XiaoMi-AI文件搜索系统
World File Search System引导的
定量因果关系，因果关系引导的科学发现，...
摘要可以说，因果关系分析应该为解释深度学习和概括铺平一种有希望的方法。将因果关系纳入人工智能（AI）算法，但由于其模糊性，非量化性，计算效率低下而受到挑战。在过去的18年中，这些挑战基本上已经解决了，建立了最初是由大气可预测性动机的严格的因果关系形式。这不仅在大气 - 海洋科学中开辟了一个新领域，即信息流，而且还导致了其他学科的科学发现，例如量子力学，神经科学，金融经济学等，通过各种应用。This note provides a brief review of the decade-long effort, including a list of major theoretical results, a sketch of the causal deep learning framework, and some representative real-world applications in geoscience pertaining to this journal, such as those on the anthropogenic cause of global warming, the decadal prediction of El Niño Modoki, the forecasting of an extreme drought in China, among others.关键字：因果关系，Liang-Kleeman信息流，因果人工智能，模糊认知地图，可解释性，Frobenius-Perron操作员，天气/气候预测
前列腺癌的新兴生物标志物引导的疗法
1伦敦伦敦伦敦健康科学中心舒利希医学与牙科学院肿瘤科医学肿瘤学系，加拿大N6A 5W9； jasna.deluce@lhsc.on.ca 2加拿大汉密尔顿麦克马斯特大学的Juravinski癌症中心，加拿大L8V 5C2； cardenas@hhsc.ca（L.C. ）; lalania@hhsc.ca（A.-K.L.） 3 3实验肿瘤学系，伦敦舒利希医学与牙科学院，舒利希医学与牙科学院，伦敦西部大学，N6A 5W9，加拿大46A 5W9，加拿大4病理学和实验室医学系，舒利希医学与牙科学院，伦敦西部大学，伦敦，伦敦，N6A 5C1，加拿大5c1，加拿大5C1，加拿大5C1，加拿大5C1 saman.malekivareki@lhsc.on.ca（S.M.V. ）; ricardo.fernandes@lhsc.on.ca（r.f. ）;电话。 ： +1-519-685-8640（R.F.）1伦敦伦敦伦敦健康科学中心舒利希医学与牙科学院肿瘤科医学肿瘤学系，加拿大N6A 5W9； jasna.deluce@lhsc.on.ca 2加拿大汉密尔顿麦克马斯特大学的Juravinski癌症中心，加拿大L8V 5C2； cardenas@hhsc.ca（L.C.）; lalania@hhsc.ca（A.-K.L.）3 3实验肿瘤学系，伦敦舒利希医学与牙科学院，舒利希医学与牙科学院，伦敦西部大学，N6A 5W9，加拿大46A 5W9，加拿大4病理学和实验室医学系，舒利希医学与牙科学院，伦敦西部大学，伦敦，伦敦，N6A 5C1，加拿大5c1，加拿大5C1，加拿大5C1，加拿大5C1 saman.malekivareki@lhsc.on.ca（S.M.V. ）; ricardo.fernandes@lhsc.on.ca（r.f. ）;电话。 ： +1-519-685-8640（R.F.）3实验肿瘤学系，伦敦舒利希医学与牙科学院，舒利希医学与牙科学院，伦敦西部大学，N6A 5W9，加拿大46A 5W9，加拿大4病理学和实验室医学系，舒利希医学与牙科学院，伦敦西部大学，伦敦，伦敦，N6A 5C1，加拿大5c1，加拿大5C1，加拿大5C1，加拿大5C1 saman.malekivareki@lhsc.on.ca（S.M.V.）; ricardo.fernandes@lhsc.on.ca（r.f.）;电话。： +1-519-685-8640（R.F.）
AI引导的缺陷检测技术，以建模单晶
摘要。从过程发展的角度来看，通过化学蒸气沉积的钻石生长取得了显着的进步。但是，挑战在实现高质量和大区域材料生产方面持续存在。这些困难包括控制整个生长表面的均匀生长速率的控制条件。随着生长的进展，出现了各种因素或缺陷状态，改变了统一条件。这些变化会影响生长速率，并导致微观尺度上的晶体缺陷形成。但是，使用生长过程中拍摄的图像鉴定这些缺陷状态及其几何形状存在明显的方法。本文使用现场光学图像详细介绍了缺陷分割管道的开创性工作，以识别指示宏观上可见的有缺陷状态的特征。使用以前工作中应用的语义分割方法，这些缺陷状态和相应的导数特征是由其像素掩码隔离和分类的。使用注释以注释的人体软件体系结构来生成培训数据集，并使用主动学习，数据增强和模型辅助标记的模块进行选择性数据标记，我们的方法可实现有效的注释准确性，并大大降低了按幅度降低标签的时间和成本。在模型开发方面，我们发现基于深度学习的算法是最有效的。他们可以准确地从功能丰富的数据集中学习复杂的表示。基于Yolov3和DeepLabv3plus体系结构，我们表现最佳的模型为特定的特定特征实现了出色的精度。具体来说，中心缺陷的精度为93.35％，多晶缺陷的92.83％，边缘缺陷达到91.98％。
RNA 引导的 AsCas12a 和 SpCas9 催化敲除...
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2021 年 11 月 23 日发布。；https://doi.org/10.1101/2021.11.15.468743 doi：bioRxiv preprint
机器人引导的冥想对脑内脑电图的影响......
