XiaoMi-AI文件搜索系统
World File Search System离散
由二维量子 Tsallis 熵引起的致病生物的离散动力学模型
摘要：不对称器官系统的许多方面都受致病生物体通路的对称模型 (R&L) 控制，但体节和肢芽等敏感物质需要避免其影响。由于对称和不对称结构由相似或附近的物质发展而来，并利用许多相同的信号通路，因此实现对称变得更加困难。在此，我们旨在从二维量子演算（q 演算、q 类似物或 q 疾病）的角度概括一些重要的测量，包括分形的维数和 Tsallis 熵（二维量子 Tsallis 熵 (2D-QTE)）。该过程基于从量子演算的角度对 Tsallis 熵的最大值进行概括。然后，通过考虑最大的 2D-QTE，我们设计了一个离散系统。作为应用，我们利用 2D-QTE 描绘了一个受到致病生物 (DCO) 感染的离散动态系统。我们研究系统的正解和最大解。研究了平衡和稳定性。我们还将基于 2D-QTE 开发一种新颖的基本生殖率设计。
新冠疫苗被低估了多少？来自离散选择实验和 VSL 基准的证据
本文表达的观点为作者本人观点，不代表美国国防部、美国政府、作者所属的任何其他机构或美国国家经济研究局的官方政策或立场。特别感谢 Denvil Duncan、Seth Freedman、David R. Henderson、Thomas J. Kniesner、Lisa Robinson、Justin Ross、W. Kip Viscusi、Dan Sacks 以及美国经济协会、成本效益分析协会和南方经济协会会议、内华达大学拉斯维加斯分校、圣地亚哥州立大学和海军研究生院的研讨会参与者提供的有益评论。作者要感谢 Regenstrief Institute, Inc.，尤其是公共关系团队和生物医学信息学中心在疫情期间对此项非资助研究项目的支持。还要感谢研究团队成员 Shaun Grannis、Monica Kasting、Jon Macy 和微软新闻团队在开发和实施横幅广告方面提供的支持（Mary L. Gray、Vera Chan、Juan Lavista Ferres、Matt Lindenburg 和 Erin Van Noy）以及微软研究健康未来小组的 Mandi Hall。我们感谢 Ashley Wiensch 提供的行政支持。
长马计划的离散预测表示Vongani H. Maluleke-人@EECS
Interpersonal Skills : Developed good communication skills, presentation skills, problem-solving skills, and people manage- ment skills from my previous roles in industry and academia Programming Languages : Excellent in Python, STATA, and R. Proficient MATLAB, VBA, Java Script, Java, Html, and CSS Visualization : Blender, Pytorch3D, PowerBI Research Interest : 3D Vision, Generative Models, and AI for Social良好的兴趣：绘画
患者对于华氏巨球蛋白血症治疗方案的偏好：离散选择实验
摘要简介：过去几十年来，华氏巨球蛋白血症 (WM) 的治疗方案迅速增多。然而，对于首选治疗方法尚无共识。因此，患者的偏好在制定个性化治疗计划时变得越来越重要。然而，WM 患者对其治疗方案的优先考虑和观点仍不清楚。我们使用离散选择实验 (DCE) 评估了 WM 患者的治疗偏好。方法：采用混合方法来识别和选择属性/级别。DCE 问卷包括五个属性：药物类型（靶向治疗与化疗）；给药频率和途径；5 年无进展生存期 (PFS)；不良事件；继发性恶性肿瘤风险。正交设计和混合 Logit 面板数据模型分别用于构建选择任务和评估患者偏好。结果：330 名 WM 患者参与了该项目。总共有 214 份（65%）完整的问卷被纳入数据分析。 5 年 PFS，其次是继发性恶性肿瘤风险，是做出治疗选择的最重要因素。至于副作用，患者选择避免
基于离散和连续吸引子网络的神经形态系统基于忆阻器的生物可信记忆
