XiaoMi-AI文件搜索系统
World File Search System异常
如何用术语来解释“异常”语言功能？
本文涉及术语学中的“异常”语言功能。如果更一般的作品会引起与标准不同的变化（根据语域、地点、时间），那么“异常”一词已被各种作者用来描述不符合非专业情况下预期的语言功能（元素的添加或删除、参数的变化、某些类别的过度使用等）（例如，参见下面引用的 Lehrberger (1986) 和 Pearson (1998)）。即使不使用“异常”一词，也可以从本质上描述的角度识别专业语言的特殊性。在本文中，我们对这种“异常”现象感兴趣，目的是进行解释。我们想表明的是，这些看似异常的功能实际上是由于情况的特殊性造成的。语言描述（尤其是有关词汇的描述）通常是针对中性情况进行的，即没有指定任何特定的上下文。然而，专业语言的一个固有特征是，它们从一开始就以定义话语社区的交流环境为特征。在大多数情况下，异常的语言功能可以通过在专业情况下建立话语社区的共同利益来解释。这种共同利益以专家的投入为前提，体现在特定的语言功能中。因此，本文唤起了经常被提及来解释行话使用的社会语言学方面，它建立了社区，但也可以孤立社区。根据语料库研究的结果，本文描述了语言功能：冗长（添加修饰语）、经济（删除介词和/或限定词），这些功能可以通过概念的精细度来解释
大脑血清素纤维提示异常扩散......
随机 dropout 已成为人工神经网络 (ANN) 中的标准正则化技术，但目前尚不清楚生物神经网络 (BioNN) 中是否存在类似的机制。如果存在，其结构很可能经过数亿年的进化而得到优化，这可能表明大规模 ANN 中存在新的 dropout 策略。我们认为大脑血清素纤维 (轴突) 满足一些预期标准，因为它们无处不在、结构随机，并且能够在个体的整个生命周期中生长。由于血清素纤维的轨迹可以建模为异常扩散过程的路径，因此在这项概念验证研究中，我们研究了一种基于超扩散分数布朗运动 (FBM) 的 dropout 算法。结果表明，血清素纤维可能在脑组织中实现类似 dropout 的机制，从而支持神经可塑性。他们还提出，血清素纤维的结构和动力学的数学理论有助于设计 ANN 中的 dropout 算法。
用于智能的特征异常检测系统（FADS）...
摘要 异常检测对于工业自动化和零件质量保证非常重要，虽然人类可以通过几个例子轻松检测出零件中的异常，但设计一个能够达到或超过人类能力的通用自动化系统仍然是一个挑战。在这项工作中，我们提出了一种简单的新异常检测算法，称为 FADS（基于特征的异常检测系统），该算法利用预训练的卷积神经网络 (CNN) 通过观察卷积滤波器的激活来生成标称输入的统计模型。在推理过程中，系统将新输入的卷积滤波器激活与统计模型进行比较，并标记超出预期值范围的激活，因此可能是异常。通过使用预训练网络，FADS 表现出与其他机器学习异常检测方法相似或更好的出色性能，同时 FADS 不需要调整 CNN 权重。我们通过检测增材制造晶格的自定义数据集上的工艺参数变化来展示 FADS 的能力。 FADS 定位算法表明，表面上可见的纹理差异可用于检测工艺参数变化。此外，我们在基准数据集（例如 MVTec 异常检测数据集）上测试了 FADS，并报告了良好的结果。
90364 CCS - 血脂异常 2022 rev5
• 扩大了对患有妊娠期高血压疾病的女性的预防保健建议 • 更新了一级预防建议和脂蛋白测量的重要性，包括非 HDL-C、ApoB 和 Lp(a) 在评估 CV 风险中的重要性 • CAC 作为确定是否需要启动治疗的临床决策工具的作用 • 甘油三酸酯 (IPE) 对甘油三酸酯 ≥1.5-5.6 mmol/L 和先前发生过 ASCVD 事件或糖尿病且有 ≥1 个其他风险因素的患者有益 • 饮食来源或非处方制剂/补充剂中的 omega-3 脂肪酸缺乏心血管益处 • 减少 ASCVD 事件的非他汀类疗法的新建议 • 确定了除他汀类药物外，在血脂异常管理中强化治疗的新脂质/脂蛋白阈值 • 确定了经证实可通过 PCSK9 抑制剂强化治疗获得最大益处的二级预防患者 • 非 HDL-C 和 ApoB 的值已修改为对于所有推荐阈值，准确表示与 LDL-C 相同的百分位数
聚合物钽电容器异常充电电流的测试方法和分析
由于环境干燥，聚合物钽电容器 (PTC) 中的异常充电电流 (ACC) 可能导致太空系统发生故障或失效。目前，没有标准指标来评估这种影响，影响 ACC 的因素也不太清楚。本文讨论了用于揭示 ACC 的不同方法的优缺点，包括恒定电压斜坡和恒定电流应力，并建议将功率浪涌测试 (PST) 作为筛选和鉴定太空应用 PTC 的程序。建议的测试类似于目前用于 MnO2 钽电容器的浪涌电流测试，但可确保在整个测试过程中零件中的高功率耗散。使用各种类型的电容器，估计了不同制造批次的 PTC 以及批次内样品之间的测试结果的可重复性。评估了水分含量、测试温度、应力电压和预处理的影响。使用红外摄像机通过实验研究了与 ACC 相关的热效应和灾难性故障的可能性，并在绝热加热条件下进行了计算。讨论了该现象的可能机制，并提出了避免与 ACC 相关的故障的测试建议。
合作车辆感知中的异常检测...
