XiaoMi-AI文件搜索系统
World File Search System掩盖
掩盖图像建模前进3D医学图像分析
最近，由于它能够从大量未标记的数据中学习，因此蒙版的图像建模（MIM）引起了很大的关注，并且已被证明对涉及自然IM的各种视觉任务有效。同时，由于数量的未标记图像以及质量标签的费用和困难，预计自我监督的学习3D医学图像的潜力预计将是巨大的。但是，MIM对医学图像的适用性仍然不确定。在本文中，我们证明了掩盖的进度建模方法除自然图像外，还可以推进3D医学图像分析。我们研究掩盖图像建模策略如何从3D医疗图像段的角度利用绩效，作为一项代表性的下游任务：i）与天真的对比度学习相比，掩盖的图像建模ap-par-ap-par-ap-par casge casge casge casgence convelence contergencience convergence contressed of被监督的火车的融合甚至更高（1.40×）得分（1.40×），并最终会产生较高的股票; ii）预测具有较高遮盖比和相对较小的斑块大小的原始体素值是用于医学图像的非琐碎的自我监督借口任务； iii）重建重建的轻量级解码器或投影头对3D医疗图像的掩盖图像模型非常可靠，该图像可以加快训练并降低成本； iv）最后，我们还研究了应用不同图像分辨率和标记的数据比率的不同实际情况下的MIM方法的有效性。匿名代码可在https：//github.com/zekaichen/mim-med3d上找到。
显微镜的掩盖自动编码器是细胞生物学的可扩展学习者
为生物搜索中使用的显微镜图像仍然是一个重要的挑战，尤其是对于跨越数百万图像的大规模实验。这项工作探讨了经过越来越较大的模型骨架和显微镜数据集训练时，弱监督的clasifirers和自我监管的蒙版自动编码器（MAE）的缩放属性。我们的结果表明，基于VIT的MAE在一系列任务上的表现优于弱监督的分类器，在召回从公共数据库中策划的已知生物学关系时，相对实现的相对效果高达11.5％。此外，我们开发了一种新的通道敏捷的MAE架构（CA-MAE），该体系结构允许在推理时输入不同数字和通道的图像。我们证明，在不同的实验条件下，在不同的实验条件下，CA-MAE通过推断和评估在显微镜图像数据集（Jump-CP）上有效地概括了，与我们的训练数据（RPI-93M）相比，通道结构不同。我们的发现促使人们继续研究对显微镜数据进行自我监督学习，以创建强大的细胞生物学基础模型，这些模型有可能促进药物发现及其他方面的进步。与此工作发布的相关代码和选择模型可以在以下网址找到：https：//github.com/ recursionpharma/maes_microscopy。
增强DNA基础模型以解决掩盖效率低下
掩盖语言建模（MLM）作为预处理目标已在基因组序列建模中广泛采用。虽然审计的模型可以成功地作为各种下游任务的编码器，但在预处理和推理之间的分离转变会对性能产生不利影响，因为预处理的任务是映射[蒙版]对预测的标志，但是[mask]在下游应用程序中却没有[mask]。这意味着编码器不会优先考虑其非[蒙版]令牌的编码，而是在部署时间与MLM任务相关的工作，并在与MLM任务相关的工作中计算参数并计算。在这项工作中，我们根据掩盖的自动编码器框架提出了一个修改的编码器架构，旨在解决基于BERT的变压器中的这种低效率。我们从经验上表明，所产生的不匹配特别是在基因组管道中有害的，在基因组管道中，模型通常用于特征提取而无需微调。我们在Bioscan-5M数据集上评估了我们的方法，其中包含超过200万个独特的DNA条形码。与因果模型和通过MLM任务预测的因果模型和双向体系结构进行比较时，我们在封闭世界和开放世界分类任务中实现了可观的性能增长。
Bupa医院一眼掩盖
Brain and nervous system P P P Eye (not cataracts) P P P Ear, nose and throat P P P Tonsils, adenoids and grommets P P P Bone, joint and muscle P P P Joint reconstructions P P P Kidney and bladder P P P Male reproductive system P P P Digestive system P P P Hernia and appendix P P P Gastrointestinal endoscopy P P P Gynaecology P P P Miscarriage and termination of pregnancy P P P Chemotherapy, radiotherapy and immunotherapy for cancer P P P Pain management P P P Skin P P P Breast surgery (medically necessary) P P P Diabetes management (excluding insulin pumps) P P P Heart and vascular system P P Lung and chest P P Blood P P Back, neck and spine P P Plastic and reconstructive surgery (medically necessary) P P Dental surgery P P Podiatric surgery (provided by a registered podiatric surgeon)* P P Implantation of hearing devices P P Cataracts P Joint replacements P Dialysis for chronic kidney failure P Pregnancy and birth P Assisted reproductive services P Weight loss surgery P Insulin pumps P Pain management with device P Sleep studies P Key: R = Restricted *Limited hospital accommodation and approved prostheses benefits only.
