XiaoMi-AI文件搜索系统
World File Search System概括
大脑使用不变动态来概括跨运动
摘要：神经系统使用输出曲目来产生各种运动。因此，大脑必须解决如何在不同运动中发出相同输出的方式。最近的一项建议指出，网络连接性限制了神经活动的过渡，以遵循不同运动的不变规则，我们称其为“不变动态”。但是，尚不清楚不变动力学是否实际上用于驱动和概括跨移动的输出，以及它们为控制运动提供了什么优势。使用将运动皮层活性转化为神经假体光标输出的脑机界面，我们发现相同的输出是由不同运动中不同活动模式发出的。这些不同的模式然后根据不变动态模型过渡，从而导致模式驱动不同的未来输出。最佳控制理论揭示了这种不变动态的使用减少了控制运动所需的反馈输入。我们的结果表明，大脑使用不变动态来概括跨运动的输出。
概括过程中抽象任务结构的神经表示
心理学和神经科学中的抽象认知模型广泛认为人脑保持了任务的抽象表示。这个假设对于解释我们如何快速学习，创造性思考和灵活地采取行动的理论至关重要。然而，缺乏可见生成的抽象任务表示的神经证据。在这里，我们报告了一个实验范式，该范式需要形成这样的表示，以在新的条件下自适应地行动而无需反馈。使用功能性磁共振成像，我们观察到抽象任务结构在左侧前额叶皮层，双侧前序和下顶层皮质内表示。这些结果为我们可以验证其影响的环境中长期支持的抽象任务表示的神经实例化提供了支持。这样的表示可以提供大量的行为灵活性，而无需额外的经验，这是人类认知的重要特征。
泰语 - FDA和DLD的主要角色可以概括为2部分：
关于泰国牲畜农场标准的农业和合作社的部长通知，牲畜标准农场必须具有兽医监督员来照顾动物健康。必须由农场兽医监督员开处方，应由泰国牲畜农场标准的农业和合作社部长通知。农场兽医主管必须保存至少两年的处方记录，并在DLD的需要时进行介绍。
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。
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。
无关脑的域概括 -
摘要 - 电解图（EEG）的间/受主体内变异性使脑计算机界面（BCI）的实际使用很难。通常，BCI系统需要一个校准程序来获取主题/会话特定数据，以每次使用系统时调整模型。这个问题被认为是BCI的主要障碍，并克服它，基于域概括（DG）的方法最近出现了。本文的主要目的是重新考虑如何从DG任务的角度克服BCI的零校准问题。就现实情况而言，我们专注于创建一个脑电图分类框架，该框架可以直接在看不见的会话中应用，仅使用先前获得的多主题/ - 主题/ - 主题。因此，在本文中，我们通过休假一项验证测试了四个深度学习模型和四种DG算法。我们的实验表明，更深层次的模型在跨课程的概括性能中有效。此外，我们发现任何明确的DG算法都不优于经验风险最小化。最后，通过使用特定于特定数据进行调查的结果进行比较，我们发现特定于特定的数据可能会由于会议变异性而导致的，从而使未见的会话分类性能恶化。关键字 - 大脑 - 计算机接口；深度学习；电气图；运动图像；域概括
Susanne Bùdker、Myriam Lewkowicz 和 Alexander Boden。2020 年。一句话概括：平台支撑平台经济。
允许免费复制本作品的全部或部分以供个人或课堂使用，但不得出于营利或商业目的而复制或分发，且副本首页必须注明此声明和完整引文。必须尊重 ACM 以外的人拥有的本作品组成部分的版权。允许摘要并注明出处。若要复制、重新发布、发布到服务器或重新分发到列表，则需要事先获得特定许可和/或支付费用。请向 permissions@acm.org 申请许可。
多元分析揭示了工作记忆负荷的可概括的人类电生理特征
抽象工作记忆（WM）是一个在线内存系统，对于在正在进行的认知处理过程中以快速访问状态保持注入至关重要。因此，在提供WM载荷的时间解析索引的方法中具有很强的价值。尽管已经确定了单变量的EEG信号随着WM负载而变化，但多变量分析方法的最新进展表明，可能会有丰富的信息来源不会产生可靠的单变量标志。在这里，使用了四项已发表研究的数据（n = 286和> 250,000个试验），我们证明了对脑电图电压地形的多元分析提供了对WM中存储的项目数量的敏感指数，这些索引概括为新型人类观察者。此外，多元负载检测（“ MVLOAD”）可以在单试级别提供强大的信息，超过现有单变量方法的灵敏度。我们表明，此方法以（1）独立于备忘录的空间位置的方式跟踪WM负载，（2）足够精确地在存储的项目数量中划分项目划分，（3）可在不同的任务和刺激显示的跨个体差异，以及（4）与wm wm行为中的个体差异相关。因此，这种方法为单变量分析方法提供了强大的补充，并阐述了人类在线内存存储的时间解决方案。
抽象机制预测深度神经网络中的概括
深度神经网络作品（DNN）的一个长期问题是了解他们令人困惑的概括能力。We approach this prob lem through the unconventional angle of cogni tive abstraction mechanisms , drawing inspiration from recent neuroscience work, allowing us to define the Cognitive Neural Activation metric (CNA) for DNNs, which is the correlation be tween information complexity (entropy) of given input and the concentration of higher activation values in deeper layers of the network.CNA具有高度预测的概括能力，在对近200个网络实例的广泛评估中进行基于规范和偏见的概括指标，其中包括数据集构造组合的广度，尤其是在存在加性噪声的情况下，并且存在/或培训标签被损坏。这些强大的EM PIRICAL结果表明，CNA作为概括度量的有用性，并鼓励对信息复杂性与更深层次网络中的表示之间的联系进行进一步研究，以便更好地了解DNN的概括能力。1