XiaoMi-AI文件搜索系统
World File Search System推广性
驱动小分子与 RNA 结合的物理化学原理
使用 RNA 靶向小分子治疗疾病的可能性正在成为药物发现和开发的下一个前沿。与蛋白质靶向小分子相比，与 RNA 结合的小分子的化学特性仍然相对不太清楚。为了填补这一空白，我们生成了前所未有的大量 RNA 小分子结合数据，并利用这些数据得出可用于定义富含 RNA 结合剂的化学空间区域的物理化学经验法则 - 小分子靶向 RNA (STaR) 经验法则。这些规则已应用于公开的 RNA 小分子数据集，并被发现具有很大的可推广性。此外，许多获得专利的 RNA 靶向化合物和 FDA 批准的化合物也通过了这些规则，以及包括 Risdiplam 在内的关键 RNA 结合批准药物案例研究。我们预计这项工作将大大加速对 RNA 靶向化学空间的探索，以释放 RNA 作为小分子药物靶点的潜力。
引言在不充气的脑动脉畸形（AVM）的管理中存在重大争议。是由一项未破裂的脑部术的随机试验（Aruba）的随机试验表明，与医学工程相比，干预措施增加了中风/死亡的风险。然而，许多研究局限性引起了对试验的推广性的担忧。我们评估了来自多中心数据库（神经血管质量质量质量结果数据库（NVQI-QOD））的Aruba符合条件患者的中风/死亡和功能结果的率。方法，我们对在18个参与中心进行干预的Aruba符合条件的患者进行了回顾性分析。主要终点是任何原因的中风/死亡。次要端点包括神经系统，系统性，放射线图和功能结果。结果173阿鲁巴符合条件的患者接受了269（25-733）天的中间随访。75例患者接受了显微外科手术±栓塞，37例接受了放射外科手术，61例接受了栓塞。基线表现，风险因素和一般AVM特征
Koopman EDMD候选功能的分析构建，以最佳控制Ackermann Steecer evelicles
摘要：自动驾驶汽车（AV）的路径跟踪控制性能至关重要地取决于建模选择和随后的系统识别更新。传统上，汽车工程已经建立在增加白色和灰色框模型以及系统识别的忠诚度之后。尽管这些模型具有解释性，但它们会遭受建模不准确，非线性和参数变化的困扰。在另一端，端到端的黑框方法（例如行为克隆和增强学习）提供了提高的适应性，但以解释性，可推广性和SIM2REAL间隙为代价。在这方面，诸如Koopman扩展动态模式分解（KEDMD）之类的混合数据驱动技术可以通过选择“提升功能”来实现非线性动力学的线性嵌入。但是，该方法的成功主要基于提升函数和优化参数的选择。在这项研究中，我们提出了一种分析方法，使用迭代的谎言支架向量字段来构建这些提升功能，考虑了我们Ackermann Steceer的自主移动机器人的配置歧管上的载体和非独立限制。使用标准车辆动力学操纵的轨迹跟踪以及沿闭环赛车轨道进行了轨迹跟踪，显示了所获得的线性KEDMD模型的预测和控制功能。
AG2Manip：用代理学习新颖的操纵技巧 -
摘要 - 能够学习新型操纵任务的自主机器人系统有望将行业从制造业转变为服务自动化。然而，当前方法（例如，VIP和R3M）仍然面临重大障碍，尤其是机器人实施例之间的域间隙以及在特定动作空间内成功执行成功的任务执行的稀疏性，从而导致了错误和模棱两可的任务。我们介绍了AG2Manip（操纵的代理 - 不合稳定代表），该框架旨在通过两个关键的创新来解决这些挑战：（1）源自人类操纵视频的代理人视觉表示，并具有实施方案的细节，以增强普遍性； （2）代表机器人的运动学代表到通用代理代理，强调了终端效果和对象之间的关键相互作用。ag2manip在模拟基准中进行了经验验证，显示出325％的性能提高而不依赖于域特异性演示。消融研究进一步强调了代理 - 不合稳定的视觉和作用表示对这一成功的基本贡献。将我们的评估扩展到现实世界，AG2Manip很明显地将模仿学习成功率从50％提高到77.5％，这表明了其在模拟和真实环境中的有效性和可推广性。
使用具有触觉传感的灵巧手指的可变形线性对象
摘要 - 关于可变形线性对象（DLO）操纵的大多数研究都假定刚性抓握。然而，除了刚性的抓握和重新抓紧之外，在掌握的范围之外，人类也是人类使用敏捷操纵DLOS的重要技能，它需要通过握住DLO来防止其掉落的同时通过手动滑动来连续更改抓握点。在没有使用专门设计但不是多功能的最终效果的情况下，实现这种技能对于机器人来说非常具有挑战性。以前的作品尝试使用通用的平行抓地力，但是由于关注和持有之间的冲突，它们的稳健性并不令人满意，这很难与一级自由的抓手保持平衡。在这项工作中，受到人类如何使用手指跟随DLOS的启发，我们探索了具有触觉感知的通用灵巧的手的用法，以模仿人类的技能并获得强大的DLO跟随。为了使硬件系统能够在现实世界中运行，我们开发了一个框架，其中包括笛卡尔空间手臂控制，基于触觉的In-Hand-hand 3-D DLO姿势估计以及特定于任务的运动设计。实验结果证明了我们方法比使用平行抓手的显着优势，以及它的稳健性，可推广性和效率。
