XiaoMi-AI文件搜索系统
World File Search System大型网络
使用图形上的深度生成模型预测药物间相互作用
当代基于图自编码器的模型生成的药物及其靶标的潜在表示已被证明可用于预测大型网络上的多种类型的节点对相互作用，包括药物-药物、药物-靶标和靶标-靶标相互作用。然而，大多数现有方法对节点的潜在空间进行建模，其中节点分布是刚性和不相交的；这些限制阻碍了这些方法在节点对之间生成新的链接。在本文中，我们介绍了变分图自编码器 (VGAE) 在多模态网络上建模潜在节点表示的有效性。我们的方法可以为多模态图的每种节点类型生成灵活的潜在空间；嵌入稍后用于预测不同边类型下节点对之间的链接。为了进一步提高模型的性能，我们提出了一种新方法，将捕获每种药物分子结构的摩根指纹与其潜在嵌入连接起来，然后将它们先进行解码阶段以进行链接预测。我们提出的模型在两个多模态网络上表现出了有竞争力的结果：（1）由药物和蛋白质节点组成的多图，以及（2）由药物和细胞系节点组成的多图。我们的源代码可在 https://github.com/HySonLab/drug-interactions 上公开获取。
CANSA-转移性乳腺癌事实说明书-...
[图片来源：第四期] 癌细胞可以脱离乳房中的原始肿瘤，通过血液或淋巴系统传播到身体的其他部位，淋巴系统是一个由节点和血管组成的大型网络，负责清除体内的细菌、病毒和细胞废物。身体不同部位的转移性肿瘤由乳腺癌细胞组成。例如，如果乳腺癌扩散到骨骼，骨骼中的转移性肿瘤由乳腺癌细胞组成，而不是骨细胞。乳腺癌可能“诊断时已转移”。这意味着乳腺癌在扩散到身体其他部位之前未被发现。它也被称为原发灶不明的癌症 (CUP)。没有人会死于残留在乳房中的乳腺癌。肿块本身并不致命。癌细胞扩散到重要器官才是致命的。这被称为转移。转移是指癌症扩散到远处器官。当癌症扩散到远处器官时，它被称为转移性疾病或 IV 期疾病。研究表明，在所有乳腺癌患者中，约有 6-10% 的癌症已扩散到远处器官，并在首次诊断时被归类为 IV 期。在大多数转移性乳腺癌患者中，转移是在癌症早期已经得到治疗后才被诊断出来的。
路由器IP地址安全：高级保护方法
强密码策略：首先通过强大的密码策略加固路由器的安全性。避免使用默认用户名和密码，选择包括字母，数字和特殊字符的唯一组合。定期更新密码会增加针对未经授权访问的额外防御层。固件更新：常规更新路由器的固件是解决潜在漏洞的主动措施。制造商发布了对补丁安全缺陷并提高整体性能的更新。忽略固件更新会使您的网络暴露于已知的利用，因此必须与最新版本保持一致。防火墙配置：激活和配置路由器的防火墙，以有效地过滤和传出流量。自定义防火墙设置可确保仅允许合法数据通过，从而阻止恶意尝试渗透您的网络。网络细分：将您的网络分为细分市场以限制未经授权的访问。这对于较大的网络尤其重要，在大型网络中，不同的段可能具有不同级别的访问权限。实施网络细分可防止一个区域中的违规行为损害整个网络。虚拟专用网络（VPN）集成：将VPN合并到路由器设置中加密数据流量，使恶意参与者更难
实用的量子后少数时间可验证的随机...