正是对建立一整套新的数学工具以分析和评估未来神经形态计算系统的启发。忆阻器于1971年被提出[4]，并于2008年通过实验建立[5]，它是一种电阻性器件，是针对这种非冯·诺依曼计算优化的未来神经形态器件。忆阻器可以根据内部状态和外部刺激（如电压脉冲）改变其电阻。先前的研究表明，基于忆阻器的交叉结构可以依靠欧姆定律和基尔霍夫定律，将计算最密集的组件矢量矩阵乘法（VMM）直接映射到电参数，从而加速各种人工神经网络（ANN）。[6,7]在此原理下，VMM计算过程直接在原位进行，从而避免了因从内存中获取数据而导致的内存墙（冯·诺依曼瓶颈）。尤其是在监督学习中，它可以降低前馈过程和从 NP 到 P 的反向传播的计算复杂度。[8] 因此，当前的研究主要集中在分类和回归任务上，以利用这种新的计算机制作为互补金属氧化物半导体 (CMOS) 电路的补充。然而，忆阻器的不同物理机制，如导电丝的形成/溶解和相变，决定了器件存在需要进一步优化的缺陷。[9,10]
层次结构聚类，具有离散潜在变量模型和集成分类的可能性
查找数据集的一组嵌套分区对于在不同尺度上发现相关结构很有用，并且经常处理与数据有关的方法。在本文中，我们引入了一种基于模型的分层聚类的一般两步方法。将集成的分类可能性标准视为目标函数，此工作适用于该数量可以处理的每个离散潜在变量模型（DLVM）。该方法的第一步涉及最大程度地提高相对于分区的标准。解决了通过贪婪的山坡攀岩启发式方法发现的已知局部最大最大最大最大值问题时，我们基于遗传算法引入了一种新的混合算法，该算法允许有效地探索解决方案的空间。所得算法小心地结合并合并了不同的解决方案，并允许簇数K的共同推断以及簇本身。从这个自然分区开始，该方法的第二步是基于自下而上的贪婪程序来提取簇的层次结构。在贝叶斯语境中，这是通过考虑dirichlet群集比例的先验参数α作为控制聚类粒度的正规化项来实现的。标准的新近似值被推导为α的对数线性函数，从而实现了合并决策标准的简单函数形式。第二步允许在更粗的尺度上探索聚类。将所提出的方法与现有的模拟和实际设置的策略进行了比较，结果表明其结果特别相关。本工作的参考实现可在论文1随附的r软件包贪婪中获得。
使用连续脑实质阻抗离散度测量人类淋巴功能
附属机构：1 Applied Cognition Inc，加利福尼亚州雷德伍德城；2 华盛顿大学医学院放射学系，华盛顿州西雅图；3 VISN 20 西北精神疾病研究、教育和临床中心，VA 普吉特海湾医疗保健系统，华盛顿州西雅图；4 斯坦福大学医学院临床卓越研究中心，加利福尼亚州斯坦福；5 佛罗里达大学健康中心神经病学系，佛罗里达州盖恩斯维尔；6 VISN 20 西北精神疾病研究、教育和临床中心 (MIRECC)，VA 波特兰医疗保健系统，俄勒冈州波特兰；7 VA 波特兰医疗保健系统神经病学服务部，研究服务部，俄勒冈州波特兰；8 俄勒冈健康与科学大学俄勒冈阿尔茨海默病研究中心神经病学系，俄勒冈州波特兰；9 佛罗里达大学健康精准健康研究中心，临床和转化科学研究所，佛罗里达州盖恩斯维尔； 10 佛罗里达大学医学院健康结果与生物医学信息学，佛罗里达州盖恩斯维尔；11 华盛顿大学医学院精神病学和行为科学系，华盛顿州西雅图；12 华盛顿大学医学院神经病学系，华盛顿州西雅图；
Synergynet：弥合离散和连续表示之间的差距，以进行精确的医学图像分割
近年来，已经提出了连续的潜在空间（CLS）和DISCRETE潜在空间（DLS）深度学习模型，以改善医学图像分析。但是，这些模型遇到了不同的挑战。cls模型捕获了复杂的细节，但由于其强调低级特征，因此在结构表示和易男性方面通常缺乏解释性。尤其是，DLS模型提供了可解释性，鲁棒性以及由于其结构性潜在空间而捕获粗粒度信息的能力。但是，DLS模型在捕获细粒细节方面的功效有限。为了确定DLS和CLS模型的局限性，我们采用了Synergynet，这是一种新型的瓶颈体系结构，旨在增强现有的编码器 - 核编码器分割框架。Synergynet无缝地将离散和连续的表示形式整合到利用互补信息中，并成功保留了细学的表示的细节。我们对多器官分割和CAR-DIAC数据集进行的实验实验表明，SynergyNet的表现优于包括Transunet：Transunet：DICE评分提高2.16％的其他最新方法，而Hausdorff分别分别提高了11.13％。在评估皮肤病变和脑肿瘤分割数据集时，我们观察到皮肤病变分割的交互分数的1.71％的重新提高，脑肿瘤分割的增长率为8.58％。我们的创新方法为增强医学图像分析关键领域中深度学习模型的整体性能和能力铺平了道路。
使用贝叶斯上下文树对离散数据的更改点检测和分割
引入了一个新的贝叶斯建模框架，用于分段均匀变量 - 内存马尔可夫链，以及一系列有效的算法工具，用于更改点检测和离散时间序列的分割。建立在最近引入的贝叶斯上下文树（BCT）框架上，离散时间序列中不同片段的分布描述为可变内存马尔可夫链。对变化点的存在和位置的推断。促进有效抽样的关键观察者是，可以精确地计算数据的每个段中的先前预测可能性（在所有模型和参数上平均）。这使得可以直接从变更点的数量和位置的后验分布中进行采样，从而导致准确的估计，并提供结果中不确定性的自然定量度量。也可以以其他额外的计算成本来获得每个细分市场中实际模型的估计。对模拟和现实世界数据的结果表明，所提出的方法是强大的，并且表现效果也不如先进的技术。