XiaoMi-AI文件搜索系统
World File Search System稀疏
使用新的稀疏监督自动编码器神经网络
基于CRISPR的单细胞转录组筛选是有效的遗传工具，可同时评估由一组指南RNA（GRNA）靶向的细胞的表达式，并从观察到的扰动中推断靶基因函数。然而，由于各种局限性，这种方法在检测弱扰动方面缺乏灵敏度，并且在研究主调节器（例如转录因子）时基本上是可靠的。为了克服检测微妙的GRNA诱导的转录组扰动和对响应最快的细胞进行分类的挑战，我们开发了一种新的监督自动编码器神经网络方法。我们稀疏的监督自动编码器（SSAE）神经网络提供相关特征（基因）和实际扰动细胞的选择。我们将此方法应用于基于基于缺氧的长期非编码RNA（LNCRNA）的子集的基于内部单细胞CRISPR干扰（CRISPRI）转录组筛查（CROCPRI）转录组筛选（CROP-SEQ），该子集受缺氧调节的疾病，该疾病在肺腺癌（Lung adenacoarcinoma）（LUAD）的背景下促进了肿瘤的侵略性和耐药性。针对LNCRNA的子集进行了经过验证的GRNA的农作物序列库，并且作为阳性对照，HIF1A和HIF2A（低氧反应的2个主要转录因子）在3、6或24 h期间在正态氧中培养的A549 LUAD细胞中转导的2个主要转录因子。我们首先通过确定在低氧反应的时间开关期间确定其敲低的特定效应，从而验证了HIF1A和HIF2上的SSAE方法。接下来，SSAE方法能够检测出稳定的短缺氧依赖性转录组特征，该特征是由某些LNCRNA候选者的敲低诱导的，表现优于先前发表的
北方树的质量稀疏和价值发展
*应向谁解决的作者。摘要首次在树木生长模型中引入树木的质量分布。因此，可以研究质量变薄对架子开发的影响。质量稀疏都可以改善财务收益，但效果很小。旋转年龄，木材库存和成熟度直径不会受到质量变薄的影响。裸露的土地估值都不会改变质量稀疏的贡献。造成小效应的原因显然在于单个树木的价值发展。小纸浆树干的相对价值发展很大，因为每卷单位的收获费用随着尺寸增量而减小。，除非质量与增长率相关，否则这种树木不是可行的物体，用于质量稀疏。另一个增强的价值发展阶段是当纸浆树干转向锯布干线时。对于大纸浆树干，优质稀疏是可行的。树木中现有的Sawlog含量稀释了质量变薄对财务收益的影响。如果增长率与质量呈正相关，则结果会发生变化，质量稀疏在所有商业直径类别中都是可行的。关键字picea abies; Pinus sylvestris; betula bubescens;质量分布；增长速度引入是树木是个人的，其生产能力以及其质量特征的不同。2021，2023，Niemistö等。2018，Mäkinen等。 2006，Karlsson等。 2012，Segtowich等。 2023，Cameron 2002]。2018，Mäkinen等。2006，Karlsson等。 2012，Segtowich等。 2023，Cameron 2002]。2006，Karlsson等。2012，Segtowich等。 2023，Cameron 2002]。2012，Segtowich等。2023，Cameron 2002]。许多林业实践都包含了通过优质稀疏或“选择性变薄”改善剩余树木质量分布的想法[Phillips 2024，Nuutinen等。但是，没有确定这样的过程的定义，概念“质量”也不明确定义。有些作者将质量变薄称为没有优先考虑大型或小树的过程，而是在各种尺寸的类别中保留质量高的树[Niemistö等。2018]。已经指出，选择性稀释剂可以提高对雪和风损伤的弹性[Cameron 2002，Cremer等。1982，Persson 1972，Valinger等。 1993]。 显然不知道1982，Persson 1972，Valinger等。1993]。 显然不知道1993]。显然不知道
已发布版本的引用 (APA)：Apers, S., & de Wolf, R. (2020)。图稀疏化、切割近似和拉普拉斯算子求解器的量子加速
图稀疏化是大量算法的基础，从切割问题的近似算法到图拉普拉斯算子的线性系统求解器。在其最强形式中，“谱稀疏化”将边数减少到节点数的近似线性，同时近似地保留图的切割和谱结构。在这项工作中，我们展示了谱稀疏化及其许多应用的多项式量子加速。具体而言，我们给出了一种量子算法，给定一个具有 n 个节点和 m 条边的加权图，在亚线性时间内输出 ϵ -谱稀疏器的经典描述 e O ( √ mn/ϵ )。这与最佳经典复杂度 e O ( m ) 形成对比。我们还证明我们的量子算法在多对数因子范围内是最优的。该算法建立在一系列关于稀疏化、图扩展器、最短路径量子算法和 k 向独立随机字符串的有效构造方面的现有成果之上。我们的算法意味着解决拉普拉斯系统和近似一系列切割问题（例如最小切割和最稀疏切割）的量子加速。
面向全球和区域直达卫星物联网服务的稀疏卫星星座设计
