XiaoMi-AI文件搜索系统
World File Search System监督的
使用无监督的机器学习对多发性硬化症患者进行了分层：一次性MRI驱动方法
使用未增强的机器学习，基于大脑MRI衍生的体积特征将多发性硬化症患者（PWM）分层的抽象目标。方法回顾性地收集了包括3D-T1W和FLAIR-T2W序列的复发PWM的3-T脑MRI，以及残疾状态量表（EDSS）的扩大和长期（10±2年）临床结果（EDS，认知和渐进式课程）。从MRI中，脱髓鞘病变和116个Atlas定义的灰质区域的体积自动分割，并表示为引用外部种群的Z分数。在特征选择之后，基线MRI衍生的生物标志物进入了亚型和阶段推断（sovera）算法，该算法估计了以生物标志物进化的不同模式和亚组中的不同模式为特征的亚组。然后将训练的模型应用于纵向MRI。亚型和阶段变化随着时间的变化的稳定性分别通过Krippendorf的Sα和多级线性回归模型评估。通过序数/逻辑回归分析评估了维持分类的预后相关性。结果，我们选择了425个PWM（35.9±9.9岁； f/m：301/124），对应于1129次MRI扫描，以及健康对照（n = 148; 35.9±13.0年; f/m：f/m：77/71）和外部PWMS和外部PWMS（n = 80; 40.40; 40.4±11.9岁; f/m：56/M：56/M：56/M：56/M：56/M：56/。基于11种生物标志物的特征选择，确定了两个亚型，指定为“深灰质（DGM） - 首先”亚型（n = 238）和“ Cortex-first”亚型（n = 187），根据萎缩模式。亚型随着时间的推移是一致的（α= 0.806），年阶段显着增加（b = 0.20； p <0.001）。EDSS与阶段和DGM-FirST亚型相关（p≤0.02）。基线阶段预测了长期残疾，过渡到渐进型病程和认知障碍（p≤0.03），后者也与DGM-First第一个亚型有关（P = 0.005）。结论的无监督学习模型对大脑MRI衍生的体积特征提供了对PWM的生物学可靠和预后有意义的分层。关键点•脑MRI衍生的体积特征的无监督建模可以提供多发性硬化症患者的单访问分层。•所谓的分类往往会随着时间的流逝而保持一致，并捕获与疾病相关的脑损伤进展，从而支持模型的生物学可靠性。•基线分层可以预测长期的临床障碍，认知和过渡到次要进行的过程。
半监督的生成和歧视性对抗性学习，用于基于运动图像的大脑 - 计算机界面
卷积神经网络（CNN）可以识别具有不同体系结构的数据中的结构/配置模式，以进行特征提取。然而，关于在BCIS中利用先进的深度学习方法的挑战。我们专注于小型培训样本的问题以及学习参数的可解释性，并利用半监督的生成和歧视性学习框架有效地利用具有真实样本的合成样本来发现类歧视性特征。我们的框架了解使用生成模型在嵌入空间中EEG信号的分布特性。通过使用人工生成和真实的脑电图信号，我们的框架会发现类别歧视时空特征表示，这些表示有助于正确区分输入EEG信号。值得注意的是，该框架有助于对真实的，未标记的样本的开发，以更好地发现用户的EEG信号中固有的基本模式。为了验证我们的框架，我们通过利用三个现有CNN架构的变体作为生成器网络进行了比较我们的方法与常规线性模型进行比较的实验，并在三个公共数据集上测量了性能。我们的框架在统计学上对竞争方法表现出显着的改进。我们通过激活模式图研究了学习的网络，并可视化的产生的人工样本以经验证明我们模型的稳定性和神经生理学合理性是合理的。
无监督的FNIRS具有CAE和ESN AutoCoder的提取，用于驱动程序认知负载分类
抽象目标。了解驾驶员的认知负荷对于道路安全至关重要。大脑传感有可能客观地衡量驾驶员认知负荷。我们旨在开发一个高级机器学习框架，用于使用功能近红外光谱（FNIRS）对驱动程序认知负载进行分类。方法。，我们在驱动模拟器中使用FNIRS进行了一项研究，其n返回任务用作辅助驾驶员的结构性认知负载。为了对不同的驱动程序认知负载水平进行分类，我们检查了卷积自动编码器（CAE）和回声状态网络（ESN）自动编码器的应用，以从FNIRS中提取功能。主要结果。通过使用CAE，将两个和四个级别的驱动程序认知负载分类的精度分别为73.25％和47.21％。所提出的ESN自动编码器在没有窗口选择的情况下实现了组级模型的最新分类结果，精度为80.61％和52.45％，用于分类两个和四个级别的驱动程序认知负载。意义。这项工作为使用FNIRS在现实世界应用中测量驱动程序认知负载奠定了基础。此外，结果表明，所提出的ESN自动编码器可以有效地从FNIRS数据中提取时间信息，并且对于其他FNIRS数据分类任务很有用。
