XiaoMi-AI文件搜索系统
World File Search System微调
TRB 网络研讨会：TRB 网络研讨会：平衡法案——微调沥青混合料以实现平衡混合料设计
交通研究委员会已达到注册继续教育计划的标准和要求。完成此计划后获得的学分将在 RCEP.net 上报告给 RCEP。将向每位参与者颁发结业证书。因此，它不包含可能被视为或解释为 RCEP 批准或认可的内容。
微调袖珍条件3D分子...
在药物发现中，产生与靶蛋白结合的分子，同时提出所需的化学特性是一个基本挑战。在分子产生的深度学习的早期阶段，大多数模型并未明确模拟产生的分子与靶蛋白之间的相互作用。相反，它们将分子作为微笑字符串或图形产生，仅通过对接得分考虑靶蛋白。这种方法面临概括的局限性，并要求对不同目标进行模型的重新训练。相比之下，新型的袖珍3D分子生成方法通过从蛋白结合口袋输入产生3D分子结构来取得重大改进。例如，Atom-AutoreReReTresbility模型Pocket2mol在创建具有较高结合和理想化学特性的分子方面表现出卓越的性能。但是，它具有局限性，包括产生不切实际的立体化学结构和对产生分子的证券的约束，后者源于训练以复制训练集中的分子。为了克服这些局限性，我们提出了一种加强学习方法，以微调模型以生成具有增强特性的分子。为了证明其有效性，我们进行了一个实验，在该实验中，我们使用方法最大程度地减少了模型的立体化学问题，并增强了产生的分子的吸毒和结合亲和力。可以在https://github.com/deargen/pocket2mol rl公共场所找到推理和复制说明的源代码。我们的结果表明，这种方法不仅可以解决Pocket2mol的现有问题，而且还为分子产生指标建立了新的基准，从而强调了我们方法的推进分子产生的潜力。
人类特异性增强子微调径向神经胶质效力和皮质生成
摘要人类进化出一种与发育和基因调节修饰有关的膨胀且复杂的大脑皮层。1-3。人类加速区域（HAR）是具有人类特异性核苷酸取代的高度保守基因组序列。尽管有成千上万的带注释的竖琴，但它们对人类特异性皮质发育的功能贡献在很大程度上是未知的4,5。hare5是在大脑发育过程中活跃的Wnt信号受体Frizzled8（FZD8）的HAR转录增强子6。在这里，使用基因组编辑的小鼠和灵长类动物模型，我们证明了人（HS）Hare5微型皮质发育和连通性通过控制神经祖细胞（NPC）的增殖和神经源能力。HS-HARE5敲入小鼠的新皮质含量显着增大，其中包含更多的神经元。 通过测量体内神经动力学，我们显示了这些解剖学特征与皮质区域之间功能独立性的增加相关。 要了解潜在的发展机制，我们使用实时成像，谱系分析和单细胞RNA测序评估祖细胞命运。 这揭示了HS-HARE5修饰了径向神经胶质祖细胞的行为，在早期发育阶段增加了自我更新，随后神经源性扩大。 我们使用基因组编辑的人和黑猩猩（PT）NPC和皮质器官来评估HS-HARE5和PT-HARE5的相对增强剂活性和功能。 使用这些正交策略，我们显示了HARE5驱动器中的四个人类特异性变体增加了增强剂活性，从而促进了祖细胞增殖。HS-HARE5敲入小鼠的新皮质含量显着增大，其中包含更多的神经元。通过测量体内神经动力学，我们显示了这些解剖学特征与皮质区域之间功能独立性的增加相关。要了解潜在的发展机制，我们使用实时成像，谱系分析和单细胞RNA测序评估祖细胞命运。这揭示了HS-HARE5修饰了径向神经胶质祖细胞的行为，在早期发育阶段增加了自我更新，随后神经源性扩大。我们使用基因组编辑的人和黑猩猩（PT）NPC和皮质器官来评估HS-HARE5和PT-HARE5的相对增强剂活性和功能。使用这些正交策略，我们显示了HARE5驱动器中的四个人类特异性变体增加了增强剂活性，从而促进了祖细胞增殖。这些发现说明了调节性DNA的小变化如何直接影响关键的信号通路和大脑发育。我们的研究揭示了Hars的新功能，这是对人脑皮质的扩张和复杂性至关重要的关键调节元素。
