XiaoMi-AI文件搜索系统
World File Search System监督的
与图神经网络有监督的生物网络对齐
结果：在这里，我们提出了Grana，这是对成对NA问题的监督NA范式的深度学习框架。使用图形神经网络，Grana利用网络内部的相互作用和跨网络锚链接来学习蛋白质表示并预测各种物种蛋白质之间的功能对应关系。Grana的主要优势是它的灵活性是整合多方面的非功能关系数据，例如序列相似性和直系同源关系，作为指导跨物种功能相关的蛋白质映射的锚定链接。评估由不同物种对之间的几个NA任务组成的基准数据集上的GRANA，我们观察到Grana准确地预测了蛋白质的功能相关性，并跨物种稳健地传递了功能注释，超过了许多现有的NA方法。当应用于人源化酵母网络上的案例研究时，Grana还成功发现了在先前研究中已记录的在功能上可替代的人类 - 透明蛋白对。
主题论文：自我监督的多个实例学习
自学学习（SSL）是一种无监督的表示技术，是深度学习中的热门话题。它涉及解决一个人工任务，该任务允许网络学习数据集的语义。然后可以使用所得的特征提取器进行传输学习，以减少解决实际下游任务所需的标记示例数量。这对于计算机辅助诊断具有巨大的实用价值，因为标签需要医学专家，这很昂贵[1]。SSL方法通常应用于图像补丁（例如拼图求解[2]，上下文预测[3]，对比度学习[4]或视觉变压器[5]），而下游任务通常与整个图像一起使用。此差异要求在两个单独的顺序步骤中实现SSL并转移学习。一种固有地使用补丁的技术是多个实例学习[6]，因此对于许多SSL方法而言，可能是更自然的选择。
使用无监督的印刷电路板中的检测缺陷...
总之，有几种进行检查的方法。手动检测有很多缺点：它是主观的，乏味的和效率低下的，几乎无法量化。基于计算机视觉的自动光学检查（AOI）被广泛使用，根据[4]的AOI，AOI的主要方向是（a）参考方法（与模板进行比较），（b）非参考方法（在没有比较与模板中比较的构造元素）和（c）（c）杂交方法的杂种方法（c）构成了杂交方法。在[2]的稍后，将其他方法添加到包括机器学习在内的混合方法中。基于学习的模型，例如[5、6、7]，用于缺陷检测：例如，[5]的方法使用加速的鲁棒特征（冲浪），然后学习故障模式并计算概率和随机森林。通过使用加权核密度估计来估计特征的密度，从而给出了缺陷的定位。
将认知负荷建模为自我监督的大脑 - arXiv
测量心理工作量的主要原因是量化执行任务的认知成本，以预测人类的表现。不幸的是，目前尚不存在具有普遍适用性的评估心理工作量的方法。这是因为来自各个领域的直觉和操作定义非常丰富，它们对工作量的来源、属性、将它们聚合成通用模型的机制及其对人类表现的影响存在分歧。这项研究基于这些问题，并提出了一种使用深度学习从 EEG 数据进行心理工作量建模的新方法。这种方法是自我监督的，采用连续的大脑速率（认知激活的指标），不需要人类的陈述性知识。目的是从数据中自动推导出模型，支持跨领域和上下文的可复制性、通用性和适用性。这种特定的方法是一种卷积循环神经网络，可使用来自 EEG 数据的空间保留光谱地形头部图进行训练，旨在拟合一种新的大脑速率变量。研究结果表明，卷积层能够从 EEG 数据中学习有意义的高级表征，因为受试者内模型的平均测试平均绝对百分比误差约为 11%。添加用于处理高级表征序列的长短期记忆层并不重要，尽管它确实提高了其准确性。这些发现
自我监督的神经元分割，多代理增强学习
现有监督神经元分割方法的性能高度取决于准确注释的数量，尤其是应用于大型电子显微镜（EM）数据时。通过从未标记的数据中提取语义信息，自我监督的方法可以证明下游任务的性能，其中掩码映像模型（MIM）在其从掩盖的IMEM中恢复原始信息时已广泛使用了蒙版图像模型（MIM）。然而，由于EM图像中高度的结构局部性，并且存在相当大的噪声，因此许多素数很少有歧视性信息，从而使MIM预处理对神经元细分任务有效。为了克服这一挑战，我们提出了一个基于决策的MIM，该MIM利用强化学习（RL）自动搜索最佳的图像掩盖率和掩盖策略。由于巨大的勘探空间，使用单代机Agent RL进行体素预测是不切实际的。因此，我们将每个输入补丁视为具有共同策略的代理，允许多代理协作。此外，这种多代理模型可以在体素之间取决于依赖性，这对下游分割任务是有益的。表明，我们的方法对神经元分割任务的替代自我监督方法具有重要的影响。代码可在https://github.com/ydchen0806/dbmim上使用。
课程点提示弱监督的参考图像分割
参考图像分割（RIS）的目的是通过相应的静脉语言表达式精确地分段图像中的对象，但依赖于成本密集的掩码注释。弱监督的RIS因此从图像文本对学习到像素级语义，这是用于分割细粒面罩的挑战。自然而然地提高了分割精度，是用图像分割模型SAM赋予弱监督的RI。尽管如此，我们观察到，简单地整合SAM会产生有限的收益，甚至由于不可避免的噪声而导致性能回归，而过度关注对象部分的挑战和挑战。在本文中，我们提出了一个创新的框架，即P PPT（PPT），与拟议的多源课程学习策略合并，以解决这些挑战。具体来说，PPT的核心是一个点发生器，它不仅可以利用Clip的文本图像对准能力和SAM强大的掩膜生成能力，而且还产生了负点提示，以固有，有效地解决嘈杂和过度的焦点问题。在适当的情况下，我们引入了一种以对象为中心图像的课程学习策略，以帮助PPT逐渐从更简单但精确的语义一致性中学习到更复杂的RIS。实验表明，我们的PPT在MIOU上显着胜过弱监督的技术，分别为11.34％，14.14％和6.97％，分别为6.97％。
