XiaoMi-AI文件搜索系统
World File Search System混合数据
通过模态混合和深度监督进行脑部疾病诊断的多模态连接组的不完全学习
近年来，多模态脑网络研究通过刻画脑网络的多种连接类型及其内在的互补信息，大大提高了脑疾病诊断的效率。尽管多模态技术取得了令人鼓舞的性能，但大多数现有的多模态方法只能从具有完整模态的样本中学习，这浪费了大量的单模态数据。此外，大多数现有的数据插补方法仍然依赖于大量具有完整模态的样本。在本研究中，我们提出了一种模态混合数据插补方法，通过随机抽取不完整样本并将其合成为完整数据进行辅助训练。此外，为了减轻合成数据中不配对模态间互补信息的噪声，我们引入了一个具有深度监督的双边网络，以使用疾病特定信息改进和规范单模态表示。在 ADNI 数据集上的实验证明了我们提出的方法在不同完整模态样本率方面的疾病分类优势。关键词：脑连接组，不完全学习，深度监督，脑功能障碍，缺失模态
![arxiv：2404.00717v3 [CS.RO] 2024年12月24日](/simg/g:\will\search\icon\source\8\8039245c57bbe43971b6b61ef25733ec15c7c6df.webp)
arxiv：2404.00717v3 [CS.RO] 2024年12月24日
合作利用通过V2X通信的自我车辆和基础设施传感器数据的合作已成为高级自主驾驶的一种有前途的方法。但是，当前的研究主要集中在改善个体模块上，而不是端到端学习以选择最终的计划绩效，从而导致数据潜在的未充分利用。在本文中，我们介绍了一个开拓性的自动驾驶框架Univ2x，该框架不用将各种视图中的所有关键驾驶模块整合到统一的网络中。我们提出了一种有效的车辆基础设施合作的稀疏密度混合数据传输和融合机制，提供了三个优点：1）同时增强剂的感知，对线映射和占用率预测，最终提高计划绩效。2）适用于实践和有限的通信条件的传输友好。3）可靠的数据融合，并具有该混合数据的解释性。我们在具有挑战性的dair-v2x（现实世界中的合作驾驶数据集）上实现了Univ2x，并重现了几种基准方法。实验结果证明了Univ2x在显着增强计划表现方面以及所有中间输出性能方面的有效性。该项目可在https://github.com/air-thu/univ2x上找到。
经济高效的物联网隐私感知数据存储和
据估计，目前约有 200 亿台物联网 (IoT) 设备连接到互联网。这导致了大量数据的生成，使数据的存储、管理和决策变得具有挑战性。因此，用户的隐私容易受到未经授权的人的攻击。为了解决这些问题，本研究提出了一种经济高效的存储方法来实时保存和处理物联网数据。所提出的 Fframework 采用可靠的混合数据隐私模型来保护用户的个人信息。通过数据 k-匿名性 (KA)、l-多样性 (LD)、t-接近性 (TC) 和差分隐私 (DP) 进行了实证评估，以确定最佳模型。通过模拟对云计算和雾计算的性能进行了评估。结果表明，两种数据隐私模型的组合：差分隐私和 k-匿名模型在保护用户个人信息方面比任何单个模型和任何其他组合模型表现更好。最后，发现雾计算在延迟、能耗、网络使用和执行时间方面表现优于云。总之，本研究强烈建议使用差分隐私 (DP) 和 k-匿名 (KA) 的混合隐私模型来保护物联网生成的数据隐私。
货币供应对尼日利亚经济的影响
摘要：本研究调查了 1981 年至 2015 年尼日利亚广义货币供应量与实际总产出 (GDP) 之间的长期和短期关系。本研究旨在调查货币供应量作为主要货币政策措施是否真正影响尼日利亚经济的困惑。这项工作利用不同频率（年度和季度）的数据来揭示相同频率的数据可能无法显示的一些隐藏事实。采用了无限制版本的混合数据抽样 (U-MIDAS) 技术和自回归分布滞后 (ARDL) 技术。ADF 单位根检验表明，年度实际 GDP 和季度广义货币供应量包含一个单位根，这允许测试变量之间的协整性。U-MIDAS 结果证实了不同季节的年度实际 GDP 和季度广义货币供应量之间存在长期和短期关系，而 ARDL 结果证实货币供应量仅在长期内对实际 GDP 产生重大影响。研究得出的结论是，两种分析方法得出的不平衡修正项表明，尼日利亚存在增长目标化趋势，这是尼日利亚经济的主要目标之一，尽管速度较慢。因此，建议货币当局应维持经济中的通胀目标水平，并监控货币供应量，因为经济中过多的货币供应将导致通货膨胀飙升，同时应通过定期向流通中提供货币来提高定期货币乘数的效率，以便通过为商业交易和其他经济活动提供现金，与实际 GDP 增长同步，从而提高尼日利亚经济的实际 GDP。
整合用于癌症诊断的定量和定性成像方法
定量和定性成像技术的整合通过提供了更完整的患者预后图片来改善癌症的检测。使用定量成像，可以改善诊断价值和治疗策略，因为它可以客观评估生理和分子变化。另一方面，定性成像提供了视觉线索和上下文信息，以破译复杂的生物过程。合并后，这两种方法提供了更完整的图片，可用于在治疗过程中进行准确的诊断和对患者保持标签。数据协调，验证和临床翻译的挑战是从定量和定性成像方法中整合不同数据源时会出现的。有效地结合两种形式的信息需要确保一致的获取技术和构建强大的分析过程（RAP）。的目的是提高诊断准确性并允许更详细的疾病表征，建议使用基于机器的框架（HIDML-F）进行混合成像诊断，以融合和分析混合数据。HIDML-F可用于治疗实体瘤和血液恶性肿瘤。这有助于确定肿瘤的侵略性，测量治疗的有效性以及与恶性生长区分开。此外，HIDML-F捕获了功能和形态学信息，这可以实现个性化的治疗方案。通过模拟患者场景和随后的模拟分析来证明HIDML-F的值。HIDML-F在多种方式上已显示出优于传统成像方法，包括其检测微妙的变化，减少误报并提高诊断信心等能力。纵向模拟进一步证明了早期治疗反应评估指导治疗干预措施的潜力。