XiaoMi-AI文件搜索系统
World File Search System粗糙的
基于线性回归的算法仍可以成功识别微生物官能团，尽管生态函数的非线性
微生物群落在各种环境中起关键作用。预测它们的功能和动力学是微生物生态学的关键目标，但是这些系统的详细描述可能是非常复杂的。一种处理这种复杂性的方法是诉诸于更粗糙的表示。几种方法试图以数据驱动的方式识别微生物物种的有用群体。最近的工作在从头发现时，使用像线性回归这样简单的方法来预测给定功能的粗略表示，对多个物种甚至单个这样的群体（Ensemble-Biterient优化（EQO）方法）进行了一些经验成功。将社区功能建模为单个物种贡献的线性组合似乎很重要。但是，确定生态系统的预测性过度的任务与预测功能的任务不同，并且可以想象，前者可以通过比后者更简单的方法来完成。在这里，我们使用资源竞争框架来设计一个模型，在该模型中，要发现的“正确”分组是良好的定义，并使用合成数据来评估和比较基于回归的三种方法，即先前提出的两个和我们介绍的两个方法。我们发现，即使函数明显非线性，基于回归的方法也可以恢复分组。该多组方法比单组EQO具有优势。至关重要的是，模拟器（线性）方法的表现可以胜过更复杂的方法。
生成信息检索：抹布和gar
大语言模型（LLM）的出现导致信息检索（IR）技术的显着进步，从而发展了方法，例如检索授权生成（RAG）和产生增强的检索（GAR）[4]。这些方法利用了先进的生成能力和对LLM的深刻语义理解来提高信息系统的精确性和效果。检索增强发电（RAG）旨在提高LLMS产生的响应的可靠性[5]。通过在推理过程中动态检索和集成外部信息，RAG试图将模型的响应锚定在验证内容中。此方法解决了“ hal-lucined”信息的问题，即LLMS生成的综合但实际上不正确的内容。抹布的成功取决于模型有效地使用检索到的信息的能力，该信息依赖于外部来源的质量和完整性。相反，生成增强的检索（GAR）试图通过利用LLM的生成能力来改善搜索结果。gar采用这些模型来扩展和重新搜索查询或增强文档代表[2] [6]，从而更好地将用户查询与文档语料库保持一致。此方法不仅增加了搜索结果的相关性，而且还扩大了可响应复杂查询的内容范围。粗糙集已成功应用于Web挖掘（例如Web用法挖掘和网页分类）[1] [3]。我们期望粗糙的理论可以
从地面到对象：与地面接触的动态物体的粗到细节自我监督的单眼估计
自我监督的单眼深度估计（DE）是一种学习深度的方法，没有昂贵的深度地面真理。但是，它经常在移动物体上挣扎，这些物体违反了训练期间的静态场景假设。为了结束这个问题，我们介绍了一个粗到最新的训练策略，该策略利用了地面与先验接触的地面，该期望是在户外场景中大多数移动物体在地面上造成的。在粗糙的训练阶段，我们将动态类中的对象排除在再投入损失计算中，以避免深度学习不准确。为了对物体的深度进行精确的监督，我们提出了一种新颖的接地式差异平滑度损失（GDS-loss），该损失（GDS-loss）鼓励DE网络将物体的深度与其接地接触点保持一致。随后，在精细的训练阶段，我们完善了DE网络，以了解重新投影损失中对象的详细深度，同时通过使用基于成本量的加权因素利用我们的正则化损失来确保对移动对象区域的准确DE。我们的整体粗表表训练策略可以轻松地与无需修改的方法集成，从而显着提高了挑战性的城市景观和KITTI数据集的DE性能，尤其是在移动对象区域中。
量化措施等效性
摘要。- 我们启动了对成品类型组之间测量的等效性的定量研究。这样做，我们扩大了已成为l p的等效性的经典的上下文。在本文中，我们关注的是普通群体的情况，该类别为此我们展示了刚性定理以及几个灵活性结果。我们的刚性结果规定，等级曲线具有非常笼统的单调性能，尤其涉及其综合等价不变性。这对两个平均组之间可能测得的耦合的整合程度提供了明确的“下端”。该结果在组几何形状中也具有意外的应用：在平均组之间粗大潜水下，等值谱是单调的。在其他应用中，这导致存在3组的连续体，这些群集彼此陷入了任何粗糙的景象。我们的灵活性结果包括表现出明确的轨道等价，并具有某些平均组之间规定的集成性特性。我们为此介绍了一种新工具：Følner的铺路套房。在许多情况下，我们扣除了使用等法轮廓获得的定量阻塞对于具有对数误差的误差因素是最佳的。我们还获得了两个重要的准时分析的重要不变性，在可集成的轨道等效性下没有保留：渐近维度和有限呈现的事实。
