XiaoMi-AI文件搜索系统
World File Search System未对准
肥胖药物治疗时代的间歇性禁食和心血管风险的看法
间歇性禁食通过改善脂质纤维，减轻体重和提高胰岛素敏感性，与代谢健康有关。然而，几项随机临床试验表明，间歇性禁食对肥胖症患者的短期体重减轻或心脏代谢的改善不比标准的每日热量限制更有效。观察性研究还表明，延长而不是减少饮食窗口的心血管益处，并表明长期间歇性禁食方案可能会增加心血管疾病死亡率的风险。从这个角度来看，我们讨论了证据，这些证据可能会通过瘦质量，昼夜节律的未对准和与基于奖励的饮食相关的饮食选择不佳，支持间歇性禁食对心血管健康的潜在不利影响。鉴于肥胖药物治疗的持续革命，我们认为未来的研究应将抗肥胖药物与饮食策略相结合，从而赋予心脏代谢健康，结合运动方案，并考虑遗传因素来个性化肥胖治疗。结合饮食，药物治疗和生活方式改良的全面方法对于管理肥胖和最大程度地减少了长期心血管风险至关重要。
用于车辆基础结构合作3D对象检测的基于流动的特征融合
合作利用自动车辆和基础设施传感器数据可以显着增强自主驾驶感知能力。但是，不确定的时间异步和有限的通信条件会导致融合未对准并限制基础架构数据的利用。为了解决车辆基础结构合作3D（VIC3D）对象检测中的这些问题，我们提出了一个新型的合作检测框架（FFNET）。ffnet是一个基于流动的特征融合框架，它使用特征流预测模块来预测未来的特征并补偿异步。而不是从静止图像提取的特征图，而是利用顺序基础架构帧的时间连贯性。此外，我们引入了一种自我监督的训练方法，该方法使FFNET能够从原始基础架构序列中生成特征流，并具有特征预测能力。示例结果表明，我们所提出的方法的表现优于现有的合作检测方法，而仅需要约1/100的原始数据传输成本，并且在DAIR-V2X数据集中涵盖了一个模型中的所有延迟。代码可在https://github.com/haibao-yu/ffnet-vic3d上找到。
光子计数CT中的材料分解：一种由检测器物理和ASIC建模驱动的深度学习方法
摘要。基于光子计数检测器（PCD）的光子计算计算机断层扫描（PCCT）以尖端的CT技术脱颖而出，提供增强的空间分辨率，减少辐射剂量和先进的材料分解功能。尽管它得到了公认的广告，但挑战是由现实现象引起的，例如PCD电荷共享效应，特定于应用的集成电路（ASIC）堆积和频谱转移，并引入了实际物理效应与理想物理模型中的实际物理效应之间的差异。这种未对准会导致图像重建过程中的重大错误，该过程在材料分解中尤其。在本文中，我们介绍了一种新型的检测器物理学和ASIC模型引导的深度学习系统模型，该模型是为PCCT量身定制的。该模型擅长捕获PCCT系统的全面反应，包括检测器和ASIC重音。我们提出了实验结果，证明了该模型的实验精度和鲁棒性。关键进步包括减少校准误差，材料分解成像的提高质量以及提高定量一致性。该模型代表了在弥合PCCT的理论假设和实际复杂性之间的差距，为更精确，更可靠的医学成像铺平道路时的差距。
使用视觉和重新定位操作的机器人操纵器的基于NERF的对象模型的不确定性感知到主动学习
摘要 - 操纵看不见的对象在没有3D表示的情况下具有挑战性，因为对象通常具有遮挡的表面。这需要与对象的物理互动以构建其内部表示形式。本文提出了一种方法，该方法使机器人能够快速学习给定对象的完整3D模型，以在不熟悉的方向上进行操作。我们使用部分构造的NERF模型的集合来量化模型不确定性，以通过优化信息性和可行性来确定下一个动作（视觉或重新定位动作）。此外，我们的方法决定了何时以及如何掌握和重新定位对象的部分NERF模型，并重新估计对象姿势以纠正交互期间引入的未对准。在带有基准对象的桌面环境中运行的模拟Franka Emika机器人操作器进行的实验表明，视觉重建质量（PSNR）的14％，（ii）20％的几何/深度/深度重建对象表面（f-得分）和（iii）71％在（iii）71％的成功对象率是一定的，该任务范围是A的任务范围，即一定的一定范围。场景中的配置；超过当前方法。其他详细信息显示在以下网址：https：//actnerf.github.io/。