电容趋势概念以及有监督的机器学习，以分类电池和伪电容器材料的电化学行为
近几十年来，已有100,000多种科学文章专门用于开发超级电容器和电池的电极材料。但是，关于确定法拉达反应所涉及的电化学行为的标准，仍然存在激烈的争论，因为各种电子材料及其不同物理化学特性产生的电解学信号通常使问题复杂化。困难在于无法确定这些材料属于哪种电极类型（电池与伪库）。为了过分困难，我们将监督的机器学习应用于电化学形状分析（超过5500个环状电压曲线和2900个镀锌电荷电荷 - 充电 - 充电曲线），并以预测的限制百分比反映了趋势的趋势，从而将其变形为趋势，并定义为制造商。称为“电容趋势”。该预测因子不仅超越了基于人类的分类的局限性，而且还提供了有关电化学行为的统计趋势。对电化学储能社区的重要性以及每周发表一百多篇文章的部分重要性，我们创建了一个在线工具，可以轻松地对其数据进行分类。
M2Curl：通过自我监督的表示机器人操纵学习的样品有效的多模式增强学习
摘要 - 多模式增强学习（RL）的最关键方面之一是不同观察方式的有效整合。具有从这些模式中得出的鲁棒和准确表示是增强RL算法的鲁棒性和样品效率的关键。但是，在RL设置中，用于视觉动作数据的学习表示构成了重大挑战，尤其是由于数据的高维度以及与动态环境和任务目标相关的视觉和触觉输入所涉及的复杂性。为了应对这些挑战，我们提出了多模式对比度无监督的强化学习（M2CURL）。我们的方法采用了一种新颖的多式自我监督学习技术，该技术可以学习有效的代表，并有助于更快的RL算法收敛。我们的方法对RL算法不可知，因此可以与任何可用的RL算法进行集成。我们在触觉健身房2模拟器上评估了M2Curl，并表明它可以显着提高不同操纵任务的学习效率。与没有我们的表示学习方法相比，与标准RL算法相比，每集更快的收敛速率和更高的累积奖励可以证明这一点。项目网站：https：//sites.google.com/view/m2curl/ home
远程和无监督的数字记忆评估可以可靠地检测到阿尔茨海默氏病的认知障碍
图1：研究方案的时间表。参与者参加了对对象和场景（MDT-OS）和室内室内对象任务（ORR）的助记符歧视任务的每两周远程和无监督的记忆评估的12个月研究。在初次临床课程中，他们同意，简要介绍，在他们的电话使用情况下回答了简短的问卷，并完成了第一个任务。每隔第二周，他们都会接受一个简短的培训课程，然后进行各自任务的第1阶段：编码ORR，以及MDT-OS的1背包任务。完成第1阶段后，在下一阶段可用时会通知它们，如果不便，可以直接执行或推迟。也就是说，MDT-OS的最小延迟为24小时，ORR的最小延迟为60分钟，但通常会被参与者扩展。第2阶段由ORR的检索和MDT-OS的2-BACK任务组成。随后是关于集中精力，整个任务的主观难度的评分。
新的表型发现方法通过无监督的深度表示学习使脑成像的遗传关联研究
了解大脑结构的遗传结构是具有挑战性的，部分原因是在设计牢固的，无偏见的脑形态描述符时遇到了困难。直到最近，全基因组关联研究（GWAS）的大脑测量由传统的专家定义或软件衍生的图像衍生的表型（IDP）组成，这些表型（IDP）通常基于理论先入为主或根据有限数据计算。在这里，我们提出了一种使用无监督的深度表示学习来得出大脑成像表型的方法。我们在6,130英国生物库（UKBB）参与者的T1或T2-Flair（T2）脑MRIS上训练3D卷积自动编码器模型，以重建损失，以创建一个128维表示，称为内类型（Endos）。gwas在UKBB受试者中（n = 22,962发现和n = 12,848/11,717的T1/T2的复制队列）确定了658个涉及43个独立位点的显着复制变体 - 内对。在以前的T1和T2 IDP Biobank GWAS中没有报道13个基因座。我们开发了一种基于扰动的解释方法，以表明这些基因座与映射到多个相关大脑区域的胚胎相关。我们的结果确定了无监督的深度学习可以从成像数据中得出鲁棒，无偏，可解释的和可解释的内表型。
大型语言模型和国际安全
