XiaoMi-AI文件搜索系统
World File Search System挖掘
在互联期间挖掘饮酒：调酒师和服务器之间的饮酒相关
COVID大流行对饮酒和在食品和饮料行业中工作的困难置于焦点，剩下数百万的失业。在先前的研究发现调酒师和服务器中酒精问题率升高后，我们在这里研究了在Covid期间使用的调酒师和服务器的酒精使用。从2021年2月12日至6月16日，在美国共同国家紧急宣言中，分析了1,010个受雇调酒师的调查数据和服务器，以量化过度或有害饮酒的速率，以及10-IDEM酒精使用障碍识别识别测试的酒精使用预测因素（AudiT）。的发现表明，在接受调查的5分（44％）中有2个以上报告了酒精问题严重程度的中等或高率（即审计分数为8或更高），这是在行业内部和外部成年人的大量饮酒率的4至6倍。人级因素（性别，药物使用，情绪）以及核心社会群体的饮酒习惯与饮酒显着相关。调酒师和服务器报告了酒精问题严重程度的高度高，并且经历了多种生态水平上有害饮酒的危险因素。作为一个高度脆弱且研究不足的人群，需要对调酒师和服务器进行更多研究，以评估和管理行业员工饮酒的真正损失。
过完备小波框架扩展对脑电信息挖掘的潜力
脑电图 (EEG) 是通过放大和记录人体头皮上由大脑电流产生的电活动而获得的记录 (Zandi 等人，2011；Larson 和 Taulu，2018)。EEG 是脑成像科学中广泛使用的媒介，在脑机接口 (BCI；Gao 等人，2021) 研究中发挥着重要作用。BCI 是一种将脑信号转换为有用命令的在线计算机系统。到目前为止，不同类型的脑信号已被用于开发 BCI 系统。由于其方便和低成本，EEG 信号已成为 BCI 系统中的主要媒介。然而，实践证明，由于 EEG 信号能量较弱，EEG 信号的采集很容易受到各种噪声的干扰。为了从嘈杂的 EEG 信号中提取有用信息 (Shad 等人，2020)，在 EEG 信号分析中研究了各种信号处理方法。在脑信号分析中，提高信噪比是一个重要的预处理步骤。传统上，它是使用快速傅里叶变换（FFT）完成的（Wahab et al., 2021）。在BCI中，FFT也用于从EEG信号中实现显著特征的提取。短时傅里叶变换是FFT的增强，它可以生成EEG的二维频谱表示（Ha and Jeong，2019）。然而，STFT的主要缺点是其频率分辨率不可调。Huang提出了一种将STFT与卷积神经网络相结合用于生物医学信号分类的方法（Huang et al., 2019）。此外，基于傅里叶分析的数字滤波器也是EEG信号去噪的重要工具（Hsia and Kraft，1983）。它们的应用包括噪声伪影去除、特定频带的特征选择。尽管近年来新的脑电滤波技术不断涌现，但滤波技术并不是 BCI 研究的重点，相关研究也报告了数字滤波器的缺点（Alhammadi and Mahmoud，2016）。在过去的几十年中，随着计算能力的提高，许多更先进的信号处理方法被发明并投入实践。Upadhyay 提出了一种结合 S 变换和独立成分分析的新技术，用于脑电信号中的伪影消除和噪声抑制（Upadhyay et al.，2016）。Djemili 利用经验模态分解将脑电信号分解为固有模态函数，实现了正常和癫痫脑电特征的智能分类（Djemili et al.，2016）。Jiang 的研究中，提出了一种基于多词典的稀疏表示方法，用于癫痫脑电尖峰的自动检测（Jiang et al.，2020）。 Dora 应用变分模态分解来校正 EEG 测量中的伪影（Dora 和 Biswal，2020 年）。Chen 提出了一种稀疏傅里叶变换，并将其应用于电力线伪影消除（Chen et al.，2021b）。
通过文本挖掘和数据分析确定心血管疾病的药物发现
STRING数据库（版本11.0）是描述和展示各种蛋白质之间相互作用的主要来源，涵盖约2460万种蛋白质和来自5.09万个生物体的超过31亿种相互作用。首先，我们将重叠基因上传到STRING网站，并以最小相互作用评分>0.4（低置信度）作为显著阈值。然后下载蛋白质-蛋白质相互作用（PPI）的TSV格式文件，用Cytoscape软件构建PPI网络。随后，利用Cytoscape自带的分子复合物检测（MCODE）和STRING应用程序对显著的基因模块（簇）进行分类，这些基因模块在PPI网络中具有高度互联的簇。MCODE中的参数采用默认设置。对基因模块中的基因进行药物-基因相互作用分析。
从基因组语言模型中挖掘功能性新生基因的语义