使用正式方法反馈的微调语言模型：自主系统中的用例
虽然预先训练的语言模型对计划和控制的一般知识有益，但它们可能无法为领域特定的任务生成适当的控制策略。现有的调整方法使用人类反馈来解决这一限制，但是，采购人类反馈是劳动密集型且昂贵的。我们提出了一种完全自动化的方法，用于为自主系统中的应用程序进行预先训练的语言模型，从而弥合了通用知识和特定领域要求之间的差距，同时降低了成本。该方法从由自然语言任务描述的指导的预训练模型中综合了基于自动机的控制器。这些控制器可以与世界模型中独立提供的规格进行验证，该模型可以抽象或从高档模拟器中获得。控制器高度符合所需的规范会获得更高的等级，从而指导迭代性调整过程。我们提供的定量证据主要是在自主驾驶中，以证明该方法在多个任务中的有效性。结果表明，控制器所满足的规格百分比从60％增加到90％。
微调FAM161A基因增强疗法以恢复视网膜功能
已有15年了，基因疗法一直被视为遗传性视网膜疾病的希望的灯塔。许多临床前研究都集中在具有最大基因表达能力的载体周围，但是尽管基因转移有效，但在各种纤毛病中仍观察到了最小的生理改善。色素型视网膜炎28（RP28）是FAM161A中Bi-Callelic null突变的结果，Fam161a是连接纤毛（CC）结构的必不可少的蛋白质。在缺席的情况下，纤毛杂乱无章，导致外部片段崩溃和视力障碍。在人类视网膜中，FAM161A有两个同工型：带外显子4的长度，而没有它的短。为了恢复FAM161A中的CC，在纤毛混乱开始后不久，我们将AAV载体与启动子活性，剂量和人类同工型进行了比较。虽然所有矢量都改善了细胞存活，但仅使用弱FCBR1-F0.4启动子启用了两种同工型的组合，启用了CC中的精确FAM161A升级和增强的视网膜功能。我们对RP28的FAM161A基因置换的调查强调了精确治疗基因调节，适当的载体给药和两种同工型的递送的重要性。此精度对于涉及FAM161A等结构蛋白的安全基因疗法至关重要。
基于 CatBoost 的微调言语障碍检测模型
言语障碍 (SD) 的分类对于治疗患有言语障碍 (SI) 的儿童至关重要。自动 SD 分类可以帮助言语治疗师为农村地区的 SI 儿童提供服务。检测 SD 的自动化技术可以客观评估语音属性，包括发音、流利度和韵律。临床检查和定量评估可以深入了解患者的说话能力和局限性。现有的用于 SD 检测的深度学习 (DL) 模型通常缺乏对不同人群和语音变化的泛化，导致在应用于具有不同语言背景或方言的个体时性能不佳。本研究介绍了一种基于 DL 的模型，用于使用语音样本对正常和异常语音进行分类。为了克服过度拟合和偏差，作者构建了具有 MobileNet V3 和 EfficientNet B7 模型权重的卷积神经网络模型，用于特征提取 (FE)。为了提高性能，他们将挤压和激励块与基于 MobileNet V3 的 FE 模型集成在一起。同样，使用结构修剪技术改进了基于 EfficientNet B7-mod el 的 FE。增强型 CatBoost 模型使用提取的特征区分正常和异常语音。实验分析使用包含 4620 个健康儿童话语和 2178 个 SI 儿童话语的公共数据集进行。比较研究揭示了所提出的 SD 分类模型的卓越性能。该模型的表现优于当前的 SD 分类模型。它可以用于临床环境以支持语言治疗师。使用多样化语音样本进行大量训练可以提高所提模型的通用性。
通过随机控制对扩散模型进行微调：...
