XiaoMi-AI文件搜索系统
World File Search System紫叶
与贝叶斯（Co-）飞行员的实验计划
在这次演讲中，我将讨论我们最近将贝叶斯ML工具整合到实验实验室工作流程中的一些努力。通过用专家知识增强ML以改善决策来解决数据限制。使用合成化学和共轭有机材料发现的示例，该讨论将强调ML支持基于实验室决策的机会和挑战。
用机器学习模型检测棉叶疾病
本研究旨在使用机器学习（ML）模型将四个棉花叶的数据集准确地分类为感染或健康。细菌疫病，卷曲病毒，叶片和健康叶子被用作研究的数据集。mL是检测棉叶疾病的有用工具，可以最大程度地降低疾病率。问题在于，如果没有机器学习技术，检测疾病的疾病是非常困难的，那么就提出了机器学习模型并测试所提出模型的准确性，使用了混淆矩阵概念。研究人员已经通过使用（ML）模型进行了研究工作来诊断疾病，但其研究的缺点是不同（ML）模型给出的结果不准确。该研究的目标是使用传统技术在早期阶段鉴定影响棉花植物的疾病。但是，利用各种图像处理技术和机器学习算法（包括卷积神经网络）被证明有助于诊断疾病。这种技术方法可以简化发现叶片受损的发现，并最大程度地减少农民在发现这些疾病方面的努力。棉花是一种大规模生产的天然纤维，它在整体农艺土地的2.5％上生长。发现棉花叶疾病对于维持农作物的生产力并为农民提供可靠的收入至关重要。混淆矩阵是n x n矩阵，用于评估分类模型的性能，其中n是目标类的数量。矩阵将实际目标值与机器学习模型预测的目标值进行了比较。该技术具有四个参数，可以测试我的研究工作中给出的结果的准确性。
乙醇叶提取物的驱虫活性评价……
收到日期：2024 年 8 月 17 日；接受日期：2024 年 12 月 9 日 ______________________________________________________________________________ 摘要 蠕虫感染影响着全球近 15 亿人，尤其是在热带和亚热带地区，贫困、住房不足和卫生条件差加剧了其影响。这些感染造成了严重的健康和经济负担，目前驱虫药物的有限效果凸显了对替代治疗方法的需求。龙眼传统上用于各种形式的药物，富含生物活性化合物，如黄酮类化合物、单宁和皂苷，已知它们具有抗寄生虫特性。本研究评估了龙眼乙醇叶提取物对猪肉带绦虫的驱虫潜力，旨在探索其作为治疗蠕虫感染的天然药物的用途。提取物的测试浓度为 25、50、100 和 200 mg/mL。与哌嗪柠檬酸盐 (10 mg/mL) 一起用于从刚屠宰的猪身上获得的成年绦虫。通过记录蠕虫瘫痪和死亡的时间来测量驱虫活性。提取物表现出显着的浓度依赖性作用，较高浓度（100 和 200 mg/mL）显示出与哌嗪柠檬酸盐相当的功效，对绦虫表现出强烈的麻痹作用但较弱的致死作用。研究结果表明，龙眼乙醇叶提取物具有强效驱虫特性，使其成为治疗蠕虫感染的有前途的天然替代品。 关键词：驱虫活性；龙眼；猪肉绦虫；绦虫；哌嗪柠檬酸盐 ______________________________________________________________________________ 介绍
贝叶斯强化学习可靠性分析
提出了一种结合贝叶斯推断的贝叶斯强化学习可靠性方法，以实现故障概率估计和增强学习指导的顺序实验设计。以可靠性为导向的顺序实验设计被构架为有限的马尔可夫决策过程（MDP），其相关的效用函数由对克里格估计的失败概率的认知不确定性度量定义，称为综合的错误分类概率（IPM）。在此Ba-sis上，定义了一个步骤的贝叶斯最佳学习函数，称为错误分类减少的综合概率（IPMR）以及兼容的收敛标准。采取了三种有效的策略来加速IPMR信息的顺序实验设计：（i）IPMR中内部期望的分析推导，将其简化为单个期望。（ii）替换IPMR替换其上限IPMR U，以避免对其集成的元素计算。（iii）IPMR U中正交集合和候选池的合理修剪以减轻计算机内存约束。在两个基准示例和两个数值示例中证明了所提出的APACH的功效。结果表明，与其他现有学习功能相比，IPMR U促进IPM的快速减少，同时所需的计算时间比IPMR本身要少得多。因此，提出的可靠性方法在计算效率和准确性方面都具有很大的优势，尤其是在复杂的动态可靠性问题中。
评估Musa sapientum（香蕉）叶提取物（...