生成基因组学模型可以设计越来越复杂的生物系统。然而，有效地控制这些模型以生成具有所需功能的新序列仍然是一项重大挑战。在这里，我们展示了 Evo，一个拥有 70 亿个参数的基因组语言模型，可以执行功能引导设计，超越自然序列。通过学习多个基因之间的语义关系，Evo 实现了基因组的“自动完成”，其中编码所需功能的 DNA 提示指示模型生成可挖掘类似功能的新 DNA 序列。我们将此过程称为“语义挖掘”，与传统的基因组挖掘不同，它可以访问不受发现的进化创新约束的序列景观。我们通过实验测试生成的抗 CRISPR 蛋白和毒素-抗毒素系统的活性来验证这种方法，包括与任何天然蛋白质没有显着同源性的从头基因。令人惊讶的是，即使在没有结构假设、已知的进化保守性或特定任务微调的情况下，使用 Evo 进行上下文蛋白质设计也能实现强大的活性和较高的实验成功率。然后，我们使用 Evo 自动完成数百万个提示，以生成 SynGenome，这是一个独一无二的数据库，其中包含超过 1200 亿个 AI 生成的基因组序列碱基对，可实现多种可能功能的语义挖掘。语义挖掘范例可实现超越观察到的进化宇宙的功能探索。
半结构化数据中的高效样本和特征重要性挖掘
摘要：近年来，基于脑电图（EEG）的情绪识别引起了研究界越来越多的兴趣。EEG数据的弱信号、非平稳、多节律和多通道特性容易导致提取的EEG样本和特征在识别情绪状态时的贡献不同。然而，现有的研究要么没有同时考虑样本和特征重要性问题，要么只考虑了其中之一。在本文中，我们提出了一种称为sJSFE（半监督联合样本和特征重要性评估）的新模型，分别通过自步学习和特征自加权来定量测量样本和特征重要性。在SEED-IV数据集上的实验结果表明，通过同时挖掘样本和特征重要性可以大大提高情绪识别性能。具体来说，sJSFE 在三个跨会话识别任务中获得的平均准确率为 82.45%，分别比传统模型的结果高出 3.72% 和 7.21%，以及 10.47% 和 18.82%。此外，特征重要性向量表明 Gamma 频带贡献最大，前额叶、左/右颞叶和（中央）顶叶的大脑区域与情绪识别的相关性更高。样本重要性描述符表明，连续试验中视频类型的连续转换可能会削弱所收集 EEG 数据的特征标签一致性。
半结构化数据中的高效样本和特征重要性挖掘
摘要：近年来，基于脑电图（EEG）的情绪识别引起了研究界越来越多的兴趣。EEG数据的弱信号、非平稳、多节律和多通道特性容易导致提取的EEG样本和特征在识别情绪状态时的贡献不同。然而，现有的研究要么没有同时考虑样本和特征重要性问题，要么只考虑了其中之一。在本文中，我们提出了一种称为sJSFE（半监督联合样本和特征重要性评估）的新模型，分别通过自步学习和特征自加权来定量测量样本和特征重要性。在SEED-IV数据集上的实验结果表明，通过同时挖掘样本和特征重要性可以大大提高情绪识别性能。具体来说，sJSFE 在三个跨会话识别任务中获得的平均准确率为 82.45%，分别比传统模型的结果高出 3.72% 和 7.21%，以及 10.47% 和 18.82%。此外，特征重要性向量表明 Gamma 频带贡献最大，前额叶、左/右颞叶和（中央）顶叶的大脑区域与情绪识别的相关性更高。样本重要性描述符表明，连续试验中视频类型的连续转换可能会削弱所收集 EEG 数据的特征标签一致性。
基于图嵌入和图挖掘的计算药物-靶标相互作用预测
阿卜杜拉国王科技大学 (KAUST)，计算生物科学研究中心 (CBRC)，沙特阿拉伯图瓦尔 vladimir.bajic@kaust.edu.sa 摘要 识别药物和蛋白质的相互作用是药物发现早期阶段和寻找新药用途的重要步骤。传统的实验识别和验证这些相互作用仍然耗时、昂贵，并且成功率不高。为了改进这种识别过程，开发计算方法以最小错误率预测和排序可能的药物-靶标相互作用 (DTI) 将大有帮助。在这项工作中，我们提出了一种使用图嵌入和图挖掘进行药物-靶标相互作用预测的计算方法 DTiGEM。DTiGEM 模型将新型 DTI 识别为通过整合三个网络构建的异构图中的链接预测问题，即：药物-药物相似性、靶标-靶标相似性和已知 DTI。 DTiGEM 结合了不同的技术，包括图嵌入（例如 node2vec）、图挖掘（例如药物和目标之间的路径得分）和机器学习（例如不同的分类器）。与其他最先进的方法相比，DTiGEM 在四个基准数据集上对 DTI 进行计算预测时，在精确召回曲线下面积 (AUPR) 方面的预测性能有所提高。具体而言，我们证明，基于所有基准数据集的平均 AUPR 得分，DTiGEM 实现了最高平均 AUPR 值 (0.831)，从而相对于比较中表现第二好的方法将预测误差降低了 22.4%。
通过统计模型检查和过程挖掘对定量产品线的白盒验证
