XiaoMi-AI文件搜索系统
World File Search System网络模型
科学家建立大脑启发网络模型以连接人工智能和神经科学
他们的实验验证了内部复杂性模型在处理复杂任务的有效性和可靠性，为将神经科学的动态特性融入人工智能提供了新的方法和理论支持，也为优化和提升人工智能模型的实用性能提供了可行的解决方案。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
CWGAN-GP带有含锂离子电池热图像数据扩展的剩余网络模型
锂电池在储能中找到了广泛的应用。温度是评估锂离子电池状态的关键指标，许多实验需要用于研究目的的锂离子电池的热图像。然而，由于诸如高实验成本和相关风险之类的因素，获取锂离子电池故障的热成像样品是具有挑战性的。为了解决这个问题，我们的研究提议利用有条件的Wasserstein生成对抗网络，该网络具有梯度惩罚和残留网络（带剩余网络的CWGAN-GP），以增强描述锂离子电池故障的热图像的数据集。我们采用各种评估指标来定量分析和比较锂离子电池的热图像。随后，扩展的数据集，包括四种描述锂离子电池故障的热图像的类型的热图像，是输入基于面具区域的卷积神经网络进行训练的。结果表明，就锂离子电池的生成的热图像质量而言，提出的模型超过了传统的生成对抗网络和Wasserstein生成对抗网络。此外，数据集的增强导致基于掩模区域的卷积神经网络的故障诊断准确性提高。
深度卷积神经网络模型，用于消除不良代码异味
代码异味是指源代码中任何违反设计原则或实现的症状或异常。及早发现不良代码异味可以提高软件质量。如今，几种人工神经网络 (ANN) 模型已用于软件工程的不同主题：软件缺陷预测、软件漏洞检测和代码克隆检测。使用 ANN 模型时，无需了解数据来源，但需要大量训练集。数据不平衡是人工智能技术在检测代码异味方面面临的主要挑战。为了克服这些挑战，本研究的目标是基于一组 Java 项目，提出具有合成少数过采样技术 (SMOTE) 的深度卷积神经网络 (D-CNN) 模型来检测不良代码异味。我们考虑了四个代码异味数据集，即 God 类、数据类、特征嫉妒和长方法，并根据不同的性能指标对结果进行了比较。实验结果表明，所提出的具有过采样技术的模型可以为代码异味检测提供更好的性能，并且当使用更多数据集训练模型时，预测结果可以进一步改善。此外，更多的时期和隐藏层有助于提高模型的准确性。
使用数据约束的循环神经网络模型推断全脑交互
行为源自多个在解剖学和功能上不同的大脑区域的协调活动 1,2 。现代实验工具 3–5 使我们能够前所未有地接触大量神经群，甚至是横跨全脑许多相互作用区域的神经群 2 。然而，要理解如此大规模的数据集，不仅需要稳健、可扩展的计算模型来提取区域间通信的有意义特征，还需要原则性理论来解释这些特征。在这里，我们介绍了基于电流的分解 (CURBD)，这是一种使用数据约束的循环神经网络模型 6 推断全脑相互作用的方法，该模型一旦经过训练，就会自主产生与实验获得的神经数据一致的动态。CURBD 利用从这些模型推断出的功能相互作用来同时揭示多个大脑区域之间的定向电流。我们首先表明，CURBD 可以在具有已知连接和动态的模拟真实网络中准确地隔离区域间电流。然后，我们将 CURBD 应用于从广泛的神经数据集（斑马鱼幼虫 7 、小鼠 8 、猕猴 9 和人类 10 ）获得的多区域神经记录，以证明 CURBD 在解开全脑相互作用和行为背后的区域间通信原理方面的广泛适用性。
视觉皮层的高性能神经网络模型受益于高潜在维度
未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本的版权持有人（该版本发布于2023年6月1日。; https：//doi.org/10.1101/2022.04.27.489466 doi：biorxiv Preprint
