XiaoMi-AI文件搜索系统
World File Search System正则
正则化函数回归模型可实现转录组范围内癌症药物反应剂量依赖性关联研究
图 1. 用于识别基因与药物之间剂量依赖性关联的两阶段算法。来自药物筛选研究（例如 GDSC）的基因表达和药物反应数据用于拟合我们的剂量变化系数模型，以估计协变量与药物反应之间的剂量变化效应。应用两阶段变量筛选和选择算法对基因-药物关联进行排序。然后可以使用所选基因来预测目标药物的剂量依赖性反应。
使用具有联合分布自适应和流形正则化的在线选择性传输 TSK 模糊分类器根据 EEG 信号对癫痫发作进行分类
为了识别癫痫患者的异常脑电图 (EEG) 信号，在本研究中，我们提出了一种基于联合分布自适应和流形正则化的在线选择性转移 TSK 模糊分类器。与大多数现有的转移分类器相比，我们的分类器有自己的特点：（1）来自源域的标记 EEG 时期不能准确表示目标域中的原始 EEG 时期。我们的分类器可以利用目标域中很少的校准数据来诱导目标预测函数。（2）联合分布自适应用于最小化源域和目标域之间的边缘分布距离和条件分布距离。（3）使用聚类技术选择源域，从而降低分类器的计算复杂度。我们根据波恩大学提供的原始 EEG 信号构建了六种传输场景来验证我们分类器的性能，并引入四个基线和一个传输支持向量机 (SVM) 进行基准研究。实验结果表明，我们的分类器获得了最佳性能并且对其参数不太敏感。
使用正则图的基于EEG的情绪识别...
摘要 - 电脑摄影（EEG）通过电极测量不同大脑区域的神经元活性。许多关于基于脑电图的情绪识别的现有研究并不能完全利用脑电图通道的拓扑。在本文中，我们提出了一个正规化的图形网络（RGNN），以用于基于EEG的情绪识别。rgnn认为不同大脑区域之间的生物拓扑结构是在不同的脑电图通道之间捕获局部和全球关系。特别是，我们通过图神经网络中的邻接矩阵对脑电图中的通道间关系进行建模，在图神经网络中，邻接矩阵的连接和稀疏性受到人脑组织的神经科学理论的启发。此外，我们提出了两个正规化器，即节点的对抗训练（NODEDAT）和情绪感知的分布学习（EmotionDL），以更好地处理跨主题的EEG EEG变化和嘈杂的标签。在两个公共数据集（种子和种子IV）上进行了广泛的实验，在大多数实验环境中表明，与最先进的模型相比，我们的模型的性能优越。此外，消融研究表明，所提出的邻接矩阵和两个正则化器为我们的RGNN模型的性能贡献了一致且显着的增益。最后，对神经元活动的调查揭示了基于脑电图的情绪识别的重要大脑区域和通道间关系。
简单连接正则路径查询的包含
查询知识库是知识表示中最重要和最基本的任务之一。尽管查询知识库的大部分工作都集中在连接查询上，但通常需要使用一种简单的递归形式，例如常规路径查询 (RPQ) 提供的递归形式，它要求由给定的常规语言定义的路径。连接 RPQ (CRPQ) 可以理解为具有这种递归形式的连接查询的泛化。CRPQ 是 SPARQL 的一部分，SPARQL 是用于查询 RDF 数据的 W3C 标准，包括众所周知的知识库，如 DBpedia 和 Wikidata。特别是，RPQ 在查询 Wikidata 方面非常流行。根据最近的研究 (Malyshev 等人，2018 年；Bonifati 等人，2019 年)，它们用于超过 24% 的查询（以及超过 38% 的独特查询）。更一般地说，CRPQ 是查询图形结构数据库的基本构建块 (Barcel´o，2013 年)。随着知识库变得越来越大，对查询的推理（例如用于优化）变得越来越重要。最基本的推理任务之一是查询
使用多图正则化核范数最小化预测药物-靶标相互作用
在制药科学中，识别药物和靶标蛋白之间的潜在相互作用至关重要。在基因组药物发现中，相互作用的实验验证费力且昂贵；因此，需要高效、准确的计算机模拟技术来预测潜在的药物-靶标相互作用，以缩小实验验证的搜索空间。在这项工作中，我们提出了一个新框架，即多图正则化核范数最小化，它从三个输入预测药物和靶标蛋白之间的相互作用：已知的药物-靶标相互作用网络、药物之间的相似性以及靶标之间的相似性。所提出的方法侧重于寻找一个低秩相互作用矩阵，该矩阵由图编码的药物和靶标的接近度构成。先前关于药物靶标相互作用 (DTI) 预测的研究表明，结合药物和靶标的相似性有助于通过保留原始数据的局部几何形状更好地学习数据流形。但是，对于哪种相似性以及哪种组合最能帮助完成预测任务，目前还没有明确的共识。因此，我们建议使用各种药物间相似性和靶标间相似性作为多图拉普拉斯（药物/靶标）正则化项，以详尽地捕获近似值。使用标准评估指标（AUPR 和 AUC）对四个基准数据集进行的大量交叉验证实验表明，所提出的算法提高了预测性能，并且大大优于最近最先进的计算方法。软件可在 https://github.com/aanchalMongia/ MGRNNMforDTI 上公开获取。
用于解决广义西尔维斯特方程并估计正则矩阵对之间分离的 LAPACK 风格算法和软件
介绍了一种稳健且快速的软件，用于求解广义 Sylvester 方程 (AR – LB = C, DR – LE = F)，其中未知数为 R 和 L。这种特殊的线性方程组及其转置可用于计算广义特征值问题 S – AT 的计算特征值和特征空间的误差界限、计算同一问题的缩小子空间以及计算控制理论中出现的某些传递矩阵分解。我们的贡献有两方面。首先，我们重新组织了此问题的标准算法，在其内部循环中使用 3 级 BLAS 运算（如矩阵乘法）。这使得 IBM RS6000 上的算法速度提高了 9 倍。其次，我们开发并比较了几种条件估计算法，这些算法可以廉价但准确地估计该线性系统解的灵敏度。