我们提出了一种新的方法，通过将统计模型检查（SMC）与过程挖掘（PM）集成，以验证软件产品线（PL）模型。我们考虑了来自工程领域的面向功能的语言QFLAN。QFLAN允许对配备丰富的跨树和定量约束以及动态PL（例如分阶段配置）的方面进行建模。这种丰富性使我们能够轻松获得具有无限状态空间的模型，呼吁基于仿真的分析技术，例如SMC。例如，我们使用一个带有无限状态空间的运行示例。SMC是基于系统动力学样本的产生的分析技术家族。SMC的目的是估算一个系统的属性（例如，安装功能）或其中数量的期望值（例如，研究家族的产品的平均价格）。相反，PM是一个数据驱动的技术家族，它使用在执行信息系统执行中收集的日志来识别和推理其基础执行过程。这通常涉及识别和推理过程模式，瓶颈和改进的可能性。在本文中，据我们所知，我们首次提出了在副产品
大众集团挖掘具有可持续移动性的新利润库
Drive Matrix（MEB），该公司是最早将其平台策略过渡到电时代的公司之一。自2020年以来，MEB平台上的五个集团品牌已经交付了超过110万辆全电动汽车。该小组正在不断改进该平台，并在所有与客户相关的领域提供更多的性能和功能，以满足可持续全电动流动性的快速发展的发展。这是由新型号（例如大众ID.7²）所证明的，范围高达700公里。从2025年开始，增强的MEB+平台将启动，范围和效率进一步提高约10％。它提供的加速度时间从0到100 km/h的加速度不到5秒，并且根据小组的Cell2pack技术的统一单元，快速充电少于20分钟。来自大众汽车，斯柯达和库库（Skoda和Cupra）的新型全电动型号低于25,000欧元的入门级价格，将使更多客户可以使用电子机动性。同时，它们将是最早使用MEB+的车辆。在IAA Mobility（Volkswagen ID）上提出的概念工具证明了这一部分的情感。GTI概念3。 一年前，即2024年，该集团的第二个电动平台将启动：高级平台电气（PPE）。 该平台由奥迪和保时捷联合开发，具有强大而有效的电动传动系统，其范围超过600公里，以及具有800伏技术的创新电池和充电管理。 数字化因此比以往任何时候都更加切实。GTI概念3。一年前，即2024年，该集团的第二个电动平台将启动：高级平台电气（PPE）。该平台由奥迪和保时捷联合开发，具有强大而有效的电动传动系统，其范围超过600公里，以及具有800伏技术的创新电池和充电管理。数字化因此比以往任何时候都更加切实。奥迪Q6 E-Tron将是该品牌在PPE上的第一辆车，并标志着模型范围电气化的下一个主要步骤。此外，PPE型号将获得由Cariad新开发的高性能电子体系结构和软件平台，通过该平台将无缝嵌入客户的数字生态系统中。除其他外，客户可以直接在车辆中的集成应用程序存储中安装和使用他们喜欢的某些应用程序。奥迪Q6 E-Tron也是该品牌在弯曲设计中提供新的，独立的MMI全景显示，新的增强现实头顶显示屏和乘客显示屏的第一款车型。在中期，大众集团将通过集成电气和电子体系结构切换为单一的将来的骨干。这会产生巨大的标准化和扩展潜力，因为所有品牌和细分市场的超过4000万辆都将在SSP上建造。同时，智能平台概念为每个细分市场的需求量身定制车辆提供了灵活性，同时确保品牌之间必要的差异化。与MEB相比，SSP的投资和研发成本预计将减少30％左右，这使大多数全电模型能够达到相同的利润率，而这些模型与传统供电的同行相比。电池和充电是福特已经选择MEB的负担得起和有利可图的电子动力的关键，大众集团现在正在与Mahindra进行良好的谈判，成为另一个重要的合作伙伴。Mahindra希望为其模型使用关键的MEB组件，例如电子驱动器和统一细胞。与许多竞争对手不同，该小组正在将电池电池的开发和生产与PowerCo相结合到其价值链中。目的是保留公司内部全电动汽车的价值创造的很大一部分。低电池成本也是使电子活动民主化的基本先决条件。与第一代MEB相比，将电池成本降低多达50％的关键杠杆是Unified
scone：一种具有主动感知的食物挖掘机器人学习框架
摘要：由于食物的复杂状态和多样化的物理特性，有效地挖出食品对当前机器人系统构成了重大挑战。为了应对这一挑战，我们相信将食品编码为有意义的有效食品的重要性。然而，食品的独特特性，包括可变形，脆弱性，流动性或粒度，对现有表示构成了重大挑战。在本文中，我们以隐式方式提出了积极感知来学习有意义的食物代表的潜力。为此，我们提出了Scone，这是一个食品搜索机器人学习框架，利用从积极的掌握中获得的表示形式来促进食品可铲政策学习。Scone包括两个Crucial编码组件：交互式编码器和状态检索模式。通过编码过程，Scone能够捕获食品的特性和重要的状态特征。在我们的现实世界中的实验中，Scone在三种不同的难度水平上使用6种以前看不见的食品时，成功率具有71％的成功率，超过了最先进的方法。这种增强的性能强调了Scone的稳定性，因为所有食品始终达到超过50％的任务成功率。此外，Scone可容纳各种初始状态的令人印象深刻的能力使其能够精确评估食物的当前状况，从而导致了令人信服的成功率。有关更多信息，请访问我们的网站。