摘要 — 在本文中，我们介绍并设计了用于直接卫星物联网 (DtS-IoT) 的稀疏星座。DtS-IoT 不需要地面基础设施，因为设备直接连接到充当轨道网关的低地球轨道卫星。稀疏星座的关键思想是通过 (i) 适当确定资源受限的 IoT 服务中存在的传输延迟，以及 (ii) 最佳定位轨道网关，显着减少在轨 DtS-IoT 卫星的数量。首先，我们分析 LoRa/LoRaWAN 和 NB-IoT 标准，并推导出两个连续经过卫星之间最大间隙时间的实际约束。然后，我们引入并优化了一种算法来设计稀疏 IoT 星座的准最优拓扑。最后，我们将我们的设计应用于全球和区域覆盖，并分析延迟、轨道平面数量和卫星总数之间的权衡。结果表明，考虑到 3 小时和 2 小时的间隔，稀疏星座仅需传统密集星座所需卫星数量的 12.5% 和 22.5%，即可提供全球范围的物联网覆盖。此外，我们还表明，对于 LoRa/LoRaWAN 和 NB-IoT，仅需 4 颗卫星和 3 颗卫星即可实现非洲和欧洲的特定区域覆盖。
通过动态稀疏分布式内存
摘要高保证加密术的领域很快就已经成熟，但对于端到端的端到端验证了效果有效的加密实现，仍然缺失了尚未确定的基础框架。为了解决此差距，我们使用COQ证明助手正式连接三个现有工具：（1）Hac-特定的紧密加密规范语言； （2）用于效果，高保证加密实现的茉莉语； （3）模块化加密证明的Ssprove基础验证框架。我们首先将HACSPEC与Ssprove连接起来，通过设计了从HACSPEC规范到命令式Ssprove代码的新译本。我们通过考虑从HACSPEC到纯粹的功能性COQ代码的第二次，更标准的翻译来验证这一翻译，并生成两个翻译产生的代码之间的等价性的证明。我们进一步定义了从茉莉蛋白到ssprove的翻译，这使我们能够在ssprove中正式推理有关茉莉蛋白中有效的加密信息。我们证明，相对于Jasmin的操作语义，在COQ中正确地证明了这一翻译。最后，我们通过给出有效的AES的基础端到端COQ证明，证明了方法的有用性。在此案例研究中，我们从使用硬件加速的AE的现有茉莉实现开始，并证明它符合HACSPEC编写的AES标准的规格。我们使用Ssprove基于AES的Jasmin实施来形式化加密方案的安全性。
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7
用于混合 EEG-fMRI 神经反馈预测的稀疏 EEG 信息 fMRI 模型
通过功能性磁共振成像 (fMRI) 或脑电图 (EEG) 这两种互补方式测量大脑活动，是神经反馈 (NF) 机制背景下大脑康复方案的基本解决方案。虽然 NF-EEG（根据 EEG 信号计算出的实时神经反馈分数）已经被探索了很长时间，但 NF-fMRI（根据 fMRI 信号计算出的实时神经反馈分数）出现得更晚，并且提供了更可靠的结果和更具体的大脑训练。同时使用 fMRI 和 EEG 进行双模态神经反馈疗程（NF-EEG-fMRI，根据 fMRI 和 EEG 计算出的实时神经反馈分数）对于制定大脑康复方案非常有前景。然而，fMRI 对患者来说很麻烦，也更累。本文的原创贡献涉及仅从 EEG 记录预测双模态 NF 分数，使用训练阶段，其中 EEG 信号以及 NF-EEG 和 NF-fMRI 分数都可用。我们提出了一个稀疏回归模型，该模型能够利用 EEG 仅预测运动想象任务中的 NF-fMRI 或 NF-EEG-fMRI。我们比较了从所提模型得出的不同 NF 预测因子。我们发现，与经典 NF-EEG 分数相比，从 EEG 信号预测 NF-fMRI 分数可以为 NF-EEG 分数添加信息，并显著提高与双模 NF 会话的相关性。
Andrew V. Sutherland 稀疏的自动编码器用于增强学习模型中的可解释性
美国专利US-6609117-B2和US-6349292-B1，“通过公共网络分配邮资的系统和方法，可以有效地打印邮政指示，并在要邮寄的项目上进行邮寄并进行身份验证，” A.V.Sutherland，M.R。Klugerman，F.M。 d'ippolito，2002和2003。Klugerman，F.M。d'ippolito，2002和2003。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
在增强学习中塑造稀疏的奖励
在许多现实世界中，代理商的奖励信号非常稀疏，这使得学习有效的奖励功能以进行奖励构成挑战。为了解决这个问题，我们的方法不仅可以通过非零奖励过渡，而且还采用半监督学习（SSL）技术（SSL）技术以及新的数据增强来学习轨迹空间代表性，从大多数过渡，从而提高奖励奖励Shaping Shaping shaping shaping shaping shaping shaping。Atari和机器人操作中的实验结果表明，我们的方法有效地将奖励概括为稀疏的奖励场景，与好奇心驱动的方法相比，达到更高的最佳分数表现。拟议的双熵数据增强增强了性能，显示出比其他增强方法的最佳分数提高15.8％。