XiaoMi-AI文件搜索系统
World File Search System层次
由人类双流启发的假肢手的半自治层次控制框架
摘要：假肢手的常规使用显着增强了amputees的日常生活，但它经常引入认知载荷并降低反应速度。为了解决这个问题，我们引入了一个可穿戴的半自治层次控制框架，该框架是为截肢者量身定制的。从人类的视觉处理流中汲取灵感，将完全自主的仿生控制器集成到假肢手部控制系统中，以折断认知负担，并以人类在循环（HIL）控制方法中进行补充。在腹流阶段，控制器整合了用户手眼协调和生物本能中的多模式信息，以分析用户的运动意图并操纵视图域中的原始开关。通过HIL控制策略实现了向背流阶段的过渡，将精确的力控制与假肢的传感器和用户的肌电图（EMG）信号相结合。实验结果证明了所提出的界面的有效性。我们的方法提出了一种更有效的机器人控制系统与人之间相互作用的方法。
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
层次强化学习和价值优化，用于挑战四倍的运动
摘要 - 我们提出了一个新颖的层次结构增强学习框架，用于在具有挑战性的地形上进行四足运动。我们的方法结合了两层层次结构，高级计划者（HLP）选择低级政策（LLP）的最佳目标。LLP是使用派演员批评的RL算法训练的，并将脚步放置为目标。HLP不需要任何额外的培训或环境样本，因为它是通过在线优化过程对LLP的价值函数进行的。我们通过将其与端到端的强化学习（RL）方法进行比较来证明该框架的好处，从而突出了其在各种不同地形阵列中碰撞较少的碰撞较少的能力的提高。索引术语 - 动物学，强化学习，优化
课堂设置中的层次依赖性影响算法偏见指标
测量机器学习中的算法偏差历史上一直存在于与特定组有关的统计不平等上。，最常见的指标（即专注于个人或组条件错误率的指标）当前不适合教育环境，因为他们认为每个单独的访问都与其他人独立。在研究某些共同的教育成果时，这在统计学上是不合适的，因为这样的指标无法说明课堂中的学生之间的关系或在整个学年中每个学生的多次观察。在本文中，我们介绍了独立数据结构和嵌套数据结构的回归算法偏差测量的新颖适应性。使用层次线性模型，我们严格测量了学生参与智能补习系统与年终标准化考试分数之间关系的机器学习模型中的算法偏差。我们得出的结论是，课堂层面的影响对模型产生了很小但重大影响。使用层次线性模型来检查重要性有助于确定教育环境中哪些不平等现象可能由小样本量而不是系统差异来解释。
用于基础架构场景3D点云语义分割的层次SVM
摘要：建筑信息建模（BIM）的结合带来了土木工程的重大进步，增强了项目生命周期的效率和可持续性。激光扫描等高级3D点云技术的利用扩展了BIM的应用，尤其是在操作和维护中，促使探索自动化解决方案以进行劳动密集型点云建模。本文介绍了监督机器学习（特别是支持向量机）的演示，用于分析和分割3D点云，这是3D建模的关键步骤。对点云语义分割工作流进行了广泛的审查，以涵盖关键元素，例如邻域选择，特征提取和特征选择，从而为此过程开发了优化的方法。在每个阶段都实施各种策略，以增强整体工作流程并确保弹性结果。然后使用来自桥梁基础结构场景的不同数据集评估该方法，并将其与最先进的深度学习模型进行了比较。调查结果强调了在精确细分3D点云时监督机器学习技术的有效性，超过了较小的培训数据集的深度学习模型，例如PointNet和PointNet ++。通过实施高级分割技术，要点对点云的3D建模所需的时间有所减少，从而进一步提高了BIM过程的效率和有效性。
物体识别过程中脑震荡活动的表征内容：对比皮质和深层神经网络层次
摘要 许多理论都提出脑振荡在视觉感知中起着关键作用。这些理论中的大多数都假定感觉信息被编码在特定频带的特定振荡分量（例如功率或相位）中。这些理论通常用低空间分辨率的全脑记录方法（EEG 或 MEG）或提供局部、不完整大脑视图的深度记录来测试。弥合局部神经群和全脑信号之间差距的机会很少。在这里，我们使用人类参与者的表征相似性分析 (RSA) 来探索哪些 MEG 振荡分量（功率和相位，跨不同频带）对应于低级或高级视觉对象表征，使用来自 fMRI 的大脑表征或七个最新深度神经网络 (DNN) 中的分层表征作为低级/高级对象表征的模板。结果表明，在刺激开始和结束前后，大多数瞬态振荡信号与低级大脑模式 (V1) 相关。在刺激呈现期间，持续的 b ( ; 20 Hz) 和 g ( . 60 Hz) 功率与 V1 最相关，而振荡相位分量与 IT 表征相关。令人惊讶的是，这种结果模式并不总是对应于低级或高级 DNN 层活动。特别是，持续的 b 波段振荡功率反映了高级 DNN 层，暗示存在反馈分量。这些结果开始弥合全脑振荡信号与局部神经元激活支持的对象表征之间的差距。
