XiaoMi-AI文件搜索系统
World File Search System监督的
无监督的机器学习应用程序，以识别MOSFET晶体管电离辐射效应的噪声事件的单事件瞬变（集合）
本文介绍了K-均无监督的机器学习算法的新应用，以在电子设备的重合离子辐照实验中识别噪声中的单个事件瞬态（SET）事件的问题。我们通过分析MOSFET晶体管的几种重型离子照射产生的集合事件的实验数据集来探索K-均值算法的性能。分别使用隔离森林和随机森林算法研究了所选特征（平均偏差，偏度和峰度）的数据异常和有效性。结果表明，K均值算法具有很高的能力，可以使用前四个统计矩作为特征从噪声中识别事件，从而允许将这种方法用于现场事件检测和诊断，而无需以前的算法训练或实验数据的预先分析。
剪贴画：通过语言监督的信息有效的视觉表示学习
我们提出了夹子 - 列表，这是一种通过文本注释来进行视觉表示学习的信息有效方法。与先前提出的剪辑模型相结合，在优化其对比度学习目标的过程中，夹子夹仅需要一个负面图像文本样本对。我们通过提高信息有效下限的优势来实现这一目标，以最大程度地提高两种输入方式之间的相互信息。这允许在相同尺度上比夹子相比，可以通过显着摄入的数据和批量大小进行培训。我们通过在可可扣数据集上进行预处理并测试向其他数据集的转移学习来评估夹列。夹子夹在Pascal VOC分类中获得了 +14.0％的MAP绝对增益，并且在Imagenet上获得了 +22.1％的TOP-1准确性增益，同时是合并或优于其他，更复杂，更复杂的文本监督模型。夹子夹也可以夹在图像和文本检索，零拍零分类和视觉接地上。fi-Nelly，我们表明夹具可以利用语言语义来鼓励可以在下游任务中使用的无偏见的视觉表示。实现：https：// github。com/4m4n5/clip-lite
通过自我监督的识别一致的神经合奏
从记录的神经活动中解码刺激或行为是研究大脑功能在研究中的常见方法，也是脑部计算机和脑机界面的重要组成部分。可靠的解码即使是从小型神经种群中也可能导致高维神经种群活动，通常占据低维man-可通过合适的潜在可变模型可发现的低维man。随着时间的流逝，单个神经元的活性和神经记录设备中不稳定性的漂移可能是基础的，使几天和几周的稳定解码变得不切实际。虽然无法在单个神经元水平上预测这种漂移，但是当连续记录会话（例如不同的神经元集以及记录数据中一致的神经元的变化排列）时，人群水平的变化可能是可以学习的。在会话中的一致性与陌生神经元的分类以及按照记录的一致记录神经元的偏差来考虑偏差，然后可以保持解码性能并揭示与任务相关的神经歧管。在这里，我们表明，对深神经网络的自我监督培训可用于弥补这一间歇间的可变性。结果，顺序的自动编码模型可以维持最新的行为解码性能，以使未来几天的完全看不见的记录会话。我们的方法仅需要一次录制会话来培训模型，这是迈向可靠，无重新校准的大脑计算机接口的一步。关键字：多种学习，神经科学，自我监督学习，神经解码，神经种群活动，顺序自动编码器，电生理学
MOF，含有电池的固态电解质 先验知识对学习的影响是否存在与年龄相关的差异？从内存一致性效果中获得的见解 改善了4738名儿童，青少年和患有1型糖尿病的成年人的血糖结果的改善，启动了无内管胰岛素管理系统 纳米IMPACT电化学检测单DNA折纸 通过宿主和微生物衍生的代谢物对上皮完整性和粘膜免疫的操纵 糖尿病患病率的社会经济不平等 一种通用SARS-COV DNA疫苗，高度交叉... 在Klimontovich的复杂（Dusty）等离子体的描述上 使用卷积神经网络的并行连接电池的内部短回路检测 材料科学中的数字转换 全细胞和细胞百日咳疫苗 癌症治疗的合成杀伤力的进步 人群药代动力学分析Tepotinib是一种口服MET激酶抑制剂，包括视力研究的数据 靶向胶质母细胞瘤：药物输送和新型治疗方法的进展 癌症进化：达尔文和超越 预期的认知建模：无监督的学习和飞行员心理表征的象征性建模 癌细胞国际 诱导基因表达
