XiaoMi-AI文件搜索系统
World File Search System网络模型
使用脑启发的尖峰神经网络模型
1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S. ）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.） 2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S.）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.）2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：
皮层脑电图和立体脑电图提供了大脑连通性的不同测量方法：对网络模型的影响
附属机构：1 宾夕法尼亚大学生物工程系，宾夕法尼亚州费城，19104 2 宾夕法尼亚大学神经工程与治疗学中心，宾夕法尼亚州费城，19104 3 宾夕法尼亚大学医院放射科，宾夕法尼亚州费城，19104 4 宾夕法尼亚大学生物统计学、流行病学与信息学系，宾夕法尼亚州费城，19104 5 宾夕法尼亚大学成像与可视化中心统计，宾夕法尼亚州费城，19104 6 宾夕法尼亚大学临床流行病学与生物统计学中心，宾夕法尼亚州费城，19104 7 宾夕法尼亚大学医院神经外科系，宾夕法尼亚州费城，19104 8 宾夕法尼亚大学医院宾夕法尼亚癫痫中心神经内科，宾夕法尼亚州费城，19104 美国 9 宾夕法尼亚大学电气与系统工程系，宾夕法尼亚州费城，19104 10 宾夕法尼亚大学物理与天文学系，宾夕法尼亚州费城，19104 11 宾夕法尼亚大学精神病学系，宾夕法尼亚州费城，19104 12 圣达菲研究所，新墨西哥州圣达菲，87501
使用数据约束的复发神经网络模型推断大脑互动
4加利福尼亚州帕萨迪纳市加州理工学院 *通信：kanaka.rrajan@mssm.edu抽象行为来自许多解剖学和功能上不同的大脑区域的协调活动。现代的实验工具允许空前访问跨越许多相互作用区域的大型神经种群。然而，了解这样的大规模数据集需要两个可扩展的计算模型来提取区域通信的有意义的特征和原则性理论来解释这些特征。在这里，我们引入了基于电流的分解（CurbD），这是一种使用数据约束的复发性神经网络模型来推断大脑相互作用的方法，该模型直接重现实验性的神经数据。Curbd利用了此类模型推断出的功能相互作用，以揭示多个大脑区域之间的定向电流。我们首先表明Curbd准确地隔离了具有已知动力学的模拟网络中的区域间电流。然后，我们将路缘应用于跑步过程中从小鼠获得的多区域神经记录，在帕夫洛维亚调节过程中的猕猴以及记忆回收期间的人类，以证明Curbd在各种神经数据集中脱离了Curbd对脑部互动的广泛适用性。在发育过程中引入，即使是小生物的神经系统也会组织成非常复杂的结构。大脑具有结构模块性（例如，脑区域，层状组织，细胞类型），具有系统发育跨模块的专业化。大脑区域具有惊人的专业化和独特的功能特征。但是，单个大脑区域也经常与整个大脑中的许多其他区域相互作用2。这些宏观电路通过直接投影，多节日回路和更广泛的间接效应（例如神经调节剂释放3）反复连接。因此，在理论上，大脑甚至在简单的行为中都处于活跃状态，从理论上讲，只有一个较小的区域4-6介导的大脑。得出对行为神经基础的理解需要考虑大脑活动的分布性质。，尽管现代实验技术提供了大规模的多区域数据集，但研究人员仍缺乏一种全面的，统一的方法来推断全脑部相互作用和信息流。在这里，我们引入了基于电流的分解（CURBD），这是一个计算框架，利用多区域神经记录的复发性神经网络（RNN）模型来推断
高对比度的“ Gaudy”图像改善了视觉皮层的深神经网络模型的训练