使用变压器无监督的大脑异常检测和分割
病理脑外观可能是如此异质，以至于仅作为异常而言可以理解，这是由于它们偏离正常性而不是任何特定的病理特征而定义的。在医学成像中最艰巨的任务中，检测这种异常需要正常大脑的模型，将紧凑性与复杂的，远程相互作用的表达性结合在一起，以表征其结构组织。这些要求是变形金刚比其他候选候选体系结构具有更大的满足潜力，但是它们对数据和计算资源的要求抑制了它们的应用。在这里，我们将矢量定量的变异自动编码器的潜在表示与自动回应变压器的集合结合在一起，以在相对适度的数据制度内以低计算成本以低计算成本实现的健康脑成像数据来偏离健康的脑成像数据，从而实现无监督的异常检测和分割定义。我们将我们的方法与涉及合成和实际病理病变的一系列实验中的当前最新方法进行了比较。在实际病变上，我们对来自英国生物库的15,000名放射线正常参与者进行训练，并评估四个不同的脑MR数据集，患有小血管疾病，脱髓鞘病变和肿瘤。我们在图像和像素方面都表现出了出色的异常检测性能，而无需后处理就可以实现。这些结果引起了对变压器在这项最具挑战性的成像任务中潜力的关注。关键字：变压器，无监督的异常分割，异常检测，neu-Roimaging，vector量化变异自动编码器
用不完整的标签学习半监督的脑电图...
摘要 - 电子脑摄影（EEG）是情绪识别的客观工具，并显示出令人鼓舞的表现。但是，标签稀缺问题是该领域的主要挑战，这限制了基于脑电图的情绪识别的广泛应用。在本文中，我们提出了一个新型的半监督转移学习框架（EEGMATCH），以利用标记和未标记的脑电图数据。首先，开发了基于EEG-MIXUP的数据增强方法，以生成更有效的模型学习示例。第二，提出了一种半监督的两步成对学习方法来桥接原型和实例的成对学习，其中原型成对的成对学习测量了EEG数据与EEG类别的EEG数据与实例学习的全局关系，以及实例学习捕获EEG数据之间的本地固有关系。第三，引入了半监督的多域适应性，以对齐多个域（标记为源域，未标记的源域和目标域）之间的数据表示，其中分布不匹配被缓解。在两个基准数据库（种子和种子-IV）上进行了广泛的实验
个性化的，自我监督的深度学习血糖预测
当前监测糖尿病患者血糖水平的标准是连续的葡萄糖监测（CGM）设备，这些设备昂贵且具有并发症的风险，例如用于将CGM传感器连接到皮肤的粘合剂的过敏反应或皮肤刺激。CGM设备也很明显，因此可以作为糖尿病患者的不适疾病标记。为了减轻这些问题，我们开发并测试了一种新颖的深度学习方法，该方法仅通过使用个性化和自我监视学习，能够使用非侵入性预测变量预测血糖水平，而目标变量的数量很少。每周仅使用两次血糖测量，我们的方法（4925.47葡萄糖特异性MSE）的表现优于传统的深度学习，该深度学习用小时测量（5137.80葡萄糖特异性MSE）。在六个实验中，血糖测量相距超过四个小时，我们的方法在没有例外的情况下优于传统的深度学习。我们的发现表明，自我监督，个性化的深度学习可以为CGM设备提供替代方案的途径，而CGM设备的成本较小，无创，因此更容易访问。
关于公共支持AI安全监督的调查证据
并非所有的质粒都很好，去年，矢量构造团队和联赛发表了一个预印本6，引发了一些有关质粒的警报。他们呼吁建立社区范围内的标准和资源，以维护研究和医学中基因递送的质量。在他们从学术和行业客户那里收到的2,521种质粒的分析中，该公司的研究人员记录了设计和测序错误。这些质粒已通过客户请求发送给他们，例如，以特定方式修改质粒或将它们包装成重组病毒。正如团队所指出的那样：“总共，我们估计有45-50％的实验室质粒具有未指定的设计和/或序列错误，可能会损害预期的应用程序。”拉恩说，当他们在这个项目上从事该项目时，他们想分享研究界“严重忽略了Gene Delivery工具的巨大问题”。他们发现设计错误足够严重，无法阻止适当的功能。他们看到了设计适当的案例，但是序列本身，“矢量中的a和g's and t and c and c在矢量中并不是人们认为的。”这让团队感到沮丧，发现他们被发送的媒介中的几乎一半出现了问题。Lahn说，由于他们出版了此预印本，因此许多组织（媒介存储库和大学）已经与他们联系，开始一起讨论标准的操作过程。这些对话处于早期阶段。，但是当人们探索如何解决这个问题时，意识正在增长。在学术界和另一半在行业中，矢量布置者的一半大约有一半。他们可能会处理基本的细胞生物学问题，例如癌症或神经科学研究；他们可能还可能正在探索植物和食品项目，以及涉及碳帽的“绿色能源”项目。质量在基础和应用研究中都很重要，并且在基因治疗项目中肯定至关重要，这是一个快速增长的领域。