在本研究中，我们研究了人机交互 (HRI) 促进的正念冥想对大脑活动的影响。我们从两组参与者那里收集了脑电图信号：冥想组与社交机器人一起进行正念冥想，对照组只听机器人讲课。我们通过计算 HRI 会话期间的脑电图相位同步来比较两组之间的大脑功能连接。结果显示，冥想组的 beta 频带整体相位同步明显较低，这之前曾被报道为有经验的冥想者的认知处理减少和达到正念状态的迹象。我们的研究结果证明了社交辅助机器人 (SAR) 在心理健康护理和优化干预效果方面的潜力。此外，我们的研究提出了客观监测 HRI 对用户神经生理反应影响的新方法。
RNA 引导的睡美人转座重新定位......
摘要 基因治疗的理想工具是能够在人类基因组的预定位点上实现有效的基因整合。我们在此展示了睡美人 (SB) 转座子与 CRISPR/Cas9 系统的组件相结合而实现的偏向性全基因组整合。我们提供概念证明，通过将 SB 与催化失活的 Cas9 (dCas9) 融合并提供针对人类 Alu 逆转录转座子的单向导 RNA (sgRNA)，可以影响 SB 的靶位选择。转座子整合的富集依赖于 sgRNA，并且以不对称模式发生，偏向于 sgRNA 靶标下游相对较窄的 300 bp 窗口内的位点。我们的数据表明，CRISPR/Cas9 指定的靶向机制迫使整合到基因组区域，而这些区域原本是 SB 转座的不良靶标。未来对该技术的改进可能会允许开发用于精确基因工程的特定基因插入方法。
审查引导的集中超声 - 成像MR ...
缩写：cus¼颅骨超声； IVH¼1/1/1/1/1/1/1/1/1/1/1/1/1/1/1/4 NICU¼新生儿重症监护室； PMA¼经期年龄；茶¼任期等效年龄；早产儿中WMI¼白质损伤W MI损伤（WMI）是共同体的，并且与不良神经发育结果有关。1，2它仍然是易受伤害的大脑中最普遍的脑损伤形式，对于那些23至32周之间出生的婴儿的风险最高。3尽管在32周出生的胎龄中有5％的婴儿在MR成像中出现的局灶性坏死在MR成像中出现的局灶性坏死在15％ - 25％的婴儿，28周的25％的婴儿中，其中28周的15％ - 25％的婴儿可能会出现，但最多可与胶质变体相差， 3的 3。 3颅骨超声检查（CUS）是新生儿进化护理单元（NICU）中使用最广泛且最容易获得的神经影像学技术。 对特别有用且敏感3的 3。 3颅骨超声检查（CUS）是新生儿进化护理单元（NICU）中使用最广泛且最容易获得的神经影像学技术。 对特别有用且敏感3。3颅骨超声检查（CUS）是新生儿进化护理单元（NICU）中使用最广泛且最容易获得的神经影像学技术。对
从流量引导的纳米级定位的设计空间探索
纳米式设备为人类血液中的流动引导定位提供了引物。这种本地化允许将感知事件的位置分配给事件本身，从而沿着早期和精确的诊断方面提供益处，并降低了成本和侵入性。流引导的定位仍处于基本阶段，只有少数针对问题的作品。尽管如此，对解决方案的性能评估已经是以一种非标准化的方式进行的，通常是按单个性能指标进行的，并且忽略了在这样的规模（例如Nanodevices的Lim-Is-Ised Energy）中相关的各个方面，并且对于这种挑战性的环境（例如，在B-Body Thz peragation In-Body Thz Propagation中极端衰减）。因此，这些评估的现实主义水平较低，不能客观地进行比较。为了解决这个问题，我们说明了情景的环境和规模相关的特点，并评估了沿一系列异构性能指标（例如本地化的准确性和可靠性）沿着一组异构性能指标的两种最先进的流动定位方法的性能。
关键代码引导的灰盒模糊测试
新提交的提交容易将漏洞引入程序。作为一种有前途的对策，可以使用定向灰盒模糊测试器通过将提交更改位置指定为目标来测试提交更改。但是，现有的定向模糊测试器主要侧重于达到单个目标，而忽略了对其他受影响代码的多样化探索。因此，它们可能会忽略在远离更改位置的位置崩溃的错误，并且在多目标场景中缺乏直接性，这在提交测试的背景下都很常见。在本文中，我们提出了一种直接灰盒模糊测试器 WAFLG O ，以有效发现提交引入的漏洞。WAFLGO 采用一种新颖的关键代码引导输入生成策略来彻底探索受影响的代码。具体而言，我们确定了两种类型的关键代码：路径前缀代码和数据后缀代码。关键代码首先引导输入生成逐渐、增量地到达更改位置。然后，在保持关键代码可达性的同时，输入生成策略进一步鼓励在探索受影响代码时生成输入的多样性。此外，WAFLGO 引入了一种轻量级多目标距离度量，用于直接和彻底检查所有更改点。我们实现了 WAFLG O，并使用提交引入的 30 个真实错误对其进行了评估。与 8 种最先进的工具相比，WAFLGO 实现了平均 10.3 × 的加速。此外，WAFLGO 在测试最近 50 次提交的真实软件（包括 libtiff、fig2dev 和 libming 等）时发现了 7 个新漏洞，其中包括 4 个 CVE。