XiaoMi-AI文件搜索系统
World File Search System大规模
CHIME：CMOS 体内微电极，用于大规模可扩展的神经元记录
哺乳动物的大脑由数千万到数千亿个神经元组成，这些神经元以毫秒级的时间尺度运行，而目前的记录技术只能捕捉到其中的一小部分。能够以高时空分辨率对神经活动进行采样的记录技术一直难以扩展。研究最深入的哺乳动物神经元网络（例如大脑皮层）呈现出分层结构，其中最佳记录技术可在大面积上进行密集采样。然而，对特定应用设计的需求以及大脑的三维结构与二维微加工技术之间的不匹配严重限制了神经生理学研究和神经假体。在这里，我们讨论了一种可扩展神经元记录的新策略，即将玻璃包覆微线束与来自高密度 CMOS 体外 MEA 系统或高速红外摄像机的大规模放大器阵列相结合。由于玻璃包覆微线中芯金属的高导电性，允许使用超薄金属芯（低至 < 1 µ m）和可忽略不计的杂散电容，因此实现了高信噪比（< 25 µ V RMS 本底噪声，SNR 高达 25）。尖端的多步电化学改性可实现超低接入阻抗和最小几何面积，这与芯直径基本无关。我们表明，可以减小微线尺寸，以几乎消除插入时对血脑屏障的损伤，并且我们证明微线阵列可以稳定地记录单个单元活动。将微线束和 CMOS 阵列相结合可以实现高度可扩展的神经元记录方法，将电神经元记录的进展与硅微加工的快速进展联系起来。系统的模块化设计允许自定义记录位置的排列。我们采用微创、高度绝缘和功能化的微线束将二维 CMOS 架构扩展到第三维，这种方法可以转化为其他 CMOS 阵列，例如电刺激设备。
具有社交媒体数据的道德研究：大规模定量研究中的知情同意
社交媒体已成为研究数据的常见来源，提供了大量，高度多样性和易于访问的访问。尽管如此，除了基本法律要求之外，采矿社交媒体数据的伦理非常复杂。在本文中，我们简要回顾了最先进的建议，并通过虚拟启用项目的示例提出了一种特定而实用的方法，该项目将计算方法用于定量研究。在设计该项目的背景下，我们详细分析了同意和隐私的查询，特别讨论了知情同意的局限性。通过信息伦理的角度，我们主张对与使用社交媒体用户数据相关的道德问题有整体理解，而不是标准化的“盒装”方法，这些方法倾向于偏爱。我们得出的结论是，并非总是需要明确的同意，特别是如果研究的结果是汇总形式的，即以某种方式未在其原始上下文之外发布单个数据。
大规模研究揭示了DNA转座子的功能多样性，并扩展了基因组工程工具箱
自从芭芭拉·麦克林托克（Barbara McClintock）在1940年代首次发现转座以来，科学家一直对这些“跳跃基因”及其在进化中的作用着迷。作为主要的转座子类型之一，DNA转座子已受到相当大的关注。然而，由于先前的案例研究规模有限，与换位活动和进化模式相关的因素尚不清楚。
信息和通信技术工具和方法的博士学位论文，用于分布式和大规模培训的深度神经网络
深度神经网络（DNN）一直处于机器学习（ML）和深度学习（DL）（DL）的最新突破的最前沿。dnns越来越多地用于各种任务，从对卫星图像的地球观察和分析到医学诊断和智能聊天机器人。在这些进步方面的主要贡献是培训数据，计算资源和框架的丰富性，可以在范式中有效地培训越来越多，更复杂的DNN，该范式被称为分布式DL，尤其是分布式培训，这是该博士学位的重点。在分布式培训中，数据和计算分布在几个工人中，而不是单主培训，其中数据和计算都驻留在单个工人上。在这种设置中，分布式培训可以帮助克服单主训练的局限性，例如内存限制，计算瓶颈和数据可用性。但是，分布式培训带来了许多需要仔细解决的挑战，以便具有有效利用它的系统。这些挑战包括但不限于工人中计算和数据的有效分布，Straggler工人在集群中的统计（与其他工人相比，在计算步骤中大大落后于工人），尤其是在同步执行的工作，以及工人之间的交流和同步。这意味着系统应在计算和数据维度上提供可伸缩性。另一方面，从编程和可用性的角度来看，使用分布式培训范式通常需要了解分布式计算原理和具有分布式和数据密集型计算框架的经验以及对单霍斯特培训使用的代码进行重大更改。此外，随着训练A DNN涉及几个步骤和阶段（例如，数据准备，超参数调整，模型培训等。），希望可以重复使用彼此不同步骤的计算结果（例如，在高参数调谐试验中学习的权重，以便改善训练时间，以便在高参数调整试验中学习的权重）。最后，当开发更大，更复杂的DNN时，我们还需要了解每个设计选择的贡献。本博士学位论文的贡献解决了上述挑战，并共同优化了大规模的DNN培训，使其更易于访问，高效和计算可持续性，同时又可以在ML/DL工作流中延长冗余，并为进行消水研究提供了有用的工具。
13 I 2025年1月https://doi.org/10.22214/ ... AI中的解释性：数据科学的可解释模型 对... 的比较材料选择电池组外壳 使用机器学习模型预测以太坊价格 将IC发动机改造为两轮车中的EV 使用超声传感器的360度雷达 工业缺陷检测的机器学习算法 基于区块链的碳信用生态系统 大规模数据标签和用法中的道德问题 13 I 2025年1月https://doi.org/10.22214/ ...