理解视觉系统的感觉转换的关键挑战是获得一个高度预测的模型，该模型将自然图像映射到神经反应。深神经网络（DNNS）为这种模型提供了有前途的候选人。但是，由于实验记录时间受到严重限制，DNN要求比神经科学家可以收集的训练数据多。这促使我们找到了用尽可能少的培训数据训练高度预测的DNN的图像。，我们提出了自然图像的高对比度，双核版本（Termed Gaudy图像），以有效地训练DNNS，以预测高阶的视觉皮质响应。在对真实神经数据的仿真实验和分析中，我们发现具有艳丽图像的训练DNN大大减少了准确预测对自然图像的响应所需的训练图像的数量。我们还发现，在训练之前选择的谨慎图像优于通过主动学习算法在训练期间选择的图像。因此，谨慎的图像过多地强调了自然图像的特征，这对于有效地训练DNN最重要。我们认为，艳丽的图像将有助于对视觉皮质神经元的建模，这有可能打开有关视觉处理的新科学问题。
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。
解释回归的神经网络模型
摘要 — 已经提出了几种方法来解释深度神经网络 (DNN)。然而，据我们所知，只有分类网络被研究过，试图确定哪些输入维度促使了分类决策。此外，由于这个问题没有基本事实，因此结果只能定性地评估对人类有意义的结果。在这项工作中，我们设计了一个可以获得基本事实的实验数据库：我们生成理想信号和有误差的干扰信号，并训练一个神经网络来确定所述信号的质量。这个质量只是一个基于干扰信号和相应理想信号之间距离的分数。然后，我们试图找出网络如何估计这个分数，并希望找到发生错误的时间步骤和信号维度。这种实验设置使我们能够比较几种网络解释方法，并基于几次训练提出一种名为精确梯度 (AGRA) 的新方法，该方法可以减少大多数最先进结果中存在的噪声。比较结果表明，在定位信号中出现错误的时间步骤方面，所提出的方法优于最先进的方法。
复制，步行并停止语法：一个有效的方面情感分类的神经网络模型
方面级别的情感分类（ALSC）旨在预测句子中发生的特定方面术语的情感极性。此任务需要通过汇总有关该方面术语的相关上下文特征来学习表示形式。现有的方法不能充分利用句子的句法结构，因此很难区分源头中多个方面的不同情感。我们感知到先前方法的局限性，并提出了一个关于在句法结构的帮助下发现至关重要的上下文中的假设。为此，我们提出了一个名为Repwalk的神经网络模型，该模型在语法图上执行复制的随机步行，以有效地关注信息性上下文单词。em-pirical研究表明，我们的模型在大多数基准数据集上的最新模型都优于ALSC任务。结果表明，我们合并语法结构的方法丰富了分类的表示。
应用卷积神经网络模型加速纳米级场效应晶体管非平衡格林函数模拟
摘要 我们研究了卷积神经网络 (CNN) 在加速双栅极 MOSFET 量子力学传输模拟（基于非平衡格林函数 (NEGF) 方法）中的应用。具体而言，给定电位分布作为输入数据，我们实现卷积自动编码器来训练和预测载流子密度和局部量子电容分布。结果表明，在 NEGF 自洽计算中使用单个训练好的 CNN 模型以及泊松方程可以为各种栅极长度产生准确的电位，并且所有这些都在比传统 NEGF 计算短得多的计算时间内完成。 关键词：纳米级 MOSFET、模拟、非平衡格林函数、卷积神经网络、卷积自动编码器 分类：电子器件、电路和模块
人类语言：Chap21-语言获取和处理的神经网络模型
到（各个方面）输入检查的统计结构，而无需映射到目标输出（例如，发现LAN Guage的语音结构中的规律性）。这些网络非常适合发现环境中存在的统计结构，而无需建模者知道结构是什么。无监督的培训方法的一个众所周知的例子是Hebb（1949）提出的学习规则：加强同时活动的单元之间的连接，如果只有一个单位活跃，则可以削弱两个单元之间的连接。尽管人工神经网络和生物神经网络之间存在表面的相似性（即，在神经元之间传递的互连性和刺激以确定它们的激活，并通过适应连接强度来学习），但这些认知模型通常并非声称在生物神经元的水平上模拟处理。相反，神经网络模型在Marr（1982）的算法级别上形成了描述，也就是说，它们指定了认知表示和操作，同时忽略了生物学实现。神经网络在1990年代经历了流行的激增，但是从21世纪初开始，它们被象征性的概率mod Els所掩盖。然而，神经网络享受了最近的复兴部分，部分原因是深度学习模型的成功，这些模型在各种人工智能任务上表现出最先进的表现（Lecun，Bengio，＆Hinton，2015年）。在大多数情况下，认知建模领域仍然赶上这些新颖的发展。我们在第5节中返回此问题。因此，目前最具影响力的连接主义认知模型是更传统的变化。