引文：Caffo, B. S.、D'Asaro, F. A.、d'Avila Garcez, A. S. 和 Raffinetti, E. (2022)。社论：金融和医疗保健领域可解释的人工智能模型和方法。人工智能前沿，5，doi：10.3389/frai.2022.970246
被认为可能会迅速发生（Aziz 和 Dowling，2019 年；Shaheen，2021 年）。算法可以诊断我们的疾病、预测我们的康复情况、预测最佳治疗方法、确定我们是否能获得贷款、为我们投资以及确定商品和服务的成本。我们能信任那些驾驶我们的汽车并为我们做出医疗和财务决策的算法吗？具体而言，信任仍然是医疗保健、金融和其他领域大规模采用 AI 的关键要素。这种信任需要能够识别算法如何设计特征来创建预测、诊断或预报，以及算法能够推广到新设置的能力，与用于创建算法的训练、测试和验证数据集无关。在经典统计模型中，简约性、研究设计和建模选择是获得模型的可解释性、可推广性和信任的基础。现代人工智能工程师对研究设计拥有同样的控制权，但经常尝试自动化许多建模选择。然而，在具有数百万个参数（权重）的模型中，实现简约性往往是不现实的。因此，可解释人工智能的目标可以理解为在复杂模型中创建简约性变体的能力，目的是通过检测实际影响评估现象的因素来产生对算法的信任。应强调后一点，即可解释人工智能，理想情况下，它识别对结果影响最大的特征或特征组合，以便：激发未来研究，构建次级简约模型，并通过将特征重要性与已知或假设的机制相匹配来建立对算法的信任。由于缺乏信任，人工智能系统在医疗保健和金融领域的实际部署受到了阻碍。可解释性被视为提高复杂人工智能系统信任度和责任感的关键步骤。在医疗保健领域，患者、护理人员和监管机构需要能够解释和信任人工智能系统，才能将其投入使用。同样，如果没有可解释性，金融系统也不太可能满足该领域的严格规定。在每个领域，都需要可解释性来在复杂模型中创建简约性。可能需要新的专门算法和可视化技术来为这些复杂系统提供窗口。还需要新的指标，提供结果的公平比较、权衡和在生产使用之前测量解释的保真度。需要更加专注、面向应用的工作，因为可解释的人工智能为人工智能的信任和问责制提供了基础。虽然本期特刊的核心主题是可解释性，但其核心是信任算法输出。这个多方面的主题至少包括：严格的验证以及评估可解释性和可推广性的方法。本期特刊中的每篇稿件都涉及一个或多个核心问题。
生物学和生物医学杂志精神疾病
和诊断已经看到了显着的增长。这项研究调查了使用AI来促进早期医学疾病诊断并增强我们对疾病进展的理解，尤其是在精神疾病领域。主要目的是探索和使用各种AI算法来识别与精神疾病相关的生物标志物。数据和方法涉及将各种算法应用于对精神疾病进行分类的应用，并对其准确性进行了细致的比较。此外，基于这些算法开发了模型，旨在优化诊断精度。结果表明，数据集的70％精度显着，突出了深度学习方法在处理广泛的数据集中的功效。这些发现强调了临床数据集中深度学习的潜力及其在对心理健康问题的未来发现中的应用。尽管深度学习的表现值得称赞，但批评仍然对其在开发和评估阶段的责任制仍然存在。AI在检测精神病疾病方面取得了长足的进步，但本研究确定了改善基于AI的应用的领域。值得注意的是，由于其对均质数据集的分析，当前模型的可推广性有限，这促使人们考虑了未来的方法，包括迁移学习，多视图学习和整体学习，以处理多样化和广泛的精神病疾病数据集。关键字：人工智能，诊断，机器学习，管理，精神疾病，精神疾病。
探索人工智能系统的潜在应用领域以识别参与：特殊教育专家的见解
积极参与自闭症谱系障碍（ASD）的儿童（例如，教育和社会活动）在增强其认知，运动和社会发展方面起着至关重要的作用。这提供了增强整体发展的机会，包括学习能力，身体协调和社会影响。间接方法，利用传感器和人工intel-ligence（AI）表现出增强参与预测的潜力，但主要集中在特定领域，从而导致差距导致ASD研究的可推广性有限。由于ASD小型样本量，由于年度ASD人群的增加，这一差距提出了一个重大挑战，突出了对实用和适用的研究解决方案的需求，尤其是对于一般学习。在这项工作中，我们进行了专家访谈，以探索AI注入的系统的潜在应用领域，这些系统为ASD提供了三个级别的参与状态，从“不参与和失控”到“高度参与”。对特殊教育工作者的访谈揭示了五个关键领域，用于AI驱动的参与识别：社交技能培训，刻板印象的行为修改，对休闲活动的支持，有效的辅导和独立的日常生活技能。这些发现突出了自适应AI干预措施的潜力，以证明教育和日常成果，并提倡为ASD儿童扩大申请。
![ARXIV：2407.05342V1 [CS.CV] 7 JUL 2024
在中的重建和未结构结构共存
评估人类协作：...
