XiaoMi-AI文件搜索系统
World File Search System多头
脑部计算机界面中的注意机制
随着深度学习的快速发展，注意机制在脑电图（EEG）信号分析中变得必不可少，从而显着增强了大脑计算机界面（BCI）应用。本文对传统和变压器的注意机制，其嵌入策略及其在基于EEG的BCI中的应用进行了全面综述，并特别强调了多模式数据融合。通过捕获跨时间，频率和空间通道的脑电图变化，注意机制可改善特征提取，表示学习和模型鲁棒性。这些方法可以广泛地分为传统的注意机制，该机制通常与卷积和经常性网络集成，以及基于变压器的多头自我注意力，在捕获长期依赖性方面表现出色。除了单模式分析之外，注意机制还增强了多模式的脑电图应用，从而促进了脑电图与其他生理或感觉数据之间的有效融合。最后，我们讨论了基于注意力的脑电图建模中的现有挑战和新兴趋势，并强调了推进BCI技术的未来方向。本综述旨在为寻求利用注意力机制的研究人员提供宝贵的见解，以改善脑电图的解释和应用。
EEG-GAT：用于脑电图 (EEG) 信号分类的图形注意力网络 /作者=Demir, Andac；Koike-Akino, Toshiaki；Wang, Ye；Erdogmus, Deniz /创建日期=2022 年 9 月 17 日 /主题=人工智能、机器学习、机器人技术、信号处理
摘要 图神经网络 (GNN) 是深度学习社区中一个新兴的框架。在大多数 GNN 应用中，数据样本的图拓扑结构在数据集中提供。具体而言，图移位算子 (GSO) 是先验已知的，它可以是邻接、图拉普拉斯或它们的规范化。然而，我们通常不了解现实世界数据集背后的真实图拓扑结构。其中一个例子是从生理脑电图 (EEG) 中提取主体不变特征来预测认知任务。以前的方法使用电极位点来表示图中的节点并以各种方式连接它们来手工设计 GSO，例如，i) 每对电极位点连接以形成完整图，ii) 特定数量的电极位点连接以形成 k 最近邻图，iii) 仅当欧几里得距离在启发式阈值内时，每对电极位点才连接。在本文中，我们通过使用多头注意机制对 GSO 进行参数化来克服这一限制，以探索不同电极位置之间在认知任务下的功能性神经连接，同时结合图卷积核的参数学习无监督图拓扑结构
使用卷积神经网络的多跳图注意模块（MGA）预测
样本），2）验证数据集（419个样本），3）测试数据集（418个样本）。我们首先检查了MGA的关键参数，即Hop尺寸M，斑块比γ，分支K的数量和多跳权重量β，其中结果显示在图2中。图2（a）表明，M <5的MGA测试MAS低于多头自我注意力（MSA）的MAE，这表明仅考虑重要的嵌入而不是全部计算自我注意事项系数时，这是有益的。最终网络是根据验证数据集的性能选择的。我们还将我们的模型与5种不同的CNN模型进行了比较（Peng etal。，2021）和tsan（Cheng等人，2021）是大脑年龄预测场中的状态模型。在图3（1）中，MGA-SSE-RESNET18在比较中获得了最低的MAE（2.822年）和最高的PCC（0.968）。还评估了其他预测模型，例如视觉变压器（VIT）或图形注意网络（GAT），但表现较差，大概是由于训练数据不足所致。还表明，实施MGA模块会减少模型偏差和方差（图3（2））。从结果中，我们表明，将MGA与常规CNN交织可以提高准确性，从而有效地对脑年龄预测有效。
对噪声量子设备上电路近似的经验评估
嘈杂的中间尺度量子（NISQ）设备无法产生足够忠诚的输出，以使当今有许多大门的深电路。此类设备遭受读出，多Qubit Gate和交叉噪声的影响，并结合了短的反应时间限制电路深度。这项工作开发了一种方法来生成较短的Cir-livit，其多头门的较少，其单位转换近似于原始参考。它探讨了在NISQ设备下产生的近似值的好处。实验结果具有Grover的算法，多控制的Toffoli门，横向场Ising模型表明，这种近似电路会产生比NISQ设备上的更长的忠诚度结果，尤其是当参考通行器具有许多CNOT门时。具有这种微调电路的能力，可以证明可以在当今的设备上进行更复杂的问题进行量子计算，而不是以前的可行性，有时甚至可以在总体上获得高达60％的量子。具有这种微调电路的能力，可以证明可以在当今的设备上进行更复杂的问题进行量子计算，而不是以前的可行性，有时甚至可以在总体上获得高达60％的量子。