采用光子曲面微镜的平面自由空间光束耦合的临界分析
摘要。详细分析了使用平面和曲面光子微机电系统镜进行高斯光束的自由空间耦合。分析了理论背景和非理想效应，例如有限的微镜范围、球面微镜曲率不对称、轴未对准和微镜表面不规则。使用推导的公式从理论和实验上研究和比较平面（一维）、圆柱形（二维）和球面（三维）微镜的行为。分析重点关注曲面微镜曲率半径与入射光束瑞利范围相当的尺寸范围，也对应于参考光斑尺寸。考虑到可能的非理想性，推导出基于传输矩阵的场和功率耦合系数，用于一般微光学系统，其中考虑了微系统切向和矢状平面中的不同矩阵参数。结果以归一化量的形式呈现，因此研究结果具有普遍性，可应用于不同情况。此外，还制造了形状可控的硅微镜，并用于实验分析可见光和近红外波长的耦合效率。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 International 许可证出版。分发或复制本作品的全部或部分内容需要完全注明原始出版物，包括其 DOI。[DOI：10.1117/1.JOM.2.3.034001]
使用粗图>在看不见的环境中的机器人导航
摘要 - 公制占用图广泛用于机器人导航系统中。但是，当机器人被部署在看不见的环境中时，构建准确的度量图会耗时。可以使用粗图直接在以前看不见的环境中直接导航？在这项工作中，我们提出了粗大地图导航器（CMN），这是一个可以使用不同的粗图在看不见的环境中执行机器人导航的导航框架。为此，CMN解决了两个挑战：（1）新颖而现实的视觉观察； （2）粗图上的误差和错位。为了解决在看不见的环境中的新型视觉观测，CMN了解了一个深刻的感知模型，该模型将视觉输入从各个像素空间映射到本地占用网格空间。为了解决粗图上的误差和未对准，CMN使用预测的局部占用网格作为观测值扩展了贝叶斯过滤器，并直接在粗图上保持信念。使用最新信念，CMN提取了全球启发式向量，该向量指导计划者找到本地导航行动。经验结果表明，CMN在看不见的环境中实现了高导航的成功率，明显优于基准，并且对不同的粗图形具有鲁棒性。
3D空间多模式内存
我们提出了3D空间多模式内存（M3），这是一种多模式存储系统，旨在通过视频源保留有关中型静态场景的信息，以供视觉感知。通过将3D高斯脱衣技术与基础模型集成在一起，M3构建了能够跨粒度呈现特征表示的多模式内存，其中包括广泛的知识。在我们的探索中，我们在以前的特征劈叉上确定了两个关键挑战：（1）在每个高斯原始原始原始原始的存储高维纤维中的计算限制，以及（2）蒸馏功能和基础模型之间的未对准或信息损失。为了解决这些挑战，我们提出了M3的主要场景组件和高斯记忆注意的关键组成部分，从而实现了有效的训练和推理。为了验证M3，我们对特征相似性和下游任务以及定性可视化进行了全面的定量评估，以突出显示高斯记忆注意的像素痕迹。我们的方法包括各种基础模型，包括视觉模型（VLM），感知模型以及大型多模式和语言模型（LMMS/LLMS）。此外，为了演示现实世界的适用性，我们在四足机器人的室内场景中部署了M3的功能字段。值得注意的是，我们声称M3是在3D功能蒸馏中挑战核心压缩挑战的第一项工作。
区块链交易中的异常检测
