XiaoMi-AI文件搜索系统
World File Search System常用工具
学习融合多个大脑功能网络以实现自闭症的自动识别
摘要：功能连接网络（FCN）已成为识别脑功能障碍（如自闭症谱系障碍（ASD））潜在生物标志物的常用工具。由于其重要性，研究人员提出了许多从静息态功能磁共振（rs-fMRI）数据估计FCN的方法。然而，现有的FCN估计方法通常仅捕获大脑感兴趣区域（ROI）之间的单一关系，例如线性相关、非线性相关或高阶相关，因此无法对大脑中ROI之间的复杂相互作用进行建模。此外，此类传统方法以无监督的方式估计FCN，并且估计过程独立于下游任务，这使得难以保证ASD识别的最佳性能。为了解决这些问题，本文提出了一种基于rs-fMRI的ASD分类多FCN融合框架。具体而言，对于每个受试者，我们首先使用不同的方法估计多个FCN，以从不同角度编码ROI之间的丰富相互作用。然后，我们使用标签信息（ASD 与健康对照 (HC)）来学习一组融合权重，以衡量这些估计的 FCN 的重要性/区分度。最后，我们将自适应加权融合 FCN 应用于 ABIDE 数据集，以从 HC 中识别出患有 ASD 的受试者。提出的 FCN 融合框架易于实现，与传统和最先进的方法相比，可以显著提高诊断准确性。
植物突变育种和生物技术 - 粮农组织
直到 20 世纪，自发突变都是人类在选择适合驯化和育种的植物和动物时可以利用的新遗传多样性的唯一来源。当人们发现电离辐射可以改变生物体的遗传组成时，植物育种迎来了飞跃。LJ Stadler 在 20 世纪 20 年代末的开创性工作标志着植物突变育种的开始，尽管 Stadler 本人对其实际价值并不乐观。直到 1964 年粮农组织/国际原子能机构食品和农业核技术联合司成立，并发挥全球协调和协同作用，植物突变育种才成为全球植物育种者可用的常用工具。自成立以来，联合司继续在促进粮农组织和国际原子能机构成员国使用突变技术改良作物方面发挥着重要作用。它通过协调和支持研究、促进能力建设和技术转让、提供技术服务和政策建议以及收集、分析和传播信息来实现这一目标。截至 2009 年底，全球正式发布的突变品种数量已达到 3,088 个，而 1964 年仅有 77 个。联合处的早期举措是编纂《突变育种手册》，该手册由国际原子能机构于 1975 年出版，1977 年出版第二版。该手册随后被翻译成多种语言，并被广泛接受。
使用新概率粒子群优化器和顺序差分进化的脑电信号癫痫病识别模型
摘要 癫痫是个体的一种慢性发作状态。脑细胞群反映出异常的电活动。脑电图 (EEG) 是一种监测大脑活动和诊断神经系统疾病的常用工具。在处理具有超高维度的复杂变换特征并从 EEG 中提取最佳特征时，对癫痫和非癫痫数据进行分类是一项具有挑战性的任务。本文提出了一种新的混合方法来选择最佳特征，该方法涉及粒子群优化 (PSO) 算法、新开发的概率粒子群优化 (PPSO) 算法和顺序差分进化 (SDE) 算法。癫痫患者的 EEG 数据已用于评估该方法。使用离散波长变换提取特征。PSO、PPSO 和 SDE 从 EEG 的特征空间中选择最佳特征。进一步使用不同的分类器评估这些最佳特征的性能。比较了 PSO、PPSO 和 SDE 的性能。本文对生物启发算法对脑电信号特征优化的重要性进行了广泛的研究。在所有分类器中，支持向量机 (SVM) 表现优异，在第 100 个周期时，PPSO 的准确率为 97.74%，SDE 的准确率为 98.34%。这表明最佳特征选择提高了分类器的性能。
动物中的控制论或通信和控制......