摘要：这项研究着眼于与信用卡盗窃有关的严重问题，并评估机器学习方法如何检测并停止它。更复杂的欺诈是由于互联网交易的增加而造成的，危害了消费者和金融机构。信用卡日益增长的使用需要快速开发有效的欺诈检测系统，这些系统可以识别并停止欺诈性交易。这项研究着眼于一系列机器学习方法，从更常规的决策树或逻辑回归到更复杂的方法，例如支持向量算法，具有人工智能的神经网络，随机生成的森林和混合模型。我们分析了每种方法的优点和缺点，重点是其召回，准确性，精度和能力，以使用不平衡的数据集管理情况。可以通过将混合方法与合奏学习技术相结合，可以提高检测率并降低假阳性。合成的少数群体过度采样技术（SMOTE）提高了训练机学习模型的可靠性，并成功解决了类不平衡。这项研究强调了实时分析数据并采用最先进的技术（例如大数据分析和深度培训），以跟上新的欺诈策略是多么重要。行业 - academia的合作以及该部门正在进行的研发对于成功部署欺诈检测技术至关重要。这项研究强调了对最先进的机器学习方法的紧迫需求，以防止信用卡盗窃。通过增强金融机构识别欺诈的能力，这些技术发展将保护和维护消费者对在线交易的信任。改善了研究结论的目标，改善了所有利益相关者的欺诈检测系统和更安全的经济环境。
大规模数据标签和用法中的道德问题13 I 2025年1月https://doi.org/10.22214/ ...13 I 2025年1月https://doi.org/10.22214/ ...
摘要：此AI驱动的Web应用程序将机器学习与高级聊天机器人相结合，以交付个性化的医疗解决方案，以对话方式与用户进行交流，以收集有关其症状的信息，随后通过机器学习系统处理了有关其症状的信息，以建议可能的健康状况。在此评估之后，该应用建议适合确定问题的药物，并提供自然的家庭疗法，以缓解临时症状。独特的健康提醒系统与用户定期检查，跟踪症状进展并提供后续指导。基于用户反馈，该系统可能建议咨询医疗保健专业人员，以支持积极的，以用户为中心的自我保健和健康管理方法。关键字：人工智能，数据集，机器学习。
研究论文大规模基因组范围CRISPR筛查显示PRC1是透明细胞肾细胞癌中的肿瘤必需候选者
背景：透明细胞肾细胞癌（CCRCC）是肾癌的普遍和侵略性亚型，通常与转移和复发有关。鉴定CCRCC进展涉及的关键基因对于改善治疗策略和患者预后至关重要。方法：我们进行了大规模基因组CRISPR筛选，以使用DEPMAP数据库识别对CCRCC进展至关重要的基因。为了发现和验证，我们整合了来自癌症基因组图集（TCGA），GEO和NJMU-CCRCC临床群体的多摩学数据。进行了生物信息学分析，包括差异表达，途径富集和蛋白质 - 蛋白质相互作用网络分析，以阐明生物学功能。为了验证我们的发现，我们采用了免疫组织化学，QRT-PCR和各种细胞分析来研究PRC1在CCRCC中的作用。结果：CRISPR筛选将PRC1确定为一个关键基因，从DEPMAP数据库中的CCRCC组织中显着过表达。升高的PRC1表达与整体生存率差，疾病特异性生存和无进展间隔有关。在CCRCC细胞系中的沉默PRC1抑制细胞增殖，迁移和菌落形成。功能富集分析表明，PRC1参与了基本过程，例如细胞周期调节，有丝分裂和细胞因子。另外，PRC1表达与Wnt/β-蛋白途径的激活相关，这表明PRC1在肿瘤进展中起关键作用。结论：PRC1成为CCRCC的有希望的生物标志物和治疗靶标。升高的PRC1表达与预后不良有关，其抑制作用抑制了CCRCC细胞的增殖和迁移。我们的发现强调了PRC1在CCRCC进展中的关键作用，并强调了进一步研究其分子机制和治疗潜力的必要性。
大规模脊髓灰质炎疫苗接种运动将继续在加沙地带
免疫力低或没有免疫力的个体的口袋为该病毒提供了继续传播并可能引起疾病的机会。当前的加沙环境，包括在避难所中人满为患以及促进粪便口传播的严重损坏的水，卫生和卫生基础设施，为进一步传播脊髓灰质炎病毒创造了理想的条件。当前停火造成的广泛人口运动可能加剧脊髓灰质炎病毒感染的传播。
质量足够吗？在神经音频合成模型的大规模评估中整合能耗
抽象的深度学习模型现在是现代音频综合的核心组成部分，近年来它们的使用已大大增加，从而导致了高度准确的多个任务系统。但是，这种对质量的追求以巨大的计算成本产生了巨大的能源消耗和温室气体的排放。这个问题的核心是科学界用来比较各种贡献的标准化评估指标。在本文中，我们建议依靠基于Pareto最优性的多目标度量，该指标同样考虑模型的准确性和能耗。通过将我们的度量应用于生成音频模型的当前最新技术，我们表明它可以逐渐改变结果的重要性。我们希望提高人们对高质量模型的能源效率的需求，以便将计算成本放在深度学习研究重点的中心。