。最后，通过仿真验证了优化模型和策略的有效性。
零排放社区能源系统投资的聚类方法评估
摘要 —本文研究了在设计零排放社区 (ZEN) 的能源系统时使用聚类的方法。ZEN 是旨在在其生命周期内实现净零排放的社区。虽然以前的工作已经使用和研究了聚类来设计社区的能源系统，但没有一篇文章涉及像 ZEN 这样的社区，这些社区对太阳辐照度时间序列有很高的要求，包括 CO 2 因子时间序列，并且零排放平衡限制了可能性。为此，我们使用了几种方法并比较了它们的结果。结果一方面是聚类本身的性能，另一方面是使用数据的优化模型中每种方法的性能。测试了与聚类方法相关的各个方面。研究的不同方面包括：目标（聚类以获得天数或小时数）、算法（k 均值或 k 中心点）、规范化方法（基于标准偏差或值范围）和启发式的使用。结果强调，k-means 提供的结果比 k-medoids 更好，并且 k-means 系统地低估了目标值，而 k-medoids 则不断高估了目标值。当可以选择聚类天数和小时数时，似乎聚类天数提供了最佳精度和求解时间。选择取决于优化模型使用的公式和对季节性存储建模的需求。归一化方法的选择影响最小，但值范围方法在求解时间方面显示出一些优势。当需要很好地表示太阳辐照度时间序列时，需要使用更多的天数或小时数。选择取决于什么样的求解时间是可以接受的。
通过级联机器学习模型和聚类技术增强欺诈检测
摘要银行欺诈检测是金融部门的至关重要的挑战，需要创新的方法来应对欺诈活动的发展。从传统的基于规则的系统开始，这项研究通过将机器学习算法与聚类技术合并，引入了开拓性方法。使用级联方法，依次使用适合不同欺诈模式的不同模型来对交易进行分类。该研究探索了各种模型集合以找到最有效的组合。实验结果强调了该方法在识别欺诈交易的同时保持较高的召回率时的有效性；实际上，这项工作强调了召回在该领域的重要性，而其他作品仅着眼于准确性。常规分类算法对所使用的数据集显示出效率低下，表现为平均召回率始终如一；相反，所提出的方法在准确性和召回方面产生了重大改善。对假阳性和负面因素的细致分析证实了该系统的稳健性，并承诺对未发现欺诈案件的财务损失有稳固的保障。