XiaoMi-AI文件搜索系统
World File Search System对齐
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
O（s）空间中的最佳间隙式对齐
动机：成对序列比对仍然是计算生物学和生物启发性的基本问题。基因组学和测序技术的最新进展要求更快，可扩展的算法可以应对不断增加的序列长度。基于动态程序的经典成对比对算法受到时间和记忆的二次需求的强烈限制。最近提出的波前比对算法（WFA）引入了一种有效的算法，以在OðNS的时间内执行精确的差距 - 额度对齐，其中s是最佳分数，n是序列长度。尽管有这些界限，但WFA的OðS2Þ对于基因组尺度比对在计算上是不切实际的，导致需要进一步改进。结果：在本文中，我们介绍了双向WFA算法，即能够计算Oðsmemory中最佳比对的第一个GAP-AFFINE算法，同时保留WFA的时间复杂性OðNSS。结果，这项工作改善了最低的已知内存结合OðnÞ以计算间隙 - 额定对准。实际上，我们的实施不需要超过几百MB的嘈杂的牛津纳米孔技术来读取多达1 MBP，同时保持有竞争力的执行时间。可用性和实施：所有代码均可在https://github.com/smarco/biwfa-paper上公开获取。联系人：santiagomsola@gmail.com补充信息：补充数据可从BioInformatics Online获得。
MSCI气候巴黎对齐基准选择索引方法
1索引由一组方法和政策文档（“方法集”）约束，包括当前的索引方法文档。有关更多详细信息，请参考附录IX。2在2020年12月3日，欧盟委员会在官方杂志（https：//ur- eur- lex.europa.eu/legal-content/en/txt/pdf/？以防欧盟授权的行为发生变化，并且需要对索引方法进行更新，MSCI将在实施该方法的更改之前发布公告。MSCI不会为此更新进行正式咨询。3欧洲议会的2019/2088法规（EU）和2019年11月27日在金融服务领域的可持续性相关披露的理事会，网址为：https：//eur-lex.europa.eu/legal-legal-legal-legal-legal-legle/legal- content/en/en/en/en/en/en/txt/pdf/pdf/pdf/pdf/？
bimsa：使用内存处理加速长序列对齐
单细胞RNA-Seq以前所未有的规模和细节来表征生物样品，但数据解释仍然具有挑战性。在这里，我们介绍了Cellwhisperer，这是一种多模式的机器学习模型和软件，该模型和软件连接转录组和文本，用于交互式单细胞RNA-seq数据分析。Cell Whisperer启用25英语中基于聊天的转录组数据的询问。为了培训我们的模型，我们创建了一个具有超过一百万对RNA-seq配置文件和匹配的文本注释的A-Ai-Cunip策划数据集，并在广泛的人类生物学上进行了匹配，我们建立了使用对比学习的匹配转录组和文本的多模式嵌入。我们的模型启用了按单元类型，状态和其他属性以零摄像的方式启用转录组数据集的自由文本搜索和注释，而无需参考数据集。此外，细胞-30个耳语者回答了关于自然语言聊天中细胞和基因的问题，使用生物学流利的大语言模型，我们对我们进行了微调，以分析各种生物应用中的批量和单细胞转录组数据。我们将Cell Whisperer与广泛使用的CellXgene浏览器集成在一起，使用户可以通过集成的图形和聊天接口进行遗传探索RNA-Seq数据。我们的方法展示了一种使用转录组数据的新方法，利用自然语言进行单细胞数据35分析，并为未来的基于AI的生物信息学研究助理建立重要的基础。
MSCI气候巴黎对齐基准选择索引方法
1索引由一组方法和政策文档（“方法集”）约束，包括当前的索引方法文档。有关更多详细信息，请参考附录IX。2在2020年12月3日，欧盟委员会在官方杂志（https：//ur- eur- lex.europa.eu/legal-content/en/txt/pdf/？以防欧盟授权的行为发生变化，并且需要对索引方法进行更新，MSCI将在实施该方法的更改之前发布公告。MSCI不会为此更新进行正式咨询。3欧洲议会的2019/2088法规（EU）和2019年11月27日在金融服务领域的可持续性相关披露的理事会，网址为：https：//eur-lex.europa.eu/legal-legal-legal-legal-legal-legle/legal- content/en/en/en/en/en/en/txt/pdf/pdf/pdf/pdf/？
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，来减少校准时间甚至提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，属于三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
切线空间对齐：脑机接口的迁移学习...
受试者之间和会话之间的脑电图 (EEG) 统计差异是脑机接口 (BCI) 领域面临的一个常见问题。这种差异阻碍了预先训练的机器学习模型的使用，并且需要对每个新会话进行校准。本文介绍了一种处理这种差异性的新迁移学习 (TL) 方法。该方法旨在通过在正定矩阵黎曼流形的切线空间中将一个受试者的 EEG 数据与另一个受试者对齐，从而减少校准时间并提高 BCI 系统的准确性。我们在 18 个 BCI 数据库上测试了该方法，这些数据库总共包含 349 名受试者，涉及三个 BCI 范式，即事件相关电位 (ERP)、运动想象 (MI) 和稳态视觉诱发电位 (SSVEP)。我们使用支持向量分类器进行特征分类。结果表明，与传统的训练-测试流程相比，在 ERP 范式中，分类准确度显著提高，而对于 MI 和 SSVEP 范式，性能均未下降。与之前发布的黎曼方法黎曼普鲁克勒斯分析 (RPA) 相比，总体准确度提高了 2.7%。有趣的是，切线空间对齐具有处理具有不同通道数的数据集的迁移学习的内在能力，自然适用于数据集间的迁移学习。
通过对比学习统一双空间嵌入以实现实体对齐
实体对齐 (EA) 旨在匹配不同知识图谱 (KG) 中的相同实体。基于图神经网络的实体对齐方法在欧几里得空间中取得了良好的效果。然而，KG 通常包含复杂的局部和层次结构，难以在单个空间中表示。在本文中，我们提出了一种名为 UniEA 的新方法，它统一了双空间嵌入以保留 KG 的内在结构。具体而言，我们同时学习欧几里得空间和双曲空间中的图结构嵌入，以最大化两个空间中嵌入之间的一致性。此外，我们采用对比学习来减轻由相似实体引起的错位问题，其中相似相邻实体的嵌入变得太近。在基准数据集上进行的大量实验表明，我们的方法在基于结构的 EA 方法中实现了最佳性能。我们的代码可以在https://github.com/wonderCS1213/UniEA上找到。
深度学习对脑电图解码的欧几里德对齐的系统评估
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
修订的牛津原则的净零对齐碳抵消
自2020年《原则》首次出版以来，人们对将组织和抵消策略与净净纳入保持一致。尽管如此，证据仍然对许多用于抵消的碳信用的完整性的疑问，而当今发生的大多数抵消仍然没有净零净。在过去的几年中，对最常见类型的碳信用项目的分析发现了过度信贷的证据，这些证据破坏了气候变化的缓解工作。此外，可靠的去除的供应距离还远远不足。认识到这些挑战，组织和标准机构已选择摆脱“抵消”一词，以避免误导性主张。修订后的原则强调了原始原则的核心组成部分，呼吁在碳市场和抵消实践中进行重大的课程纠正，同时还阐明了作者认为进一步详细信息将对用户有益的领域的净零净对齐原理的各个方面。最重要的更新包括：