arxiv：2407.07035v1 [CS.CL] 9月9日2024
观察非易失性磁性 - 热切换...
旋转角动量的光子准晶体
土匪的集中差异隐私
在AI-... 中优化以人为中心的目标
算法什么时候应该辞职？ AI治理的提案
通过预测分析增强网络安全
基于事件触发的增强学习基于超级可靠的低延迟v2x通信的联合资源分配](/simg/g:\will\search\icon\source\3\3a456051cbc8ba5176d68ebda8e39d4dbc06c013.webp)
ARXIV：2407.05342V1 [CS.CV] 7 JUL 2024 在中的重建和未结构结构共存 评估人类协作：... arxiv：2407.07035v1 [CS.CL] 9月9日2024 观察非易失性磁性 - 热切换... 旋转角动量的光子准晶体 土匪的集中差异隐私 在AI-... 中优化以人为中心的目标 算法什么时候应该辞职？ AI治理的提案 通过预测分析增强网络安全 基于事件触发的增强学习基于超级可靠的低延迟v2x通信的联合资源分配
摘要。本研究解决了域级逐步学习问题，这是一种现实但具有挑战性的持续学习场景，在该方案中，域分布和目标类别跨任务各不相同。为处理这些不同的任务，引入了预训练的视力语言模型（VLM），以实现其强大的推广性。但是，这会引起一个新问题：在适应新任务时，预先训练的VLMS中编码的知识可能会受到干扰，从而损害了它们固有的零射击能力。现有方法通过在额外的数据集上使用知识蒸馏来调整VLM来解决它，这需要大量计算。为了有效地解决此问题，我们提出了无知的无干扰知识集成（DIKI）框架，从避免避免信息干扰的角度来保留对VLM的预训练的知识。具体来说，我们设计了一种完全残留的机制，可以将新学习的知识注入冷冻的骨干中，同时引发对预训练的知识的不利影响最小。此外，此残差属性可以使我们的分布感知的集成校准方案明确控制来自看不见的分布的测试数据的信息植入过程。实验表明，我们的二基仅使用训练有素的参数超过了当前的最新方法，并且需要较少的训练时间。代码可在以下网址找到：https：//github.com/lloongx/diki。
使用无线脑电图信号估计心理负荷
摘要：先前的研究已经证明了脑电图 (EEG) 在评估心理工作负荷方面的适用性。然而，开发可靠的跨任务、跨受试者和跨会话工作负荷分类模型仍然是一个挑战。在本研究中，我们使用无线 Emotiv EPOC 耳机评估了八名受试者和两项心理任务（即 n-back 和算术任务）的工作负荷。0-back 和 2-back 任务以及 1 位和 3 位加法分别被用作 n-back 和算术任务中的低和高工作负荷。使用功率谱密度作为特征，开发了一个信号处理和特征提取框架来对工作负荷级别进行分类。在 n-back 和算术任务中，会话内准确率分别达到 98.5% 和 95.5%。为了便于实时估计工作负荷，应用了快速域自适应技术，实现了 68.6% 的跨任务准确率。同样，我们在 n-back 和算术任务中分别获得了 80.5% 和 76.6% 的跨会话准确率，以及 74.4% 和 64.1% 的跨受试者准确率。尽管参与者数量有限，但该框架在跨受试者和任务方面具有很好的推广性，并为开发独立于受试者和任务的模型提供了一种有前途的方法。它还表明在认知监测中使用消费级无线 EEG 耳机实时估计工作量在实践中的可行性。