b“季度回顾 \xe2\x80\xa2 截至 2024 年 12 月 31 日的季度，摩根大通美国股票策略表现不及基准标准普尔 500 指数。 \xe2\x80\xa2 在医疗保健领域，我们对 Regeneron Pharmaceuticals 的增持导致业绩下滑。Regeneron 的股票表现下滑主要是由于对其眼药 Eylea 的竞争定位以及安进可能推出的生物仿制药的担忧。尽管报告了强劲的季度收入和收益增长，但 Eylea HD 的转换速度低于预期以及生物仿制药竞争的威胁带来了不确定性。该公司的财务业绩显示收入同比增长和收益增加，但这些积极的结果被市场对 Eylea 未来的担忧所掩盖。 \xe2\x80\xa2 在非必需消费品领域，我们对特斯拉汽车的减持导致业绩下滑。公司报告盈利稳健，由于成本降低和生产效率提高，毛利率和盈利能力有所改善。值得注意的是，特斯拉在其 Cybertruck 部门实现了盈利，并宣布了推出新款平价车型的计划。该公司推动对无人监管的全自动驾驶汽车进行国家监管，以及 2024 年美国总统大选对监管前景的影响进一步影响了股价表现。\xe2\x80\xa2 在金融方面，我们对富国银行的增持有助于提高业绩。由于投资者对放松管制和可能取消资产上限的乐观情绪，富国银行的股票表现有所改善。该公司报告的净收入和每股收益较上一季度增加，费用收入增长抵消了净利息收入的阻力。\xe2\x80\xa2 在信息技术领域，我们对 Marvell Technology 的增持有助于提高业绩。Marvell 的数据中心部门实现了显着增长，尤其是在定制人工智能 (AI) 硅片和光电方面。该公司报告称，收入同比和环比均大幅增长，每股收益显著提高。Marvell 与亚马逊网络服务 (Amazon Web Services) 的战略合作伙伴关系以及定制硅片项目的成功提升为其积极的财务业绩做出了贡献。由于产品组合，尤其是定制硅片的收入贡献增加，毛利率面临压力，但管理层已经充分传达了这种组合动态，因此投资者在很大程度上预料到了这一点。
b“季度回顾 \xe2\x80\xa2 截至 2024 年 12 月 31 日的季度，摩根大通美国股票策略表现不及基准标准普尔 500 指数。 \xe2\x80\xa2 在医疗保健领域，我们对 Regeneron Pharmaceuticals 的增持导致业绩下滑。Regeneron 的股票表现下滑主要是由于对其眼药 Eylea 的竞争定位以及安进可能推出的生物仿制药的担忧。尽管报告了强劲的季度收入和收益增长，但 Eylea HD 的转换速度低于预期以及生物仿制药竞争的威胁带来了不确定性。该公司的财务业绩显示收入同比增长和收益增加，但这些积极的结果被市场对 Eylea 未来的担忧所掩盖。 \xe2\x80\xa2 在非必需消费品领域，我们对特斯拉汽车的减持导致业绩下滑。公司报告盈利稳健，由于成本降低和生产效率提高，毛利率和盈利能力有所改善。值得注意的是，特斯拉在其 Cybertruck 部门实现了盈利，并宣布了推出新款平价车型的计划。该公司推动对无人监管的全自动驾驶汽车进行国家监管，以及 2024 年美国总统大选对监管前景的影响进一步影响了股价表现。\xe2\x80\xa2 在金融方面，我们对富国银行的增持有助于提高业绩。由于投资者对放松管制和可能取消资产上限的乐观情绪，富国银行的股票表现有所改善。该公司报告的净收入和每股收益较上一季度增加，费用收入增长抵消了净利息收入的阻力。\xe2\x80\xa2 在信息技术领域，我们对 Marvell Technology 的增持有助于提高业绩。Marvell 的数据中心部门实现了显着增长，尤其是在定制人工智能 (AI) 硅片和光电方面。该公司报告称，收入同比和环比均大幅增长，每股收益显著提高。Marvell 与亚马逊网络服务 (Amazon Web Services) 的战略合作伙伴关系以及定制硅片项目的成功提升为其积极的财务业绩做出了贡献。由于产品组合，尤其是定制硅片的收入贡献增加，毛利率面临压力，但管理层已经充分传达了这种组合动态，因此投资者在很大程度上预料到了这一点。
对人类和动物健康的威胁是由霉菌毒素和食物和饲料中发生的掩盖的霉菌毒素引起的