异常检测是确保自动驾驶安全性的关键要求。在这项工作中，我们利用合作感来共享附近车辆的信息，从而在复杂的交通情况下更准确地识别和共识。为了解决不完美沟通的现实挑战，我们提出了一个基于合作感知的异常检测框架（CPAD），该框架是一个强大的架构，在沟通中断下仍然有效，从而促进了可靠的性能，即使在低频段设置中也可以促进可靠的性能。由于没有用于车辆轨迹的多代理异常检测数据集，因此我们引入了15,000个不同的方案，其中90,000个轨迹通过基于规则的车辆动力学分析生成的90,000个基准数据集。经验结果表明，我们的方法在F1得分，AUC中优于标准异常分类方法，并展示了针对代理连接中断的强大效果。代码和数据集将在：https：//github.com/abastola0/cpad
脑部 MRI 中的异常检测：从监督到……
人类大脑和中枢神经系统的解剖成像是当今诊断和治疗各种神经系统疾病的基本组成部分。为了将症状与神经系统病因联系起来，放射科医生会分析磁共振成像 (MRI) 等设备提供的高分辨率可视化图像，并尝试识别异常结构。这种手动过程不仅繁琐、耗时且成本高昂，而且容易出现人为错误：根据大量研究，多达 5-10% 的图像中仍未发现病变。最近，通过机器学习领域的进步（即所谓的监督式深度学习方法），在自动计算机辅助分析大脑 MRI 方面取得了突破，其表现与人类专家相当甚至更好。然而，这些方法需要付出代价：这种深度人工神经网络需要从大量经过仔细注释的良性和患病病例样本中进行训练，因此需要人工整理，因此需要宝贵的专家人力资源。此外，这些方法无法保证能够识别训练数据中不存在的病理。本论文中提出的研究重点是克服这些负担，并强调了从监督深度学习范式走向无注释、无监督方法的道路。这包括 i) 半监督概念，可以利用带注释和未标记的数据来提高基于深度学习的方法的泛化能力，以及 ii) 无监督异常检测框架，这些框架根本不需要手动标记病理。后者的贡献采用深度表示学习、生成建模和图像到图像转换技术来构建正常解剖模型，从而可以将脑 MRI 中的异常识别为分布异常值。这样，与监督方法相反，得到的模型不是病理特定的。进一步强调以高分辨率对健康大脑分布进行建模，以便能够检测和描绘特别小的脑病变。最终，结果表明，上述监督和非监督技术的融合产生了一种有效的自学框架，可用于脑损伤分割。该框架还概述了一种将基于深度学习的异常检测融入日常临床工作的潜在且廉价的方法。虽然这些概念已在脑部 MRI 上得到验证，但肯定可以转化为其他成像方式和解剖学部分（例如 CT、X 射线），为将深度学习融入放射学开辟了巨大的机会。
NO2异常 - 经济归因和快速气候...
在一组主要成分中可见，在透明的OLR和表面皮肤温度方面，气候调节迅速，但较弱。很可能无法直接感受到它们，只能在其他影响的背景下考虑。增加了经济驱动的NO2排放量具有变暖的潜力，这是工业化地区的大部分地区（欧洲，美国，中国东亚，南亚）。相反，NO2降低应在这些区域具有冷却效果。
骨关节炎疼痛中的大脑灰质异常
摘要 骨关节炎 (OA) 疼痛与大脑特性之间的相互作用仍知之甚少，尽管解剖学和功能性神经影像学研究表明，OA 与其他慢性疼痛疾病类似，可能会影响大脑特性，并且部分由大脑特性决定。在这里，我们研究了计划接受全关节置换手术的 OA 患者的大脑灰质 (GM) 特性。我们检验了以下假设：与健康对照组相比，髋部 OA (HOA) 和膝部 OA (KOA) 患者的大脑区域 GM 体积不同，而且这些特性与 OA 疼痛有关。基于体素的形态测量组对比显示只有 HOA 的前扣带回 GM 体积较低。当我们重新调整大脑（翻转）以检查 OA 疼痛对侧的半球时，KOA 和 HOA 的中央前 GM 体积较低，另外 5 个大脑区域在各组之间显示出扭曲。然而，这些 GM 变化并未反映临床参数。接下来，我们将大脑细分为更大的区域，近似于布罗德曼区域，并进行单变量和基于机器学习的多变量对比。单变量分析近似于基于体素的形态测量结果。我们的多变量模型区分了 KOA 和对照组，在 KOA 保留样本中得到验证，并推广到 HOA。KOA 中的多变量模型与神经性 OA 疼痛有关，但 HOA 则不然。这些结果被映射到术语空间（使用 Neurosynth），提供了 OA 中大脑解剖扭曲的荟萃分析摘要。我们的结果表明 OA 中的皮质解剖差异比以前报道的更细微，也强调了 OA 疼痛（即其神经性成分）与 OA 大脑解剖结构之间的相互作用。