XiaoMi-AI文件搜索系统
World File Search System特征
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
单位 - I基本原理：信息安全概论 - 信息的关键特征 - NSTISSC安全模型 - 信息的组件
过程是书面说明，用于完成当未经授权的用户获得组织的过程时，它对信息的完整性构成威胁。教育员工维护程序与确保信息系统一样重要。安全程序中的lax在纠正局势之前损失了超过一千万美元。
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。
运动员的微生物组：其特征和多样性
摘要。运动员的微生物组在研究人员中最感兴趣，因为结肠的微生物组成在养分的吸收，维生素的合成和宿主体内的免疫反应中起着关键作用。这篇综述的目的是研究高性能运动员中的肠道微生物群与低活动性生活方式的人之间的关系，以及这些变化对与运动员的身体表现和运动表现相关的微生物代谢产生的影响。总共分析了42篇研究论文，其中包括11项专业研究，研究了不同类型的强烈体育活动对肠道微生物组成的影响，以及19项研究的重点是个人细菌和身体性能的相关性。肠道微生物组成已被发现与运动表现有关，并且可能会提高性能和恢复。体育活动已被证明会增加α多样性和微生物代谢产物，例如短链脂肪酸。运动之间的α多样性没有显着差异。运动员的微生物组的特征是较高量的短链脂肪酸，这可以是运动过程中的能量底物。短链脂肪酸的产生与直肠菌群spp有关。，粪便核酸杆菌。运动员的微生物组也证明了Prevotella spp。的存在，在运动员中，这可能与表现相关。已经表明，运动员中的Veillonella antypica的存在与耐力正相关。尽管发现这一发现是矛盾的，但专门从事各种运动的运动员的运动成就和健康与诸如Akkermansia Municiphila，Faecalibacterium prausnitzii，Eubacterium cantale，Eubacterium thacterium contale，Roseburia hominis，faecalibacterium prausnitzii有关。此外，已经表明，肠道的微生物组成和酶之间存在联系，这被认为是与运动员健康相关的代谢产生的关键
提取特征，构建推荐系统......
该项目处理加州大学圣地亚哥分校 Julian McAuley 提供的亚马逊数据集。该项目旨在使用潜在狄利克雷分配 (LDA) 提取亚马逊文本评论中讨论的特征。此外，一旦提取出特征，就会构建一个推荐器。为了实现这一点，该项目提出了各种模型，如主题聚类推荐、无约束矩阵分解和基于内容的过滤。首先，清理数据集并进行数据探索以观察数据中的各种趋势。根据评论的评分，创建词云以确定数据集中每个单词的重要性。在初步数据探索之后，使用潜在狄利克雷分配 (LDA) 提取数据集中讨论的主题。[8,10] 最后，使用这些主题，在主题聚类推荐、无约束矩阵分解和基于内容的过滤等不同模型的帮助下构建推荐器。根据召回率和平均绝对误差等指标，将选择最佳模型。关键词：亚马逊，推荐器，LDA，主题建模，基于内容的过滤，矩阵分解 1.简介 互联网是重要的信息来源。过去几年，电子商务领域取得了长足的发展。几乎所有我们需要的东西都可以在网上轻松获得。亚马逊、eBay 和 Flipkart 等网站在电子商务中发挥着至关重要的作用。亚洲、非洲/中东和拉丁美洲地区超过 60% 的人口愿意在线购物 [7]。据观察，2017 年第一季度，电子商务销售额达到 1057 亿美元 [10]。如果大多数人依赖电子商务网站购物，那么概述网站上发布的有关产品的评论就很重要。其他各种客户都会阅读有关在线发布的任何产品的评论。根据现有的评论和可用的评论数量，客户往往会决定是否购买该产品。网站上任何产品的评论对于决定网站或产品的成功都起着非常重要的作用。
加泰罗尼亚新诊断2型糖尿病患者的临床特征和心血管危险因素的控制程度
1个糖尿病的流行病学研究小组，来自主要关注（DAP-CAT）小组，巴塞罗那的支持单位，大学研究所的基金会西班牙，加泰罗尼亚中部2领土管理，加泰罗尼亚卫生研究院，西班牙度假胜地，支持加泰罗尼亚中央的研究Jordi Gol和Gurina（Idiapjgol），St. Buth Bages，西班牙，西班牙，西班牙，卫生主题，西班牙，西班牙，7洛杉矶研究所圣保罗，西班牙巴塞罗那，1个糖尿病的流行病学研究小组，来自主要关注（DAP-CAT）小组，巴塞罗那的支持单位，大学研究所的基金会西班牙，加泰罗尼亚中部2领土管理，加泰罗尼亚卫生研究院，西班牙度假胜地，支持加泰罗尼亚中央的研究Jordi Gol和Gurina（Idiapjgol），St. Buth Bages，西班牙，西班牙，西班牙，卫生主题，西班牙，西班牙，7洛杉矶研究所圣保罗，西班牙巴塞罗那，
用原始特征重新思考知识蒸馏
用于半分割的大多数现有知识蒸馏方法着重于从原始特征中提取各种复杂知识。但是，这种知识通常是手动设计的，并且像传统功能工程一样依赖于先前的知识。在本文中，我们旨在提出一种使用RAW功能的简单有效的功能蒸馏方法。为此，我们重新审视了功能蒸馏中的开创性工作，Fitnets可以将平方误差（MSE）损失（MSE）损失最小化。我们的实验表明，在某些情况下，这种幼稚的方法可以产生良好的结果，甚至超过了一些精心设计的方法。但是，它需要仔细调整蒸馏损失的重量。通过将fitnets的损失函数分解为差异项和角度差项，我们发现角度差异项的重量受教师特征和学生特征的幅度的影响。我们通过实验表明，角度差异项在特征蒸馏中起着至关重要的作用，而不同模型产生的特征的大小可能会有很大变化。因此，很难确定各种模型的适合减肥体重。为了避免角度蒸馏术语的重量受到特征的影响，我们提出了角度蒸馏，并探索沿不同效率尺寸的蒸馏角度信息，以进行语义分割。广泛的例子表明，我们的简单方法对超级参数表现出极大的效果，并实现了语义细分的最先进的蒸馏性能。