在固态电解质（SSE）中使用金属有机框架（MOF）一直是一个非常有吸引力的研究领域，在现代世界中引起了广泛关注。SSE可以分为不同的类型，其中一些可以与MOF结合使用，以通过利用高表面积和高孔隙率来改善电池的电化学性能。但是，它也面临许多严重的问题和挑战。在这篇综述中，分类的不同类型的SSE类型，并描述了添加MOF后这些电解质的变化。之后，引入了这些带有MOF的SSE，以用于不同类型的电池应用，并描述了这些SSE与MOF结合在细胞电化学性能上的影响。最后，提出了MOFS材料在电池应用中面临的一些挑战，然后给出了一些解决MOF的问题和开发期望的解决方案。
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。
自我监督的强化学习与双重回报有关知识感知建议
为了提高建议准确性并提供建议的解释，增强学习（RL）已应用于知识图的路径推理。但是，在建议任务中，大多数现有的RL方法仅使用短期或单一的奖励来学习路径调查策略，从而导致本地最佳选择并失去一些潜在的路径。为了解决这些问题，我们提出了一个自我监督的强化学习（SSRL）框架，并结合了双重回报，以实现知识图表的知识建议推理。然后，我们通过使用双回报驱动的策略来改善参与者 - 批评算法，该策略将短期奖励与长期增量评估相结合。改进的算法在整体情况下有助于政策指南路径推理。此外，要找到最潜在的路径，在改进的参与者 - 批评算法中，每个样品的损耗约束用作加强信号以更新梯度。有了针对基准的一些改进，实验结果证明了我们框架的有效性。©2022 Elsevier B.V.保留所有权利。
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
初次接触：通过相互信息最大化实现无监督的人机协同适应
在没有事先映射、无法要求用户以动作标签或奖励反馈的形式进行监督、也不事先了解用户试图完成的任务的情况下，我们如何训练辅助人机界面（例如基于肌电图的肢体假肢）将用户的原始命令信号转化为机器人或计算机的动作？本文的关键思想是，无论任务是什么，当界面更直观时，用户的命令噪音更小。我们将这个想法形式化为优化界面的完全无监督目标：用户命令信号与环境中诱导状态转换之间的相互信息。为了评估这个相互信息分数是否可以区分有效和无效界面，我们对 540K 个用户操作各种键盘和眼神注视界面（用于打字、控制模拟机器人和玩视频游戏）的示例进行了大规模观察性研究。结果表明，我们的相互信息分数可以预测各种领域的实际任务完成情况指标，平均 Spearman 等级相关系数为 ρ = 0.43。除了对现有界面进行离线评估之外，我们还使用无监督目标从头开始学习界面：我们随机初始化界面，让用户尝试使用界面执行他们想要的任务，测量相互信息分数，然后更新界面以通过强化学习最大化相互信息。我们通过一项小规模用户研究来评估我们的方法，该研究有 12 名参与者，他们使用受扰鼠标执行 2D 光标控制任务，并且让一名专家用户使用网络摄像头捕捉到的手势玩月球着陆器游戏。结果表明，我们可以从头开始学习界面，无需任何用户监督或任务的先验知识，只需不到 30 分钟的人机协同训练。
主题：对国防部设施“盟友欢迎行动”合同监督的审计（项目编号 D2022-D000RJ-0133.000）
我们计划于 2022 年 5 月开始进行主题审计。本次审计的目的是确定国防部合同人员是否根据联邦和国防部的政策执行了支持阿富汗撤离人员在国防部设施重新安置以支持“欢迎盟友行动”的物资和服务的合同管理程序。我们可能会在审计过程中修改目标，我们也会考虑管理层对附加或修订目标的建议。
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。