XiaoMi-AI文件搜索系统
World File Search System概括
改善通过多项式表示自主驾驶的轨迹预测的分布外概括
摘要 - 针对分布（OOD）样本的鲁棒性是轨迹预测模型的关键性能指标。但是，最先进（SOTA）模型的开发和排名是由其在单个竞争数据集上的分布（ID）性能驱动的。我们提出了一个OOD测试协议，该协议在两个大规模运动数据集中均质化数据集和预测任务。，我们基于模型的输入和输出侧的代理轨迹和道路几何形状的多项式表示引入了一种新颖的预测算法。随着模型大小，训练工作和推理时间的较小，我们到达Sota Performence进行ID测试，并显着提高OOD测试中的鲁棒性。在我们的OOD测试方案中，我们进一步研究了SOTA模型的两种增强策略及其对模型概括的影响。强调ID和OOD性能之间的对比度，建议将OOD测试添加到轨迹预测模型的评估标准中。
贝叶斯学习算法的概要和大脑中的概括表征
如果没有学习，我们就会局限于一组预先编程的行为。虽然这对苍蝇 1 来说可能是可以接受的，但它并不能为人类熟悉的自适应或智能行为提供基础。因此，学习是大脑运作的重要组成部分之一。然而，学习需要时间。因此，自适应行为的关键是学会系统地概括；也就是说，学会可以灵活地重新组合以理解你面前的任何世界的知识。这篇论文试图在两个问题上取得进展——大脑网络如何学习，以及允许概括的知识表征背后的原理是什么。随着科学的工业化，二十世纪结出了硕果，人们对神经元、突触、神经递质、静息电位、动作电位、网络等的了解越来越详细（1-4）。尽管我们已经对其中许多微观过程有了相当详细的了解，并且由于哲学、实验心理学以及行为和认知神经科学 (5–9) 而对智能有了高层次的理解，但是在这些粒度级别之间仍然存在巨大的理解鸿沟。本论文致力于通过提供可转化为低级过程的高级计算框架来弥合这一差距。任何高级大脑框架的核心都必须是成功的行为，因为这是大脑的作用。类似地，神经元对于低级理解至关重要，因为人们认为大脑功能的基础是通过加权连接介导的神经元之间的信息传递。不同的权重导致不同的功能。因此，学习适当的权重配置是大脑面临的基本问题。这种学习有两个方面 - 第一个是如何，第二个是什么。如何是确定这些突触连接更新的学习算法，而什么是反映世界如何运作的神经表征。在这一脉络中，本论文研究了 1) 生物神经网络中学习的算法实现，以及 2) 任务泛化的神经表征的计算框架。这两个研究方向都与贝叶斯思想紧密相连，并且这两项工作都弥合了高级和低级理解之间以及大脑和机器之间的差距。
HDAC抑制剂在体外概括了与人类疾病相关的小胶质细胞特征
基因签名伏诺替纳斯特治疗[P.Adj; log2fc] DHRS9群集11 5.68E -05 [1.04] RABAC1群集11 1.77E -14 [0.69] ARHGAP48 MIC13 1.68E -03 [0.71] PTPRG MIC13 3.14E -03 [0.69] SCIN MIC13 + CLUSTER 11 1.40E -0.40E -02 [0.69] 1.55E -18 [0.83] ABCA1 IMG群集2+8 2.83E -04 [0.63] SLC38A6 IMG群集2+8 2.96e -04 [0.59] Lipa cluster 11/ mic3/ img cluster 2+8 5.92e -8 5.92e -04 [0.23] NPL CLUSTER 11/ MIC 3/ MIC 3/ MIC 3/ MIC 3/ IMRIMRIMRIMRIMRIMRRIMRRIMRRIMRRIMRIMRIMRIMR REMR IMRR 2+8 3. 33. 3.3 3 3 3 3 33 3. 3. 33 EMR IMRIMRIMRIMRIMRRIMRRIMRRIMRRIMRRIMRRIMRRIMRRIMRRRIMRRIMRRR群集11/MIC3/IMG群集2+8 1.41E -02 [0.16]表2。IMG中伏诺替氏剂治疗引起的标记基因的摘要。IMG中伏诺替氏剂治疗引起的标记基因的摘要。
落实内控、遵守法规建立反托拉斯的企业文化
模糊(Easterbrook)。例如专利制度系合作与竞争平衡应用。但涉及专业判断，不要轻易走向断。注解: „必须跨越百年文字因应社会变迁 „ ESG全球合作协议之启示 „ 垦丁商圈发展与没落之启示 „ 时间变化：合作社(合作与竞争)至巨型轴承:全联 „ 竞争合作权衡很专业，需寻求专业协议