![arxiv：2503.07135v1 [cs.ro] 2025年3月10日](/simg/9\95c6cba6c5e1c198c689745e461ebe0d5e5fa688.webp)
arxiv：2503.07135v1 [cs.ro] 2025年3月10日
未来的机器人被认为是执行各种家庭任务的多功能系统。最大的问题仍然存在，我们如何弥合实施方案差距，同时最大程度地减少物理机器人学习，而物理机器人的学习却很有趣。我们认为，从野外人类视频中学习为机器人操纵任务提供了有希望的解决方案，因为互联网上已经存在大量相关数据。在这项工作中，我们提出了Vidbot，这是一个框架，可以使用仅在野外单核RGB的人类视频中获得的3D负担能力，从而实现了零射击机器人的操作。vidbot利用管道从视频中提取显式表示，即从视频中提取3D手轨迹，将深度基础模型与结构上移动技术结合在一起，以在时间上重新构建时间一致，度量标准的3D 3D负担能力表达表示对实现的体现。我们引入了一种粗到精细的负担能力学习模型，该模型首先识别从像素空间中的粗糙动作，然后通过扩散模型进行了良好的互动轨迹，以粗糙的动作为条件，并由测试时间限制，用于上下文感知到的互动计划，对新的场景和EM- em-
手部边缘性角膜弹力样变性
手部边缘性角化弹性样变性 (KEMH) 是一种获得性的边缘性丘疹性角化病，其特征是角化斑块增厚，主要影响食指外侧和拇指内侧。它通常与慢性日光照射和创伤有关，通常影响老年人。由于与其他掌跖角化病的临床相似性，鉴别诊断对于有效治疗管理至关重要。虽然临床信息通常足以进行鉴别，但皮肤活检可以提供有价值的诊断线索。我们报告了一名 63 岁男性患者的病例，该患者双手第一根和第二根手指的外侧和内侧边缘均出现粗糙的线性角化过度病变，这些病变已发展了三年。皮肤活检显示正角化过度，下层表皮厚度正常，没有光化性角化病的特征。真皮层中，增厚的弹性纤维和退化的胶原束杂乱分布。根据临床病理学发现，诊断为 KEMH。由于文献中的信息有限，我们旨在通过强调其发病机制、组织学特征和主要鉴别诊断的关键方面来扩展对 KEMH 的当前理解。
与免疫介导的炎症性疾病和免疫修饰疗法相关的严重共同互联19结果的风险：一项全国范围的研究COVID-19疫苗在六家以色列医院（Covehpi）的医疗保健人员中的疫苗有效性疫苗优先级策略对减轻COVID-19的影响：基于代理的模拟研究使用美国的城市地区基于功能性MRI和多级功能连通性，用图卷积网络预测脑淀粉样蛋白-βPET表型
广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。 ：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。 ：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。 大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。 然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。 在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。 首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。 第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。 这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。广州大学的实验中心，中国广州B，上海上海上海大学生物医学工程学院。 Zhangjiang Lab，上海，中国，201204电话。：+86 21 38176043电子邮件：hanzhang.bit@gmail.com（H。Zhang），上海上海上海大学生物医学工程学院，中国，2011年。：+86 21 20685265传真：+86 21 20685265电子邮件：dinggang.shen@gmail.com（D。Shen）摘要。