XiaoMi-AI文件搜索系统
World File Search System构造函数
使用实例和实体中心分割损失函数
在本文中，我们提出了一种新型的两组分损失，用于生物医学图像分割任务，称为实例和实例中心（ICI）损失，这是一种损失函数，在使用像素损失功能（例如骰子损失）时，通常会遇到实例不平衡问题。实例组件改善了具有大型和小实例的图像数据集中的小实例或“斑点”的检测。实体中心组件提高了整体检测准确性。我们使用ATLAS R2.0挑战数据集的Miccai 2022。与其他损失相比，ICI损失提供了更好的平衡分段，并以改进1的改善而显着超过了骰子损失。7-3。7％，斑点损失为0。6-5。0％的骰子相似性系数在验证和测试集中，这表明ICI损失是实例不平衡问题的潜在解决方案。关键字：实例和实体中心细分损失，细分损失。
i-motif DNA：识别，形成和细胞函数
＃这些作者为这项工作做出了同样的贡献。*通信：wzhang25@njau.edu.cn（W.L.张）。抽象的i-motif（im）是一种四链（或四链体）DNA结构，它折叠了胞嘧啶（C） - 富序列。ims可以在体外的许多不同条件下折叠，这为它们在活细胞中形成的道路铺平了道路。被怀疑，IMS在各种DNA交易中起关键作用，特别是在基因组稳定性，基因转录和翻译，DNA复制，端粒和丝粒功能以及人类疾病的调节中起关键作用。我们在这里总结了用于评估IMS体外折叠的不同技术，并概述了影响其体内形成和稳定性的内部和外部因素。因此，我们描述了IM的可能生物学相关性，并提出了将其用作生物学目标的方向。关键字i -Motifs，方法论，基础修改，内部和外部条件，生物学意义突出显示 - 不同方法和分子工具的组合对于询问
在体重的代数免疫力上完全平衡函数
摘要。在本文中，我们研究了权重的代数免疫（AI）完美平衡（WPB）函数。在以前文献中显示了两类WPB函数的AI的下限后，我们证明了WPB N-可变量函数的最小AI是恒定的，对于N≥4的2。然后，我们在4个变量中计算WPB函数的AI的分布，并估计8和16个变量中的一个。对于N的这些值，我们观察到绝大多数WPB函数具有最佳的AI，并且我们无法通过随机采样来获得AI-2 WPB函数。最后，我们解决了具有有界代数免疫力的WPB函数的问题，从[GM22C]利用了构造。特别是我们提出了一种以最小AI生成多个WPB函数的方法，并且我们证明[GM22C]中表现出高非线性的WPB函数也具有最小的AI。我们以构造为WPB功能提供了较低的AI，并以AI至少N/ 2- log（n） + 1的所有元素为例。
模拟Sigmoid函数及其近似导数的设计方法
摘要 — 在本文中，我们建议使用模拟电路实现 S 型函数，该函数将用作多层感知器 (MLP) 网络神经元的激活函数，以及其近似导数。文献中已经提出了几种实现方法，特别是 Lu 等人 (2000) 的实现方法，他们提供了采用 1.2 µ m 技术实现的可配置简单电路。在本文中，我们展示了基于 Lu 等人的 S 型函数电路设计，使用 65 nm 技术以降低能耗和电路面积。该设计基于对电路的深入理论分析，并通过电路级模拟进行验证。本文的主要贡献是修改电路的拓扑结构以满足电路所需的非线性响应以及提取所得电路的直流功耗。索引词——激活函数、模拟 CMOS 电路、近似导数、反向传播、多层感知器、S 型函数。
缩放哈希函数原像的量子搜索
摘要。我们在量子模拟器中介绍了 Grover 算法的实现，以对两个缩放哈希函数的原像进行量子搜索，其设计仅使用模加、字旋转和按位异或。我们的实现提供了精确评估门数和成熟量子电路深度缩放的方法，该量子电路旨在查找给定哈希摘要的原像。量子预言机的详细构造表明，与门、或门、位移位和计算过程中初始状态的重用，与基于模加、异或门和旋转的其他哈希函数相比，需要额外的量子资源。我们还跟踪了计算过程中每一步量子寄存器中存在的纠缠熵，表明它在量子预言机的第一个动作的内核处达到最大值，这意味着基于张量网络的经典模拟将不相关。最后，我们表明，基于在 Grover 算法的几个步骤之后对量子寄存器进行采样的快捷策略只能在减少错误方面提供一些边际实际优势。
函数共振分析方法文献综述
功能共振分析方法 (FRAM) 的开发受到人们认识到从根本上确定性和概率性方法在理解复杂系统行为方面的局限性的推动。与弹性工程的原则一致，近年来，FRAM 在科学方面得到了逐步发展，并越来越多地被工业环境采用，据报道取得了成功的结果。然而，目前缺乏针对该方法的广泛文献综述。基于这些前提，本文旨在总结所有可用的关于 FRAM 的英文出版研究。通过基于 PRISMA 审查技术的协议审查了来自多个科学存储库的 1700 多份文件。本文旨在揭示 FRAM 研究的一些特点，包括方法的应用和对其发展做出贡献的作者。系统分析从方法论方面、应用领域以及定性和定量方面的增强方面探讨了该方法，并提出了未来潜在的研究方向。
测试用于计算离散傅里叶变换的函数...
在第二个 SS f M 程序中，提供了一个基于网络的工具，使用户能够为许多关键计算生成适合其自身应用的参考数据集和相应的参考结果。该工具采用 Java 实现的数据生成器的形式，以便提供生成器的可移植性（跨计算机平台），以及生成的参考数据集的灵活性和可重复性。该工具在第三个 SS f M 程序中得到进一步开发，以提供测试服务的功能。该工具有两种操作模式。在第一种模式下，为用户提供参考数据集和相应的参考结果。在第二种模式下，仅向用户提供参考数据集，但可以上传测试结果以与相应的参考结果（对用户隐藏）进行比较。
损失函数在增强学习中的核心作用
摘要。本文说明了损失功能在数据驱动决策中的核心作用，从而对其在成本敏感的分类（CSC）和增强学习（RL）方面提供了全面的调查。我们演示了不同的回归损失函数如何影响样本的效率和基于价值决策算法的适应性。在多个设置中，我们证明，使用二进制跨透镜损失的算法达到了最佳策略成本的第一阶范围，并且比常用的平方损失更有效。此外，我们证明，使用最大似然损失的分布算法与策略差异达到了二阶范围，甚至比一阶边界更明显。这特别证明了分歧RL的好处。我们希望本文能够成为分析具有不同损失功能的决策算法的指导，并可以激发读者寻求更好的损失功能，以改善任何决策算法。
通过学习子模函数改进归因方法
这项工作探索了学习子模块评分函数的新想法，以提高现有特征归因方法的特异性 / 选择性。子模块分数对于归因来说是自然的，因为它们可以准确地模拟收益递减原则。提出了一种学习深度子模块集函数的新公式，该公式与现有归因方法获得的实值归因图一致。然后将特征的最终归因值定义为在其他高度归因特征的背景下该特征的诱导子模块分数的边际增益，从而减少冗余但具有区分性的特征的归因。在多个数据集上的实验表明，所提出的归因方法具有更高的特异性和良好的判别力。我们方法的实现可在 https://github.com/Piyushi-0/SEA-NN 上公开获得。