十三年前，当我撰写《控制论》第一版时，我遇到了一些严重的障碍，导致不幸的印刷错误和一些内容错误堆积如山。现在，我相信是时候重新考虑控制论了，不仅仅是把它看作一个未来某个时期要实施的计划，而是把它看作一门现有的科学。因此，我借此机会向读者提供必要的更正，同时介绍该学科的现状以及自首次出版以来出现的新相关思维方式。如果一门新的科学学科具有真正的活力，那么人们对它的兴趣中心必须而且应该随着时间的推移而转移。当我第一次写《控制论》时，我发现提出我的观点的主要障碍是统计信息和控制理论的概念是新颖的，甚至可能对当时既定的态度造成冲击。目前，它们已经成为通信工程师和自动控制设计人员的常用工具，我必须防范的主要危险是这本书可能显得陈腐和平庸。反馈在工程设计和生物学中的作用已经得到充分证实。信息的作用以及测量和传输信息的技术构成了工程师、生理学家、心理学家和社会学家的一门完整学科。本书第一版几乎没有预测到的自动机已经出现，而我不仅在本书中，而且在其畅销小书《人的人的用处》1 中警告过的相关社会危险已经远远超出了视野。
在自主驾驶的背景下对加强学习的奖励功能的审查
摘要 - 肌形加密（HE）是用于构建隐私应用程序的常用工具。但是，在许多客户和高延迟网络的情况下，由于密码大小较大而引起的通信成本是bot-tleneck。在本文中，我们提出了一种新的压缩技术，该技术使用具有较小的密文的添加剂同构加密方案，以基于错误的学习（LWE）来压缩大型同构密文。我们的技术利用了此类密文的解密中的线性步骤，以将部分解密委托给服务器。我们达到的压缩比最高90％，这仅需要一个小的压缩密钥。通过同时压缩多个密文，我们的压缩率超过99％。我们的压缩技术可以很容易地应用于将LWE密文从服务器传输到客户端的应用程序，以作为对查询的响应。更重要的是，我们将技术应用于私人信息检索（PIR），其中客户端访问数据库而无需透露其查询。使用我们的压缩技术，我们提出了Zippir，这是一种PIR协议，它在文献中所有协议中达到了最低的总体通信成本。Zippir不需要在预处理阶段与客户进行任何通信，这是用于与短暂客户端或高延迟网络的PIR用例的绝佳解决方案。
使用零均值高斯态和部分光子数分辨检测无法产生任意非高斯态
高斯状态和测量值加在一起不足以成为量子计算的强大资源，因为任何高斯动力学都可以用经典方法高效模拟。然而，众所周知，任何一种非高斯资源（状态、幺正运算或测量）与高斯幺正值一起构成通用量子资源。光子数分辨 (PNR) 检测是一种易于实现的非高斯测量，已成为尝试设计非高斯状态以进行通用量子处理的常用工具。在本文中，我们考虑对零均值纯多模高斯状态的子集进行 PNR 检测，以此作为在未检测到的模式上预示目标非高斯状态的一种手段。这是因为使用压缩真空和被动线性光学系统可以轻松可扩展地制备具有零均值的高斯状态。我们计算了实际预示状态和目标状态之间的保真度上限。我们发现，当目标状态是多模相干猫基簇状态时，该保真度上限为 1/2，这对于通用量子计算来说是一种足够的资源。这证明了存在无法通过此方法产生的非高斯状态。我们的保真度上限是一个简单的表达式，仅取决于光子数基中表示的目标状态，它可以应用于其他感兴趣的非高斯状态。
![arXiv:2501.07502v1 [cs.LG] 2025 年 1 月 13 日](/simg/g:\will\search\icon\source\8\874bffd147cf2c1d48854fba2a925698143a2659.png)
arXiv:2501.07502v1 [cs.LG] 2025 年 1 月 13 日
强化学习 (RL) 是决策制定中的一种常用工具，它根据相关的累积回报/奖励从各种经验中学习策略，而不会对它们进行区别对待。相反，人类通常会学会区分不同的绩效水平，并提取潜在趋势，以改善他们的决策，从而获得最佳绩效。受此启发，本文提出了一种新颖的 RL 方法，通过区分收集到的经验来模仿人类的决策过程，从而进行有效的策略学习。主要思想是从具有不同绩效水平的经验中提取重要的方向性信息（称为评级），以便可以更新策略以使其偏离具有不同评级的经验。具体而言，我们提出了一种新的策略损失函数，该函数惩罚当前策略与具有不同评级的失败经验之间的分布相似性，并根据评级类别为惩罚项分配不同的权重。同时，来自这些评级样本的奖励学习可以与新的策略损失相结合，以实现来自评级样本的综合奖励和策略学习。优化综合奖励和策略损失函数将导致发现策略改进的方向，即最大化累积奖励，对最低绩效水平惩罚最多，对最高绩效水平惩罚最少。为了评估所提方法的有效性，我们在几个典型环境中进行了实验，结果表明，与现有的仅基于奖励学习的基于评级的强化学习方法相比，该方法的收敛性和整体性能都有所提高。