基于EEG的驱动疲劳检测，使用两级学习层次径向基础函数
阿尔茨海默氏病（AD）是老年人中常见的神经退行性痴呆。尽管没有有效治疗AD的有效药物，但在相关研究中已经发现了与AD相关的蛋白质。蛋白质之一是线粒体融合蛋白2（MFN2），其调节大概与AD有关。但是，没有针对MFN2调节的特定药物。在这项研究中，在扩展的戴维斯数据集中构建和训练了三个隧道深神经网络（3个隧道DNN）模型。在预测药物靶向结合属性值时，模型的准确性高达88.82％，损耗值为0.172。通过对药库数据库中1,063种批准的药物和小分子化合物的结合afinity值进行排名，由3个隧道DNN模型推荐了前15个药物分子。去除分子量<200和局部药物后，总共选择了11个药物分子进行文献挖掘。结果表明，六种药物对AD有效，这些药物在参考文献中报告。同时，在11种药物上实施了分子对接实验。结果表明，所有11个药物分子都可以成功与MFN2停靠，其中5个具有很大的结合作用。
MTNeuro：评估跨多个抽象层次的大脑结构表征的基准
我们可以从多个抽象尺度来描述同一张图像，这取决于我们关注的是细粒度细节还是图像的更全局属性。在脑映射中，学习自动解析图像以构建小尺度特征（例如，细胞或血管的存在）和图像全局属性（例如，图像来自哪个大脑区域）的表示是一项重要且开放的挑战。然而，大多数现有的神经解剖学数据集和基准一次只考虑一个下游任务。为了弥补这一差距，我们引入了一个新的数据集、注释和多个下游任务，它们提供了从同一张图像中读取有关大脑结构和架构信息的多种方式。我们的多任务神经成像基准（MTNeuro）建立在体积、微米分辨率的X 射线显微断层扫描图像上，这些图像覆盖了小鼠大脑的大部分丘脑皮质部分，包含多个皮质和皮质下区域。我们生成了许多不同的预测挑战，并评估了几种用于脑区预测和微结构像素级语义分割的监督和自监督模型。我们的实验不仅突出了该数据集的丰富异质性，而且还提供了有关如何使用自监督方法来学习表示以捕获单个图像的多个属性并在各种下游任务中表现良好的见解。数据集、代码和预训练基线模型可在以下网址获得：https://mtneuro.github.io/ 。
用于研究2D层次材料的离子传输的可润湿性工程
要研究2D材料，一种共同的途径是在固体基板的表面上支撑它们。在这种情况下，如果要按需插入离子，即通过某种控制机制，则必须与电解质接触。相对于计数器电极，给定的2D材料中给定的离子物种的化学潜力差异为离子插入的驱动力提供了可以控制的驱动力。尽管底物本身可以用作固态电解质，例如在离子导电玻璃陶瓷的情况下，[10-12]在受支持的2D材料的层之间插入离子插入可能会受到阻碍，因为通常有效地插入了通常通过边缘或缺陷站点进行有效插入。在从顶部施加电解质时，覆盖它们的可能性更大 - 近年来，这种方法主要用于静电门控。[13,14]为了以系统的方式插入和运输的目的解决，重要的是以图案化的方式将电解质与2D材料集成在一起，例如在离子扩散过程上强加方向性。这主要是样本量和模式分辨率问题，可以通过100 µm及以后的规模来解决，例如，通过固态电解质的添加剂制造[15]或通过对液体的喷墨打印。[16–18]这些方法的当前局限性是通过打印分辨率以及通过电解质的机械性能来设置的。这些往往很容易弄湿样品表面的大部分，必须因此，粘性电解质或离子 - 凝胶更直接地打印[16]，而一系列低粘度电池级电解质（例如碳酸乙酯/碳酸乙酯中的LIPF 6）不是。
大脑在多步预期过程中以层次化的方式呈现过去和未来
环境在各个序列中是不同的。参与者总共学习了四个序列：一条绿色和蓝色路径，包含一组八个环境，另一条绿色和蓝色路径，包含一组不同的八个环境。为了便于说明，这里只描绘了一条绿色和一条蓝色路径。（b）故事生成。为了学习环境的顺序，参与者为每条路径生成故事，以按顺序链接环境。参与者被告知将最终环境链接回第一个环境以创建一个循环。（c）虚拟现实训练。参与者随后在沉浸式虚拟现实中以绿色路径顺序和蓝色路径顺序探索环境，同时排练他们的故事。在给定的环境中，会出现一个绿色和蓝色的球体。触摸这些球体时，参与者会按照相应的（绿色或蓝色）序列传送到下一个环境。然后，参与者回忆起四个序列中的每一个的顺序（未显示）。环境图像是游戏引擎 Unity 中从可用于商业用途的资产创建的 3D 环境的屏幕截图。