10个自我监督的学习与无监督的学习（尽管两者都使用未标记的数据）不同，因为自我监督的模型测量了与地面真理的结果，尽管地面真相本身是从（未标记的）培训数据中隐含的。在无监督的学习中，该模型学习相关性，但随后不能衡量地面真理与预测之间的差异。这些重要的差异导致了这两种方法的不同用例。参见戴夫·伯格曼（Dave Bergmann），“什么是自我监督的学习？”，IBM，2023年12月5日，https：//www.ibm.com/topics/self-super- vised-learning。
多个单个特征GWA和监督的机器学习揭示了欧洲对Ash Dieback的Fraxinus Excelsior耐受性的遗传结构
1丹麦弗雷德里克斯伯格哥本哈根大学地球科学与自然资源管理系| 2西北德国森林研究所，汉恩。Münden，德国| 3立陶宛考纳斯的Kaunas林业与环境工程大学应用科学大学| 4 NTNU大学博物馆自然历史系，挪威科学技术大学（NTNU），挪威特朗德海姆| 5立陶宛立陶宛农业与林业研究中心，立陶宛Kaunas | 6 Zentralstelle der forstverwaltung，ForschungsanstaltfürWaldökologieund forstwirtschaft，Hauptstraße16，Trippstadt，德国| 7森林生物多样性与自然保护研究所，联邦森林研究与培训中心，自然危害和景观，奥地利维也纳| 8 Skogforsk，Ekebo 2250，Svalöv，瑞典| 9瑞典农业科学大学瑞典南部森林研究中心，瑞典阿尔纳普| 10森林发展部，爱尔兰都柏林Teagasc | 11巴伐利亚森林遗传学办公室（AWG），德国Teisendorf | 12森林昆虫学研究所，森林病理学和森林保护，生态系统管理部，气候与生物多样性，波库大学，维也纳，奥地利，奥地利| 13丹麦哥本哈根卫生与医学科学学院进化全息学中心| 14 BIOGECO，INRAE，波尔多大学，法国CESTASMünden，德国| 3立陶宛考纳斯的Kaunas林业与环境工程大学应用科学大学| 4 NTNU大学博物馆自然历史系，挪威科学技术大学（NTNU），挪威特朗德海姆| 5立陶宛立陶宛农业与林业研究中心，立陶宛Kaunas | 6 Zentralstelle der forstverwaltung，ForschungsanstaltfürWaldökologieund forstwirtschaft，Hauptstraße16，Trippstadt，德国| 7森林生物多样性与自然保护研究所，联邦森林研究与培训中心，自然危害和景观，奥地利维也纳| 8 Skogforsk，Ekebo 2250，Svalöv，瑞典| 9瑞典农业科学大学瑞典南部森林研究中心，瑞典阿尔纳普| 10森林发展部，爱尔兰都柏林Teagasc | 11巴伐利亚森林遗传学办公室（AWG），德国Teisendorf | 12森林昆虫学研究所，森林病理学和森林保护，生态系统管理部，气候与生物多样性，波库大学，维也纳，奥地利，奥地利| 13丹麦哥本哈根卫生与医学科学学院进化全息学中心| 14 BIOGECO，INRAE，波尔多大学，法国CESTAS
skada bench：对无监督的域适应方法进行基准测试，并对多种方式进行现实验证
无监督的域适应性（DA）包括适应在标记的源域上训练的模型，以在未标记的目标域上表现良好，并具有某些数据分布变化。虽然文献中提出了许多方法，但公平和现实的评估仍然是一个悬而未决的问题，尤其是由于方法学困难在无监督环境中选择超参数。在Skada Bench的情况下，我们提出了一个框架，以评估DA方法的不同方式，除了在文献中很大程度上探讨的计算机视觉任务之外。我们对现有浅层算法进行了完整而公平的评估，包括重新加权，映射和子空间对齐。现实的超参数选择是通过嵌套的交叉验证和各种无监督的模型选择得分进行的，这两个模拟数据集都具有受控的偏移和现实世界数据集的不同模式，例如图像，文本，生物医学和表格数据。我们的基准强调了现实验证的重要性，并为现实生活中的应用提供了实用的指导，并对模型选择方法的选择和影响有了重要的见解。Skada-Bench是开源的，可再现的，可以通过新颖的DA方法，数据集和模型选择标准轻松扩展，而无需重新评估竞争对手。Skada-Bench可在https://github.com/scikit-adaptation/skada-bench上在github上获得。