XiaoMi-AI文件搜索系统
World File Search System神经模型
毕达氏症：数据预取的神经模型
机器学习越来越多地遍布RDBMS的所有组件，因此可以通过查询工作负载和数据分布中的杠杆相关性来实例化。到目前为止，它在基数估计和查询优化方面取得了重大成功，从而导致查询执行更快。但是，在优化RDBMS缓冲区管理模块方面的努力有限。准确预测页面访问会带来许多挑战。我们克服了这些挑战，并提出了Pythia，这是一种神经预测模型，可以准确预测复杂SQL查询的非序列页面访问。然后可以使用毕曲（Pythia）的输出来预取页页面，从而提高性能。此外，我们还将毕缩影集成到Postgres的缓冲区管理模块中。在不适合时，它可以明智地执行预测和预取，并在没有时默认为现有的缓冲区管理算法。我们进行了广泛的实验和示例，即毕曲霉达到了明显的准确性，并且在DSB OLAP基准测试中查询的速度高达6倍。
从视频中提取心率的隐式神经模型
患有幻觉，从而降低了普遍性。直接应用先前的 INR 无法弥补这种信号强度不足，因为它们既适合信号也适合干扰因素。在这项工作中，我们引入了一个 INR 框架来增加这种体积描记器信号强度。具体来说，我们利用架构来实现选择性表示能力。我们能够将面部视频分解为血液体积描记器组件和面部外观组件。通过从该血液成分推断体积描记器信号，我们在分布外样本上展示了最先进的性能，而不会牺牲分布内样本的性能。我们在定制的多分辨率哈希编码主干上实现了我们的框架，通过比传统 INR 快 50 倍的速度实现实用的数据集规模表示。我们还提供了一个光学上具有挑战性的分布外场景的数据集，以测试对真实场景的泛化。代码和数据可以在 https://implicitppg.github.io/ 找到。
使用头戴式显示器的自修复神经模型进行电磁头部跟踪的数据预测
摘要：在航空电子设备中，飞行员使用头盔显示器 (HMD) 在护目镜上显示外部环境的同步视图和与飞机相关的重要参数。为了完美同步护目镜上的视图，必须同步外部环境的坐标以及飞行员头部运动的坐标。为了确定飞行员头部运动的坐标，称为头部跟踪的过程起着重要作用。头部跟踪可以使用不同的跟踪技术来执行，例如光学跟踪、磁跟踪或惯性跟踪。在本文中，六自由度 (6-DoF) 磁运动跟踪装置 (Polhemus Patriot TM ) 用于在模拟器床上实时获取飞行员头部运动的坐标。在跟踪器获取过程中，由于铁磁性引起的磁场干扰，数据可能会丢失。为此，我们采用自修复神经模型 (SHNM) 来预测缺失数据。用于恢复的数据有 5200 个头部运动的 6-DoF 样本。SHNM 可实现超过 85% 的准确率来预测三组不同的缺失数据。将所提模型预测数据的准确率与反向传播神经网络 (BPNN) 模型进行了比较，结果发现 SHNM 模型的准确率优于 BPNN 模型
研究文章神经模型在智能医疗平台上窃取对智能移动设备的攻击
迄今为止，由于其便利性和实用性，已经认可并广泛使用了物联网（MIOT）技术。MIOT使机器学习能够自动准确地预测各种疾病，从而有助于和促进有效和有效的医疗治疗。但是，MIOT容易受到一直在不断发展的网络攻击。在本文中，我们建立了一个Miot平台，并展示了一种场景，其中训练有素的卷积神经网络（CNN）模型可以攻击肺癌与肺栓塞复杂化的肺癌。首先，我们使用CNN构建模型来预测肺癌与肺栓塞复杂化并获得高检测精度。然后，我们仅使用目标网络标记的少量数据构建模型模型，旨在窃取已建立的预测模型。实验结果证明，被盗模型还可以实现相对较高的预测结果，表明模仿网络可以在很大程度上成功将预测性能从目标网络复制。这还表明，部署在MIOT设备上的这种预测模型可能会被攻击者偷走，而有效的预防策略是研究人员的开放问题。
通过超声成像分析对甲状腺结节的定量评估