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
基于脑电图的卷积神经网络模型的多元基础卷积神经网络模型
摘要：随着深度学习的发展，自动高级特征提取已成为可能性，并且已被用来优化效率。最近，已经提出了基于卷积神经网络（CNN）的分类方法（CNN）的脑电图（EEG）运动成像，并达到了相当高的分类精度。但是，这些方法使用CNN单卷积量表，而最佳卷积量表因受试者而异。这限制了分类的精度。本文提出了通过从RAW EEG数据中提取空间和时间特征来解决此问题的多发性CNN模型，其中分支对应于不同的滤波器内核大小。在两个公共数据集（BCI竞争IV 2A数据集和高伽马数据集（HGD））上的实验结果证明了拟议方法的有前途的性能。该技术的结果显示，来自固定的单元EEGNET模型的多支气EEGNET（MBEEGNET）的分类准确性提高了9.61％，可变EEGNET模型的分类精度提高了2.95％。此外，多基金会的浅convnet（MbshlowerConvnet）提高了单个尺度网络的准确性6.84％。所提出的模型优于其他最先进的EEG运动图像分类方法。
模拟人工诱导皮质可塑性的积分激发神经网络模型
我们描述了一个整合并激发 (IF) 脉冲神经网络，该网络结合了脉冲时间依赖可塑性 (STDP)，并模拟了产生皮质可塑性的四种不同条件反射协议的实验结果。最初的条件反射实验是在自由移动的非人类灵长类动物 (NHP) 身上进行的，它们具有自主的头部固定双向脑机接口 (BCI)。三种协议涉及由 (1) 单个皮质神经元的脉冲活动、(2) 前臂肌肉的肌电图 (EMG) 活动和 (3) 自发皮质 β 活动周期触发的闭环刺激。第四种协议涉及在相邻皮质部位开环传递刺激对。复制实验结果的 IF 网络由 360 个单元组成，这些单元具有由突触输入产生的模拟膜电位，并在达到阈值时触发脉冲。240 个皮质单元在其目标单元中产生兴奋性或抑制性突触后电位 (PSP)。除了实验观察到的条件作用外，该模型还允许计算最初未记录的底层网络行为。此外，该模型还预测了尚未研究的协议的结果，包括尖峰触发抑制、g 触发刺激和双突触条件作用。模拟的成功表明，结合 STDP 的简单电压 IF 模型可以捕捉通过闭环刺激介导目标可塑性的基本机制。
文章基于药物作用和多层网络模型探索药物治疗模式
摘要：一些药物可用于治疗多种疾病，这表明药物治疗中存在潜在的模式。确定药物治疗模式可以提高我们对药物作用机制的理解，从而实现药物的再利用。一种药物可以与多层组织特异性蛋白质-蛋白质相互作用 (TSPPI) 网络相关联，以治疗其所治疗的疾病。蛋白质通常与其他蛋白质相互作用以实现导致疾病的功能。因此，研究药物治疗模式类似于研究多层 TSPPI 网络中的常见模块结构。因此，我们提出了一种基于网络的模型来研究药物的治疗模式。该方法被指定为 SDTP（研究药物治疗模式），基于药物效应和多层网络模型。为了展示 SDTP 方法的应用，我们重点分析了白血病、乳腺癌和前列腺癌中的曲古霉素 A (TSA)。我们构建了一个 TSPPI 多层网络，并从网络中获得候选药物靶标模块。基因本体分析揭示了药物-靶标模块和共表达网络的意义，最终获得了两个模块作为TSA的潜在治疗模式。通过分析所选药物-靶标模块的意义、组成和功能，验证了我们提出的SDTP方法识别药物治疗模式的可行性和合理性。总之，我们的新方法使用多层网络模型来克服单层网络的不足，并将网络与药物活性信息相结合。基于发现的药物治疗模式，我们可以预测该药物可以治疗的潜在疾病。也就是说，如果与疾病相关的蛋白质模块具有相似的结构，那么该药物很可能是治疗该疾病的潜在药物。