I.引言该香蕉厂据报道起源于东南亚，现在在包括非洲在内的世界其他地区占主导地位（Heuze and Tran，2016年）。它的叶子很大，柔软，具有独特的形状，这使其非常适合各种应用。这些多功能且可用的叶子已在世界上许多文化中用于多个世纪以来。在许多国家，例如印度，泰国，马来西亚和菲律宾，传统上用来烹饪，提供食物和包装各种物品。香蕉叶提取物源自在Musaceae家族中发现的草本香蕉植物的叶子，分为Musa sapientum。他们特别属于Musa，Musella和Ensete属（Probojati et al。，2021）。人类消耗的流行物种是Musa Acuminata和M. Balbisiana，它们产生了各种各样的香蕉，颜色，品味和营养含量不同（Venkataramana等人（Venkataramana等）。香蕉含有丰富的生物活性化合物组成，包括多酚，类黄酮，单宁和其他植物化学物质。这些化合物以其潜在的健康益处而闻名，并以其抗氧化，抗炎，抗菌和抗癌特性进行了研究（Afzal等，2022）。它还富含钾，镁，维生素A，B和C（Oyeyeyinka和Afolayan，2019年）。香蕉叶提取物的显着应用之一是在传统医学中。Musa spp的叶子，茎和花提取物。对健康细胞没有明显的细胞毒性，表明在阿育吠陀（Ayurveda），印度传统医学实践中，据信香蕉叶具有针对糖尿病，高血压，伤口感染，皮肤疾病，消化系统疾病和呼吸道疾病的生物学活动（Kumar等，2012; Jyothirmayi和Rao，2015）。穆萨属的不同植物部分，例如茎汁，花朵和水果，已在各种培养物中用于传统医学中，以治疗腹泻，溃疡和蛇位（Rao等，2014; Kamira等，2015; Panda等，2020）。
量子和经典贝叶斯代理
我们描述了一种基于量子理论的量子贝叶斯 (QBist) 方法对采用量子或经典力学的理性决策代理进行建模的通用方法。通过一个代理的属性可能影响另一个代理的方案这一附加要素，我们得到了一个灵活的框架来处理多个相互作用的量子和经典贝叶斯代理。我们在几种环境中进行了模拟以说明我们的构造：从外源接收信号的量子和经典代理、两个相互作用的经典代理、两个相互作用的量子代理以及经典和量子代理之间的相互作用。对多个相互作用的量子理论用户的一致处理可能使我们能够正确解释现有的多代理协议，并可能为量子算法设计等其他领域提供新方法。
智能机器时代的贝叶斯
18 世纪，托马斯·贝叶斯 (Thomas Bayes) 提出了一个激进的想法：用概率来表示我们认为假设正确的程度 (Bayes, 1763/1958)。他在一场赌博游戏中这样做：在经历了一定数量的输赢之后，你赢的概率有多大？使用概率论根据数据更新我们的信念程度的想法是我们现在所说的贝叶斯规则的基础（见图 1）。贝叶斯可能认为他的工作具有较低的概率，而这一模型在 200 多年后成为贝叶斯认知模型的基础，该模型从理性信念更新的角度解释人类行为（例如，Griffiths 等人，2010 年）。贝叶斯认知模型解释了归纳推理——从有限的数据得出不确定结论的过程，例如根据在对话中听到的新词推断其含义。在贝叶斯模型中，这种推断是将数据（例如，你听到新词的上下文）与我们对世界的现有期望（例如，对一个词可能具有何种含义的期望）相结合的结果。这些期望以假设的“先验分布”来表达，更合理的假设具有更高的先验概率。这捕捉到了学习者的“归纳偏差”——那些影响学习者选择的假设的数据以外的因素（Mitchell，1997）。先验分布可以定义为
随机对照试验的贝叶斯网络分析
2018 年，美国估计有 42,220 例肝细胞癌和肝内胆管癌新发病例和 30,200 例死亡病例 [1]。这些死亡病例大多数是由于肝细胞癌 (HCC)，这是最常见的原发性肝癌 [2]。在全球范围内，肝癌是癌症死亡的第四大原因 [3]。HCC 最常与慢性乙型肝炎病毒或丙型肝炎病毒感染有关，尤其是并发肝硬化，这限制了手术切除的可行性 [4]。对于适合手术的患者，肝移植和手术切除仍然是早期 HCC 最有效的治疗方法。不幸的是，绝大多数患者在被诊断为 HCC 时已处于晚期，肿瘤无法切除。以往，晚期HCC预后不佳，治疗仅限于经动脉化疗栓塞、射频消融、放射治疗和全身药物治疗[5]。欧洲SHARP试验首次证明，多靶点小分子酪氨酸激酶抑制剂（TKI）索拉非尼可延长不可切除的HCC患者的中位生存期，优于安慰剂[6]。随后，更多靶向药物相继问世，并在II期或III期临床试验中证明其有效且安全[7]。尽管已有研究将这些药物的有效性和安全性与索拉非尼或安慰剂进行了比较，但尚未进行过头对头比较[8]。为了进一步评估靶向药物治疗HCC患者的疗效和安全性证据，我们进行了贝叶斯网络荟萃分析（NMA）以比较不同HCC靶向药物的生存期、客观缓解率（ORR）和不良事件（AE）。
自由电子激光器的贝叶斯优化
直线加速器相干光源 X 射线自由电子激光器是一种复杂的科学仪器，每天会多次更改配置，因此需要快速调整策略来减少连续实验的设置时间。为此，我们采用贝叶斯方法通过控制四极磁铁组来最大化 X 射线激光脉冲能量。高斯过程模型为机器响应提供了相对于控制参数的概率预测，从而在寻找全局最优时实现了探索和利用的平衡。我们表明，可以从存档的扫描中学习模型参数，并且可以从光束传输中提取设备之间的相关性。结果是一个样本高效的优化程序，结合了历史数据和加速器物理知识，大大优于现有的优化器。