ssm2mel：从EEG
摘要 - 从大脑信号中介绍语音是一个具有挑战性的研究问题，对于研究大脑的语音处理至关重要。尽管在重建受试者在单词或字母水平上使用非入侵脑电图（EEG）所感知的主体所感知的音频刺激的MEL频谱已经取得了突破，但精确地重建连续的语音特征的精确重建连续的语音特征，尤其是在微小的水平上仍然存在关键的差距。为了解决这个问题，本文提出了一个状态空间模型（SSM），以重建来自脑电图的连续语音的MEL频谱，名为SSM2Mel。该模型引入了一个新型的MAMBA模块，以有效地对EEG信号的长序列进行建模，以进行想象的语音。在SSM2MEL模型中，S4-UNET结构用于增强EEG信号的局部特征的提取，并且使用嵌入强度调节器（ESM）模块用于合并主体特定信息。实验结果表明，我们的模型在Sparrkulee数据集上达到了0.069的Pearson相关性，这比上一个基线提高了38％。索引项 - 电子皮质学（EEG），MEL频谱图，多头自我注意力，状态空间模型，想象的语音。
LPS WO40242 IMVOKE010最终结果2024年9月英文
这项研究是一项“第三阶段”研究。这意味着先前已经在许多头和颈癌处于更高级且已扩散到人体其他部位的人中已经对阿托唑珠单抗进行了测试。在这项第三阶段研究中，患有局部晚期颈部癌症的人在接受了通常的治疗后，要么服用atezolizumab或安慰剂。这是为了确定阿特唑珠单抗是否可以更好地防止癌症复发或恶化。结果将有助于确定医生将来是否可以为人们使用这种治疗方法。该研究是“随机的”。这意味着将研究参与者置于诸如翻转硬币之类的不同研究治疗组中，以防止偏见，这意味着它是决定的。随机选择人们服用哪种药物，使两组人（例如，年龄，种族）的类型更有可能是类似的组合。除了在每个组中测试的确切治疗方法之外，两组之间的所有其他护理方面都是相同的。这有助于研究人员比较并查看哪种治疗方法比其他治疗更好。这是一项“双盲”研究。这意味着参与研究的人们或研究医生都不知道人们正在服用哪种研究。这样做是为了确保治疗结果不会受到人们对
Microsoft Word - 肯尼亚黑犀牛管理计划 1993 年 5 月
摘要 本计划提供了自 1993 年 1 月起五年内在肯尼亚保护和管理黑犀牛 (Diceros bicornis) 的政策、具体目标和实施时间表的详细信息。该计划的实施具体是为了确保肯尼亚安全的野生种群中黑犀牛的继续生存，巩固和进一步发展现有的该物种保护计划，特别是促进数量的增加，达到并超越现实目标或可以长期在野外维持的最低数量。在整个非洲，黑犀牛继续面临着非常严重且日益严重的生存威胁，目前全球黑犀牛数量约为 2,500 头，比 1970 年的 65,000 头减少了 95% 以上。与许多非洲国家的情况一样，如果肯尼亚不能继续保护黑犀牛免遭偷猎，它将失去其仅存的 400 头黑犀牛（占世界数量的 16%），其中包括东非种/亚种（Dbmichaeli）唯一可观的野生繁殖种群。1991-92 年津巴布韦野生种群严重枯竭表明中东和远东市场对犀牛角的需求持续巨大。迄今为止，制止或限制犀牛角贸易的努力未能产生任何明显的积极效果，特别是在减少投机者贸易的潜在回报方面。肯尼亚的目标是保护其所有剩余的黑犀牛种群，并从中培育出至少 2,000 头具有遗传可存活性的种群，以便长期保护。自 20 世纪 70 年代初以来，肯尼亚率先在相对较小的区域或保护区内保护和繁殖黑犀牛，从保护角度来看，这种做法具有成本效益。自 1984 年以来，由肯尼亚政府前野生动物保护和管理部协调的犀牛项目一直在运行；该项目首先成功减缓了肯尼亚黑犀牛数量的急剧下降，现在已停止。肯尼亚野生动物管理局作为执行机构，与参与捐助者、非政府组织和肯尼亚犀牛保护的私营部门合作，将继续实施前犀牛项目已证明成功的要素，并参与一项全面的犀牛保护和管理计划。这涉及保护、监视和监测肯尼亚所有现有的犀牛种群，以及在动物被隔离、无法存活和/或无法繁殖的地方，捕获这些犀牛并将其转移到安全区域。该计划成功的关键是保护现有的保护区犀牛种群免遭偷猎，并对其进行管理，以获得最大可持续的繁殖产量，保持遗传多样性，并提供大量剩余动物进行迁移，以完成现有保护区的放养，并建立新的种群，这些种群有可能增加到 100 多头。为了在未来五年内实现这些目标，计划捕获和迁移 50 多头黑犀牛。重新建立大型野生种群（100-500 头黑犀牛）将取决于 KWS 能否维持对更大区域（> 500 平方公里）的密集保护，以免