积累的证据支持我们的管道论文中的解释：减少人造的气溶胶增加了地球的能量不平衡，并加速了过去十年的全球变暖。气候灵敏度和气溶胶强迫，物理上独立的数量是由联合国IPCC气候评估绑定在一起的，这些评估依赖于全球气候模型（GCM），并且无法测量气溶胶强迫的气候。IPCC对气候灵敏度和气溶胶的最佳估计迫使既低估现实。 保护全球海岸线和全球气候模式 - 世界人类的适应性 - 可能至少需要部分逆转全球变暖。 所需的动作和时间尺度是不确定的。 对于当今的年轻人来说，一个光明的未来仍然是可能的，但是它的成就受到了明确的（一厢情愿）政策的阻碍，这些政策并未现实地说明全球能源需求和新兴经济体的愿望。 需要一种以GCM为主导的气候科学观点的选择。 ，如果我们保持沉默或温柔，我们将承担沉重的负担。IPCC对气候灵敏度和气溶胶的最佳估计迫使既低估现实。保护全球海岸线和全球气候模式 - 世界人类的适应性 - 可能至少需要部分逆转全球变暖。所需的动作和时间尺度是不确定的。对于当今的年轻人来说，一个光明的未来仍然是可能的，但是它的成就受到了明确的（一厢情愿）政策的阻碍，这些政策并未现实地说明全球能源需求和新兴经济体的愿望。需要一种以GCM为主导的气候科学观点的选择。，如果我们保持沉默或温柔，我们将承担沉重的负担。
用于微调深度学习模型的计算分析的车辆边缘云框架
摘要：合作，连接和自动化的移动性（CCAM）基础设施在理解和增强在复杂的城市环境中驾驶的自动驾驶汽车（AVS）的环境感知方面起着关键作用。但是，CCAM基础架构的部署需要有效地选择计算处理层和机器学习（ML）和深度学习（DL）模型的部署，以在复杂的Urban环境中实现AV的更大性能。在本文中，我们提出了一个计算框架，并分析了定制训练的DL模型（Yolov8）的有效性（YOLOV8）时，当部署在车辆边缘云层层面体系结构的不同设备和设置中时。我们的主要重点是了解DL模型在分层框架上部署过程中DL模型的准确性和执行时间之间的相互作用和关系。因此，我们通过在计算框架的每一层上通过Yolov8模型的部署过程来研究准确性和时间之间的权衡。我们考虑CCAM基础架构，即每一层的感觉设备，计算和通信。调查结果表明，部署的DL模型的性能指标结果（例如，0.842 map@0.5）保持一致，无论跨框架的任何层中的设备类型如何。但是，我们观察到，当DL模型遭受不同的环境条件时，对象检测任务的推理时间往往会减少。例如，Jetson AGX（非GPU）通过将推理时间减少72％来优于Raspberry Pi（non-GPU），而Jetson AGX Xavier（GPU）优于将Jetson AGX ARMV8（non-GPU）减少90％。在论文中提供了转移时间，预处理时间和设备的总时间Apple M2 Max，Intel Xeon，Tesla T4，Nvidia A100，Tesla V100等。我们的发现指示研究人员和从业人员选择最合适的设备类型和环境，以部署生产所需的DL模型。
SAM-PARSER：通过参数空间重构高效微调 SAM
任意分割模型 (SAM) 因提供强大且通用的图像对象分割解决方案而备受关注。然而，在不同场景下对 SAM 进行微调以用于下游分割任务仍然是一个挑战，因为不同场景的不同特征自然需要不同的模型参数空间。大多数现有的微调方法试图通过引入一组新参数来修改 SAM 的原始参数空间，以弥合不同场景之间的差距。与这些工作不同，在本文中，我们提出通过参数空间重构（SAM-PARSER）来有效地对 SAM 进行微调，其在微调过程中引入几乎为零的可训练参数。在 SAM-PARSER 中，我们假设 SAM 的原始参数空间相对完整，因此它的基能够重建新场景的参数空间。我们通过矩阵分解获得基，并通过基的最佳线性组合对系数进行微调以重建适合新场景的参数空间。实验结果表明，SAM-PARSER 在各种场景中表现出卓越的分割性能，同时与当前参数高效的微调方法相比，可训练参数的数量减少了约 290 倍。