摘要。最近的研究提出了定量超声（QUS），以从通过多次传输量产生的脉搏回声数据中提取组织的声学特性。在本文中，我们引入了一种基于学习的方法，通过表达声音衰减和超声检查中的声音速度来识别甲状腺结节恶性肿瘤。提出的方法采用了一种神经模型，该神经模型整合了卷积神经网络（CNN），以详细的局部脉冲回声绘制分析与变压器结构，从而增强了该模型在多光束接收中捕获复杂相关性的能力。b模式图像既用作输入又是标签，以确保稳健性能，而不管人脖子上存在的复杂结构，例如甲状腺，血管和气管。为了训练所提出的深神经模型，已经设计了模拟人类肌肉，脂肪层的结构和甲状腺形状的模拟幻影。通过数值模拟和临床测试评估所提出方法的有效性。
多电极皮质刺激选择性地诱导生物物理神经模型中兴奋性神经元活动的单向波传播
皮层刺激正在成为基础研究中的实验工具，也是治疗一系列神经精神疾病的有前途的疗法。随着多电极阵列进入临床实践，使用电刺激的时空模式来诱导所需生理模式的可能性在理论上已成为可能，但在实践中，由于缺乏预测模型，只能通过反复试验来实现。越来越多的实验证据证实，行波是皮层信息处理的基础，但尽管技术迅速进步，我们仍缺乏对如何控制波特性的理解。本研究使用混合生物物理解剖学和神经计算模型来预测和理解简单的皮层表面刺激模式如何通过抑制性中间神经元的不对称激活来诱导定向行波。我们发现锥体细胞和篮状细胞被阳极电极高度激活，被阴极电极激活的程度最低，而马丁诺蒂细胞被两个电极适度激活，但对阴极刺激略有偏好。网络模型模拟发现，这种不对称激活会导致浅表兴奋性细胞中产生行波，该行波会单向传播，远离电极阵列。我们的研究揭示了不对称电刺激如何通过依赖两种不同类型的抑制性中间神经元活动来塑造和维持内源性局部电路机制的时空动态，从而轻松促进行波。
不是可爱的中风：对规则和神经网络的分析 -
我们介绍了三个临床信息提取（IE）系统的深入比较，这些系统在大脑成像报告上进行了实体识别和否定检测：Edie-R，一个基于定制的基于规则的系统，以及两个Neu-Ral网络模型，Edie-Bilstm和Edie-Bert，Edie-Bilstm和Edie-Bert，均与BiLILSTM和BILSSTM的多人兼而有多元表的学习模型。我们将模型在样本外和样本外数据集上进行了比较，其中包含中风发现的情况，并利用我们的错误分析，以提出改进新域的临床NLP模型时有效的nlp。我们的分析发现我们的基于规则的系统在两个数据集上的表现都优于神经模型，并且似乎概括到样本外数据集。另一方面，尽管在样本内数据集中指标建议其他指标，但神经模型并未将否定为样本外数据集。
3D打印功能性脑模型研究进展
现代神经科学越来越依赖 3D 模型来研究神经回路、神经再生和神经疾病。人们已经探索了几种不同的生物制造方法来创建 3D 神经组织模型结构。其中，3D 生物打印已显示出成为高通量/高精度生物制造策略的巨大潜力，可以满足对 3D 神经模型日益增长的需求。在这里，我们回顾了神经组织工程的设计原则。将打印技术应用于神经组织模型的生物制造的主要挑战是开发神经生物墨水，即具有可打印性和凝胶化特性且适用于神经组织培养的生物材料。这篇综述介绍了广泛的生物材料以及 3D 神经组织打印的基础知识。此外，还回顾了 3D 生物打印技术的进展，特别是针对生物打印神经模型。最后，讨论了用于评估制造的 2D 和 3D 神经模型的技术，并在可行性和功能性方面进行了比较。
Physord：一种用于越野驾驶物理学运动预测的神经符号方法
摘要 - 运动预测对于自主越野驾驶至关重要，但是，由于车辆和地形之间的复杂相互作用，它比公路驾驶更大挑战。传统的基于物理的AP-在准确建模动态系统和外部干扰时会遇到困难。相比之下，数据驱动的神经网络需要广泛的数据集，并在明确捕获基本的物理定律方面挣扎，这很容易导致概括不良。通过合并两种方法的优点，神经符号方法提出了一个有希望的方向。这些方法将物理定律嵌入神经模型中，可能会显着改善概括性。但是，在实际世界环境中没有对越野驾驶的事务进行评估。为了弥合这一差距，我们提出了Physord，这是一种神经符号方法，将保护定律（即Euler-Lagrange方程）整合到数据驱动的神经模型中，以进行越野驾驶中的运动预测。我们的实验表明，物理学可以通过建模不确定性来准确预测车辆运动并耐受外部干扰。与数据驱动的方法相比，仅使用参数的3.1％，学到的动力学模型可实现46.7％的精度，证明了我们的神经符号方法的数据效率和出色的概括能力。