一种模拟脑肿瘤组织离体超声方法，用于研究应用和临床培训
简介：术中超声正成为神经外科的常用工具。然而，有效的模拟方法有限。目前，商业和自制的模型无法复制超声图像中大脑和肿瘤组织的解剖正确性和纹理复杂性。材料和方法：我们利用离体脑组织，而不是合成材料，来实现真实的回声复杂性和解剖正确性。将浓度为 10-20% 的琼脂注入脑组织以模拟肿瘤肿块。购买了市售的模型进行基准测试。结果：由经验丰富的专业人员进行定性分析，测量添加琼脂的影响并将其与商用模型进行比较。总体而言，与基于合成材料的模型相比，使用离体组织被认为更准确、更具代表性，因为它可以很好地显示真实的大脑解剖结构，并在组织内提供良好的对比度。琼脂肿瘤正确地产生了一个回声较高的区域，边缘有轻微扩散，预计与邻近解剖结构有相互作用。讨论：由于后勤和道德方面的挑战很大，使用人体样本进行训练受到限制。在线神经外科超声数据的稀疏性进一步加剧了这种情况。与体模相比，所提出的方法成功地模拟了脑组织中的肿瘤，体模存在表面纹理不相似、超声回声均匀性和缺乏解剖正确性的问题。结论：所提出的在脑组织中创建肿瘤模拟组织的方法
基于结构的虚拟筛选：从传统到人工智能
药物开发过程是制药行业的一大挑战，因为开发一种新药需要耗费大量的时间和金钱。一种广泛使用的减少药物开发过程成本和时间的方法是计算机辅助药物设计 (CADD)。CADD 可以更好地专注于实验，从而减少研究新药所需的时间和成本。在这种情况下，基于结构的虚拟筛选 (SBVS) 是稳健且有用的，也是药物设计最有前途的计算机模拟技术之一。SBVS 试图预测两种分子之间形成稳定复合物的最佳相互作用模式，并使用评分函数来估计配体和分子靶标之间非共价相互作用的力。因此，评分函数是 SBVS 软件成功或失败的主要原因。许多软件程序都用于执行 SBVS，由于它们使用不同的算法，因此使用相同的输入可能会从不同的软件获得不同的结果。在过去十年中，一些研究使用了一种称为共识虚拟筛选 (CVS) 的 SBVS 新技术来提高 SBVS 的准确性并减少在这些实验中获得的假阳性。能够利用 SBVS 的必不可少的条件是目标蛋白质的 3D 结构。已经创建了一些虚拟数据库，例如蛋白质数据库，用于存储分子的 3D 结构。但是，有时无法通过实验获得 3D 结构。在这种情况下，同源性建模方法可以根据蛋白质的氨基酸序列预测其 3D 结构。本综述概述了使用 CADD 执行 SBVS 所涉及的挑战、CADD 工具支持 SBVS 的领域、最常用工具之间的比较以及当前用于减少药物开发过程中的时间和成本的技术。最后，最终考虑证明了在药物开发过程中使用 SBVS 的重要性。
![脊柱裂开放症[第 2 版；同行评审：2 版获批]](/simg/g:\will\search\icon\source\e\ed84b96aad803d3e75d8a89d76003432993d3074.webp)
脊柱裂开放症[第 2 版；同行评审：2 版获批]
摘要背景：脊柱裂 (SBA) 是一种出生缺陷，与发育中的胎儿大脑的严重解剖变化有关。脑磁共振成像 (MRI) 图谱是研究脑解剖神经病理学的常用工具，但之前的胎儿大脑 MRI 图谱主要关注正常的胎儿大脑。我们的目标是开发一个用于 SBA 的时空胎儿大脑 MRI 图谱。方法：我们开发了一种半自动计算方法来计算第一个用于 SBA 的时空胎儿大脑 MRI 图谱。我们使用了 90 个患有 SBA 的胎儿的 MRI，胎龄从 21 到 35 周不等。所有检查都获得了各向同性和无运动的 3D 重建 MRI。我们提出了一种在患有 SBA 的胎儿大脑 3D MRI 中注释解剖标志的协议，目的是使异常胎儿大脑 MRI 的空间对齐更加稳健。此外，我们提出了一种基于解剖标志的加权广义 Procrustes 方法来初始化图谱。所提出的加权广义 Procrustes 可以处理时间正则化和缺失注释。初始化后，使用基于图像强度和解剖标志的非线性图像配准迭代细化图谱。使用半自动方法将我们的胎儿大脑图谱划分为八种组织类型：白质、脑室系统、小脑、轴外脑脊液、皮质灰质、深层灰质、脑干和胼胝体。结果：评分者内变异性分析表明这七个解剖标志足够可靠。我们发现，所提出的图谱在自动分割患有 SBA 的胎儿大脑 3D MRI 方面优于正常的胎儿大脑图谱。结论：我们公开了一个时空胎儿大脑