摘要。在这项工作中，我们介绍了依赖众所周知的（模块）术语问题的第一个实用后量子后的随机函数（VRF），即模块-SIS和模块。我们的构造名为LB-VRF，导致VRF值仅为84个字节，证明仅为5 kb（与早期工作中的几个MB相比），并且在约3毫秒内进行评估，而验证约为1 ms。为了设计一个实用的方案，我们需要限制每个密钥对的VRF输出数量，这使我们的构造少于时间。devite this限制，我们展示了如何在实践中使用我们的几次LB-VRF，尤其是我们估计了Algorand Us的LB-VRF的性能。我们发现，由于与经典构造相比，通信大小的显着增加，这在所有现有基于晶格的方案中是固有的，因此基于LB-VRF的共识协议中的吞吐量降低了，但仍然实用。特别是在具有100个节点的中型网络中，我们的平台记录了吞吐量的1.14×至3.4倍，具体取决于所使用的signalty。在具有500个节点的大型网络的情况下，我们仍然可以维持每秒至少24次交易。这仍然比比特币要好得多，比特币每秒仅处理约5个交易。
分析机器学习方法以预测比特币定价
加密货币是一种使用区块链技术和密码学来保护有关数字市场交易和交换的信息的数字货币形式。像比特币这样的加密货币由一个大型网络组成，该网络有许多同行在上面工作，每个同行都有整个历史记录，其中包含所有发生的交易。比特币是最受欢迎的加密货币。比特币吸引了个人和机构投资者的很多关注。本文的目的是分析机器学习方法以预测比特币定价。机器学习及其相关领域近年来取得了显着进步。机器学习技术用于科学的不同领域，尤其是加密货币价格预测。使用此机器学习模型，我们可以预测比特币的价格方向。机器学习方法已被证明可以有效预测比特币价格。讨论了几乎没有用于预测比特币价格的机器学习模型是线性回归，逻辑回归，贝叶斯回归，支持供应商机器，随机森林，神经网络。每种机器学习方法都有其自身的优势和缺点，但是从文献分析中可以理解，人工神经网络和支持供应商机器的有效性率最高。机器学习方法比参数回归方法具有更高的预测准确性。
Atlas的建筑可扩展分析基础架构
摘要。我们探讨了采用云代表工具和原理，以锻造灵活和可扩展的基础架构，旨在支持分析框架 - 在高光度大型强调撞机（HL-LHC）时代为Atlas实验开发的框架。该项目最终建立了一个联合平台，整合了来自各种提供商的Kubernetes群集，例如Tier-2中心，第3层中心，以及来自国家科学基金会项目的Iris-Hep可伸缩系统实验室。一个统一的接口进行了简化容器化应用程序的管理和缩放。通过与分析效率集成，使Jupyter / Binder笔记本电脑和DASK工人的溢出到TIER-2资源来实现增强的系统可伸缩性。我们调查了“拉伸”（在大型网络）集群模式的灵活部署方案，包括集中式的“灯光管理”模型，Kubernetes服务的远程管理以及完全自主的站点管理的群集方法，以适应各种操作和安全要求。该平台在多群集演示器中展示了其e ffi cacy，以使用Co ff ea，servicex，uproot和dask以及rdataframe等工具进行低延迟分析和高级工作流程，并说明了其支持各种处理框架的能力。该项目还为Atlas软件和计算登机事件提供了强大的用户培训基础架构。
综合大型脑网络互连的大规模网络链接
摘要 - 大脑网络是一个具有无尺度，小世界和模块化属性的大型复杂网络，在很大程度上支持这种高耐能力性的庞大系统。在本文中，我们建议将大型网络芯片网络的互连综合。首先，我们提出了一种生成具有有限规模和幂律的小世界属性的大脑网络风格拓扑的方法，该拓扑的总链路长度较低，并且与网络大小的对数大约成比例的平均HOP计数极低。此外，考虑到大规模应用，考虑到大脑网络启发的拓扑的模块化，我们提出了一种应用程序映射方法，包括任务映射和确定性的无僵持路由，以最大程度地减少功耗和啤酒花计数。最后，使用不同的合成图案和大规模测试用例（包括用于图形处理应用程序的现实世界通信网络）来验证建筑性能。实验表明，与其他拓扑和方法相比，由提出的方法生成的大脑网络启发的NOC的平均HOP计数显着降低，平均延迟较低。尤其是在具有幂律和紧密耦合核心间通信的图形处理应用中，大脑网络启发的NOC的平均HOP计数高达70％，比基于网格的NOC低75％。