真菌，尤其是霉菌真菌，在自然环境以及食品行业中起着非常重要的作用，以生产许多专业产品。但是，其中许多在有利的条件下能够产生称为霉菌毒素的有毒化合物。其中许多人对包括人类在内的所有生物的生长和发展具有不利影响。霉菌毒素可以出现在所有食品和动物饲料中。在动植物的食物中积累的霉菌毒素和人类消耗的食物可以积聚在各种组织和器官中，这会导致其功能障碍，并可能导致癌症。植物可以通过糖化过程中和菌毒素来防御霉菌毒素。以这种方式中和的霉菌毒素被称为“掩盖的霉菌毒素”，对植物没有毒性，但在消化道中进入动物或人类的身体后，它们返回其原始毒性形式。让我们上诉并传播有关霉菌毒素的知识，因为它们对人和农场动物的健康构成了不断的威胁。
Contramae：癌症生存预测的对比度对齐掩盖自动编码器框架
摘要 - 随着多模式融合技术的快速发展，病理图像与基因组学数据的整合已在癌症生存预测中取得了令人鼓舞的结果。但是，大多数现有的多模型模型不是通过结合病理学和基因组学模态来预训练的，而忽略了不同模态之间固有的任务无关联的关联。尽管某些自我监督的方法通过预训练的目标（例如相关性和均方误差）来对齐多模式信息，但它们缺乏深入的多模式相互作用。为了解决这些问题，我们提出了Contramae，这是一种对比度对齐的掩盖自动编码器框架，以融合病理学图像和基因组学数据，以进行癌症存活预测。具体而言，我们引入了一个对比目标，以使多形态保持一致并构建其内在的一致性。此外，我们设计了两个重建目标，以通过互补偿双方所缺乏的信息来捕获多模式之间的复杂关系。在生存预测中，将Contramae编码器的病理和基因组学编码串联为产生生存风险评分的最终表示。实验结果表明，在五个癌症基因组图集（TCGA）中，CONTORAMA的表现优于五个癌症数据集的现有最新方法。该代码可从https://github.com/suixuewang/contramae获得。
掩盖了判别性自我...
自我监督的表示学习（SSL）（Balesteriero等人，2023年）近年来已经成为表示学习的基石。诸如Openai剪辑之类的模型（Radford等人，2021）示例SSL方法如何产生适用于广泛下游任务的表达性表示。此范式依赖于配对的观测值（配对的视图或共享相同内容的方式）来提取有意义的特征。从广义上讲，SSL方法分为两类：歧视性和生成性（或基于重建）。歧视性SSL（Chen等人，2020年）旨在确保比随机采样观测值在潜在空间中更接近配对观测的表示。相反，基于重建的SSL（He等人，2022）涉及从其对中重建一个观察结果。在多视图设置中，数据增强技术（例如图像裁剪和颜色抖动）通常用于人为地创建单个单个观测值。在这些增强中，事实证明，图像裁剪特别有影响力，推动了视觉学习模型（例如Meta's Dino）（Caron等人，2021; Oquab等。，2023）和JEPA（Assran等人，2023）。最近的研究（Bizeul等人，2024）1表明，在图像域中，掩盖（概念上类似于裁剪），而不是单个图像像素可以生成图像对，从而促进基于重建的SSL中表达特征的学习。，2023）。在这个项目中，我们的目标是投资于将类似方法应用于歧视性SSL是否可以产生可比的好处，专门针对Dino，Jepa和Siglip（Zhai等人。
在食品和药品应用中使用微囊化的掩饰掩盖
网络威胁从各个案件增加到全球问题是人们转移网络安全观点的原因。基本的防御工艺最初理解和有效，无法与现代攻击的复杂性和速度相匹配。考虑到LLM是AI的最新成员，本文旨在讨论其在整合威胁检测和响应自动化系统中的应用。因此，具有较高自然语言处理功能的LLM具有有关网络安全的革命性观点。由于LLM代理可以查看大量的安全数据，区分模式并创建上下文适当的响应，因此它们可以弥合新兴威胁和稳定的安全系统之间的差距。本文研究了LLM代理使用的工具，例如自然语言处理来分析日志，上下文异常检测，网络流量中的模式识别以及对用户行为的分析。此外，它还描述了LLM代理如何在威胁识别，警报优先级，上下文驱动的响应生成，安全政策执行和威胁处理的背景下支持自动威胁处理。还考虑了LLM代理到包括SIEM系统和AI-OPS平台在内的已知系统中的集成，从而可以进一步结论创建积极主动的网络安全系统的机会。然而，仍存在开放的困境，例如对抗性攻击和解释性，网络安全方面的LLM代理的未来仍然很明亮，并且在多模式威胁分析和基于量子安全LLM的密码学中还有更多可能性。