基于CART决策树和SMO算法概括规则的桥梁管理实时决策支持系统
摘要：在桥梁的动态条件下，我们需要实时管理。为此，本文提出了一种基于规则的决策支持系统，该系统从 Aimsun 交通微观模拟软件的模拟结果中提取必要的规则。然后，借助模糊规则生成算法对这些规则进行泛化。然后，通过一组监督和非监督学习算法对它们进行训练，以获得在实际情况下做出决策的能力。作为一项试点案例研究，在 Aimsun 中模拟了德黑兰的 Nasr 桥，并使用 WEKA 数据挖掘软件执行学习算法。根据这项实验，监督算法泛化规则的准确率大于 80%。此外，CART 决策树和顺序最小优化 (SMO) 为正常数据提供了 100% 的准确率，这些算法对于桥梁危机管理非常可靠。这意味着，可以使用此类机器学习方法在实时条件下管理桥梁。
患者和异种移植的类器官概括了小儿脑肿瘤特征和患者治疗
脑肿瘤是儿童与癌症相关死亡的主要原因。实验性的体外模型，忠实地捕获小儿脑癌的标志和肿瘤异质性是有限且难以建立的。我们提出了一项方案，该方案能够对小儿脑癌器官的有效产生，扩张和生物群。利用我们的方案，我们从室心室，髓样囊瘤，低度神经胶质肿瘤和患者衍生的异种移植手术器官（PDXOS）建立了患者衍生的类器官（PDOS）。PDOS和PDXOS概括了组织学特征，DNA甲基化研究以及它们得出的肿瘤的肿瘤内异质性。我们还表明PDO可以被异种移植。最有趣的是，当经常使用同一治疗方案时，PDO对患者的反应类似。综上所述，我们的研究强调了PDOS和PDXO在个性化医学的研究和翻译应用中的潜力。
患者衍生的结直肠癌的人血管化微肿块模型概括了临床疾病
在过去的十年中，慢性淋巴细胞性白血病（CLL）和小淋巴细胞淋巴瘤（SLL）的管理范式经历了前所未有的变化，从而导致患者的根本改善结果（1,2）。以前的治疗基石，细胞毒性化学疗法，导致许多患者的缓解，但也是短期和长期治疗相关的病因（3）。对于较差的风险疾病生物学患者，这些减免的寿命短（4,5）。相比之下，现在可以期望患者通过靶向疗法依次治疗，这些疗法既可以耐受，口服且明显更有效（6-10）。尽管现代靶向疗法产生了极大改善的结果，但这些药物现已被纳入常规临床实践，这足以使患者开始对多种类别产生抗药性或不耐受性（11-17）。这些患者代表了CLL/SLL中未满足医疗需求的新且快速增长的领域。确保CLL/SLL患者的持续进展将需要增加对通过多种靶向治疗治疗的新兴患者组的关注。在这里，我们专注于如何在现代治疗环境中最好地定义未满足的需求，并为关键利益相关者/护理人员提供了确保我们患者应得的持续创新的机会。
远距离意识的非IID联合学习用于医学成像分段中的概括和个性化
医疗保健中的联邦学习（FL）患有非相同分布的（非IID）数据，从而影响模型收敛和性能。虽然现有的非IID问题解决方案通常不会量化联邦客户之间的非IID性质程度，但评估它可以改善培训经验和成果，尤其是在不熟悉数据集的现实世界中。本文提出了一种实用的非IID评估方法，用于医疗分割问题，强调了其在佛罗里达州的重要性。我们提出了一种简单而有效的解决方案，该解决方案利用了医疗图像的嵌入空间和对其元数据计算的统计测量结果。我们的方法是为医学成像而设计的，并集成到联邦平均值中，通过降低最遥远的客户的贡献，将其视为离群值，从而改善了模型的概括。此外，它通过引入客户的基于距离的聚类来增强模型个性化。据我们所知，这种方法是第一个使用基于距离的技术来为医学成像域内非IID问题提供实际解决方案的方法。此外，我们验证了三个公共FL成像放射学数据集的方法（Fets（Pati等人，2021），前列腺（Liu等人，2020b），（Liu等人，2020a）和Fed-Kits2019（Terrail等人，2022）））在各种放射学成像方案中证明其有效性。关键字：联合学习，非IID数据，个性化，概括，医学细分，医学成像。
指示人类后脑神经上皮干细胞的分化概括了小脑颗粒神经发生
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年1月3日发布。 https://doi.org/10.1101/2023.01.02.522503 doi：Biorxiv Preprint
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。