GeNNius：一种基于图神经网络的超快药物-靶标相互作用推理方法
药物-靶标相互作用 (DTI) 预测是药物再利用领域中一项相关但具有挑战性的任务。计算机模拟方法引起了特别的关注，因为它们可以降低传统方法的相关成本和时间投入。然而，当前最先进的方法存在几个局限性：现有的 DTI 预测方法在计算上成本高昂，从而阻碍了使用大型网络和利用可用数据集的能力，并且 DTI 预测方法对未见数据集的推广仍未探索，这可能会在准确性和稳健性方面改善 DTI 推断方法的开发过程。在这项工作中，我们介绍了 GE NN IUS（图嵌入神经网络相互作用发现系统），这是一种基于图神经网络 (GNN) 的方法，在各种数据集的准确性和时间效率方面均优于最先进的模型。我们还通过评估每个数据集中以前未知的 DTI 展示了其发现新相互作用的预测能力。我们通过在不同数据集上训练和测试 GE NN IUS 进一步评估了其泛化能力，结果表明该框架可以通过在大型数据集上训练并在较小的数据集上测试来潜在地改进 DTI 预测任务。最后，我们定性地研究了 GE NN IUS 生成的嵌入，发现 GNN 编码器在图卷积之后保留了生物信息，同时通过节点传播这些信息，最终在节点嵌入空间中区分蛋白质家族。
Tiago de Paula Peixoto教授
推断和重建复杂网络摘要：网络数据为我们提供了广泛的复杂系统的描述，包括社会动态，人脑，细胞代谢，生态系统，气候动态，流行病扩散，用户行为，文本语料库，信息基础架构等。过去二十年来，几乎所有科学，技术和工业领域的网络数据中都有越来越多的洪水泛滥。是高维，稀疏，构造且通常是大的关系对象，网络数据提出了特定的挑战，需要特殊的分析和方法论框架。尤其是这些属性阻止了我们直接检查大型网络的结构，而要求我们开发生成模型和推理算法来描述它们的大和中尺度结构。此外，引起系统功能行为的成对相互作用通常无法直接访问，因为它们是不可能直接测量的。在这种情况下，我们需要从间接信息中推断或重建隐藏的交互网络。在本演讲中，我回顾了一种基于大规模生成模型和贝叶斯统计推断的全面，原则性和可扩展的方法，可从网络数据中提取科学理解。我将重点介绍模块化结构的原则提取以及从动力学行为中重建网络，从而利用统计物理和信息理论的分析框架。与统计物理学的联系尤其富有成果，因为它揭示了与自旋系统的等效性，包括与可检测性和计算硬度基本限制相关的相变的现象学。
通过在地区供暖网络中利用局部低级热源来减少排放
脱碳的热量在全球向可持续能源转变中至关重要，并且废热液化带来了变革性的机会，尤其是在工业活动领域。因此，本研究研究了与非常规热源集成的区域供暖网络（DHN）的性能，特别是挖水和工业废物，旨在使人们对各种DHN配置的技术和环境含义有全面的了解。为此，已经开发并采用了一种精致的网络染色模拟模型来评估几种网络大小和热源组合的成本和性能，并针对英国巴恩斯利进行了案例研究。结果表明，大型网络的平均热效率约为87％。利用矿水的网络在11.6 - 11.9 p/kWh的范围内具有升级的热成本（LOCH）；引入工业废物将其降低到10.6 - 10.7 p/kWh。此外，废热集成将所提供的热量的碳因子降低到0.05 kgco2/kWh。在案例研究网络所涵盖的地区从锅炉到区域供暖的过渡显示，降低边际排放量从44.76％到83.46％。这些网络实现经济生存能力的气价从8.6到8.8 p/kWh不等。总而言之，DHNS提出了，尤其是在用工业废热增强时，出现了作为Barnsley等领域的有前途的解决方案，以追求可持续的供暖。这些发现对于政策制定者和当地理事机构来说至关重要，因为英国可以满足其2050年净零野心。