本研究调查了机器学习模型在开放式元视频中的区块链交易中的异常检测和欺诈分析的应用，这是虚拟空间中数字交易的日益增长的复杂性。Utilizing a dataset of 78,600 transactions that reflect a broad spectrum of user behaviors and transaction types, we evaluated the efficacy of several predictive models, including RandomForest, LinearRegression, SVR, DecisionTree, KNeighbors, GradientBoosting, AdaBoost, Bagging, XGB, and LightGBM, based on their Mean Cross-Validation Mean Squared Error (Mean CV MSE）。我们的分析表明，集合方法，尤其是Random Forest和Bagging，表现出卓越的性能，平均CV MSE分别为-0.00445和-0.00415，从而在复杂的交易数据集中突出了它们的稳健性。相比之下，线性回归和SVR是最不可能的，平均CV MSE为-224.67和-468.57，表明与数据集特性存在潜在的未对准。这项研究强调了在开放式元元中选择适当的机器学习策略的重要性，从而表明了对高级，适应性的方法的需求。这些发现对金融技术领域产生了重大贡献，尤其是在增强虚拟经济体系内的安全性和完整性方面，并倡导在区块链环境中采用细微差别的异常检测和欺诈分析方法。
时间限制饮食：对肥胖症的卡路里限制的宝贵替代品？
审查的摘要目的是在本综述中，总结了时间限制饮食（TRE）的分子效应及其在食欲调节中的可能作用。我们还讨论了肥胖中TRE的潜在临床益处。最近的发现TRE是一种新兴的饮食方法，包括将食物摄入量限制为每天特定时间窗口。这种策略背后的理由是恢复昼夜节律的未对准，通常在肥胖症中看到。临床前研究表明，只有在一天的活动阶段限制食物摄入量才能积极影响几种细胞功能，包括衰老，线粒体活性，炎症，自噬和营养素的感测途径。此外，TRE可能通过调节食欲和饱腹感激素发挥作用，尽管需要进一步的研究以阐明其确切机制。涉及肥胖症患者或2型糖尿病患者的临床试验表明，TRE可以有效减肥，但其对改善其他临床结果（例如心血管危险因素）的更广泛影响仍然不确定。总结肥胖的流行比例会导致紧迫性找到饮食，药理和手术干预措施，这些干预措施在中长期可以有效。根据其分子效应，TRE可能是肥胖治疗中热量限制的有趣替代方法，但是临床试验中有关人群，干预和随访时间的差异很大，因此很难得出明确的结论。
![arxiv：2401.13898v1 [cs.lg] 2024年1月25日](/simg/e\e2e70efbe299b0e5bb5feec744f77810e8091c14.webp)
arxiv：2401.13898v1 [cs.lg] 2024年1月25日
多模式联合学习（MFL）已成为一个分散的机器学习范式，以不同的方式与多种方式进行了不同的方式，以协作培训跨不同数据源的机器学习模型而无需共享私人数据。然而，挑战，例如数据的性质和严重缺失的方式，对MFL的稳健性构成了至关重要的障碍，这显着影响了全球模型的性能。缺乏方式在本地培训阶段引入了未对准，这是由于失踪方式的客户而零填充。因此，在全球模型中实现强大的生成变得必须是必须的，尤其是在与具有无数数据的客户打交道时。在本文中，我们提出了多模式联合横型原型学习（MFCPL），这是一种在严重错过模式下的新型方法，通过进行完整的原型类型，以与跨模式调节和模态特异性相反机械级别提供模态共享水平的多种模态知识。此外，我们的方法还引入了跨模式对齐方式，以提供特定于模态特异性的正规化，从而在涉及严重缺失模态的情况下提高了整体性能。通过在三个多模式数据集上进行广泛的实验，我们证明了MFCPL在缓解这些挑战并改善整体性能方面的效率。