使用 transformers 根据 DNA 序列和转录后信息预测基因表达水平
背景与目标：近年来，由于基因表达水平的潜在临床应用，预测基因表达水平至关重要。在此背景下，Xpresso 和其他基于卷积神经网络和 Transformer 的方法首次被提出用于此目的。然而，所有这些方法都使用标准的独热编码算法嵌入数据，从而产生非常稀疏的矩阵。此外，该模型没有考虑基因表达过程中最重要的转录后调控过程。方法：本文提出了 Transformer DeepLncLoc，一种通过处理基因启动子序列来预测 mRNA 丰度（即基因表达水平）的新方法，将该问题作为回归任务进行管理。该模型利用基于 Transformer 的架构，引入 DeepLncLoc 方法执行数据嵌入。由于 DeepLncloc 基于 word2vec 算法，因此它避免了稀疏矩阵问题。结果：该模型包含了与 mRNA 稳定性和转录因子相关的转录后信息，与最先进的方法相比，其性能显著提高。Transformer DeepLncLoc 的 R 2 评估指标达到 0.76，而 Xpresso 的 R 2 评估指标为 0.74。结论：Transformer 方法中的多头注意力机制适用于对 DNA 位置之间的相互作用进行建模，从而克服了循环模型。最后，在管道中整合转录因子数据可显著提高预测能力。
无培训预处理的模型合并-CVF Open Access
最近，模型合并技术已浮出水面，作为将多个单元模型组合为单个多泰模型组合的解决方案。但是，该领域的先前努力需要进行其他培训或细调过程，或者要求模型具有相同的预先训练的初始化。在这项工作中，我们在W.R.T.先前的工作中确定了一个缺点。单位相似性在重量空间和激活空间中的不一致性。为了解决这种不一致，我们提出了一个创新的模型合并框架，该模型是在双空间约束（MUDSC）下合并的。具体而言，我们主张探索位于双重空间中统一高相似性的区域中的置换矩阵，而不是仅仅使单个空间的目标最大化，这是通过激活和重量相似性矩阵的线性组合实现的。为了提高可用性，我们还对群体结构进行了对企业的适应，包括多头关注和群体标准化。全面的实验比较表明，MUDSC可以很明显地提高具有各种任务组合和体系结构的合并模型的性能。此外，多任务损失景观中合并模型的可视化表明，MUDSC使合并的模型能够驻留在重叠段中，其中每个任务都有统一的较低损失。我们的代码可在https://github.com/zju-vipa/training_free_model_merging上公开获取。
多策略目标回报
该基金采用积极管理。该基金采用互补策略，可能涉及投资全球范围内的多元化资产类别，包括新兴市场。这些策略可能只做多头，也可能做多做空。该基金的目标是在连续三年内实现 ESTR 加上 4%（扣除年度持续费用）的年化回报率，年化波动率为 6-8%。无法保证一定能实现回报或波动目标。该基金投资于由发达市场和新兴市场的政府、政府相关实体、超国家实体和公司发行或担保的投资级、非投资级和未评级债券（以及类似证券）；以及发达市场和新兴市场中任何规模的公司发行的股票。本基金最多可将 50% 的资金投资于其他基金以获得这些投资机会。本基金最多可将 10% 的资金投资于由任何单一政府发行人发行或担保的非投资级债券，最多可将 10% 的资金投资于或有可转换证券，最多可将 10% 的资金投资于其他合格资产（例如 ABS/MBS）。本基金还可将最多 10% 的资金投资于总回报互换。有关投资目标和衍生品使用情况的完整描述，请参阅招股说明书。