大脑中淀粉样蛋白-β（Aβ）沉积的检测为阿尔茨海默氏病临床诊断（AD）提供了关键证据。然而，当前基于宠物的大脑Aβ检查的效率遭受了粗糙的，基于视觉检查的双级分层以及高扫描成本和风险。在这项工作中，我们探讨了使用非侵入性功能磁共振成像（fMRI）在AD连续体中使用脑网络上的图形学习来预测Aβ-PET表型的可行性。首先，通过聚类来鉴定三个全脑Aβ-PET表型，并研究了它们与临床表型的关联。第二，使用静止状态fMRI构建常规功能连通性（FC）网络，并通过图形卷积网络（GCN）学习了网络拓扑结构，以预测此类Aβ-PET表型。这可能是一种有前途的技术，用于对AD的高通量筛查，成本和限制更少。对来自AD连续的258个样品的Aβ-PET表型预测的实验表明，我们的算法达到了较高的fMRI-to-to-pet预测准确性（78.8％）。结果表明，AD连续体中存在可区分的脑Aβ沉积表型，以及使用人工智能和非侵入性脑成像技术来近似基于PET的评估的可行性。关键字：功能连通性，大脑网络，淀粉样蛋白β，PET，图形卷积网络。
从卫星图像中基于变压器的雷达复合材料的现象
摘要：天气雷达数据对于现象和数值天气预测模型的组成部分至关重要。虽然天气雷达数据以高分辨率提供了有价值的信息，但其基于地面的性质限制了其供应能力，这阻碍了大规模应用。相比之下，气象卫星覆盖了较大的域，但具有更粗糙的重置。然而，随着数据驱动方法和地球静止卫星上的现代传感器的快速发展，新的机会正在出现，以弥合地面和太空观测之间的差距，最终导致更熟练的天气预测以高准确性。在这里，我们提出了一个基于变压器的模型，用于使用最多2小时的卫星数据进行基于接地的雷达图像序列。预测在不同的天气现象下发生的雷达场，并显示出鲁棒性，以防止快速生长/衰减的领域和复杂的场结构。模型解释表明，以10.3 m m（C13）为中心的红外通道包含所有天气条件的熟练信息，而闪电数据在恶劣天气条件下的相对特征最为重要，尤其是在较短的交货时间。该模型可以支持在大型范围内进行降水，而无需明确需要雷达塔，增强数值天气预测和水文模型，并为数据筛选区域提供雷达代理。此外，开源框架有助于朝着操作数据驱动的NOWCASTING的进步。
粒度事项：病理图形驱动的脑CT报告生成的跨模式比对
自动脑CT报告生成可以提高诊断颅疾病的效率和准确性。但是，当前方法受1）粗粒监督的限制：图像文本格式中的训练数据缺乏识别微妙的异常性的监督，以及2）耦合的交叉模式对齐：视觉文本一致性可能不可避免地以粗糙的方式进行，从而导致鲜明的特征代表性地汇总，以报道的代表。在本文中，我们提出了一种新型的病态图形驱动的跨模式比对（PGCA）模型，以进行准确且健壮的脑CT报告生成。我们的方法可以通过对病理图进行构建以学习精细的视觉提示并与文本单词对齐，从而有效地解开了跨模式的对准。该图包含代表基本病理性贡献的异质淋巴结（即，组织和病变）通过与先前的知识相关的内部和属间边缘。通过精心设计的图形嵌入和更新模块，我们的模型完善了微妙的tiss和病变的视觉特征，并使用对比度学习使它们与文本单词对齐。广泛的实验结果证实了我们方法的生存能力。我们认为，我们的PGCA模型有可能大大增强脑CT报告的自动产生，并最终有助于改善颅骨疾病诊断。
机载激光扫描的潜力
从冰川高山高精度生成 DGM - 机载激光扫描的潜力 Dominik Lenhart1、Helmut Kager2、Konrad Eder3、Stefan Hinz1、Uwe Stilla3 1 慕尼黑工业大学遥感方法学主席 2 维也纳工业大学摄影测量与遥感研究所³摄影测量与遥感系，慕尼黑工业大学 摘要：机载激光扫描 (ALS) 提供了以高度自动化生成高精度数字地形模型 (DGM) 的可能性。虽然这项技术在农村和城市地区的准确性潜力已经在许多研究和应用中得到证明，但本文分析了这种记录方法在冰川高山中的准确性潜力。结果表明，通过同步条纹调整进行地理配准可以最大限度地减少相邻纵向条纹之间的差异，并将数据添加到几厘米的 GPS 护照信息中。例如，在雪面等光滑区域，内部精度为 5-8 厘米，在较粗糙的岩石区域，内部精度约为 17-30 厘米。除了高精度之外，数据集的点密度还提供了一个有趣的分析方面。例如，冰川舌区域的部分记录失败（由吸收和可能的定向反射引起）——这对于 DGM 来说本质上是负面的——开辟了新的调查可能性，例如当地的 S