XiaoMi-AI文件搜索系统
World File Search System聚类
心脏转录组轮廓的聚类揭示了独特的
心脏转录组轮廓的聚类揭示了独特的：扩张的心肌病患者的亚组。verdonschot，J.A.J。;王，ping； Derks，K.W.J。; Adriaens，M.E。; Stroeks，S.L.V.M.;亨肯斯（M.T.H.M.）; RAAFS，A.G。；锡金Koning，B。de； Wijngaard，A。VanDen； Krapels，I.P.C。;纳本（M。） Brunner，H.G。; Heymans，S.R.B。2023，给编辑的文章 /信（JACC-BASIC to Translatitation Science，8，4，（2023），pp。< / div>406-418）
基于自促进聚类的对比学习用于脑网络预训练
磁共振成像（MRI）等神经成像技术的快速发展促进了我们获取大脑结构和功能特征。脑网络分析是从 MRI 探索大脑机制的重要工具之一，它为大脑组织提供有价值的见解，并促进对大脑认知和神经退行性疾病病理的理解。图神经网络（GNN）通常用于脑网络分析，但它们受到医疗数据稀缺的限制。虽然已经开发了图对比学习方法来解决这个问题，但它们通常涉及扭曲大脑解剖结构的图增强。为了应对这些挑战，本文提出了一种无增强的对比学习方法，即基于自促进聚类的对比学习（SPCCL）。具体而言，通过引入基于聚类的对比学习损失和自促进对比对创建方案，所提出的 SPCCL 可以从比疾病患者数据相对容易获取的其他健康受试者数据中进行预训练。所提出的 SPCCL 利用这些额外的数据来保持原始大脑结构的完整性，使其成为一种有效的大脑网络分析的有前途的方法。在开放获取的精神分裂症数据集上进行了全面的实验，证明了所提出方法的有效性。
分层聚类与可解释的患者分层的原理成分集合
摘要。患者分层通过基于其分子和/或临床特征鉴定出不同的亚组，在个性化医学中起着至关重要的作用。但是，许多基于机器学习的分层技术无法识别与每个患者组相关的本质生物标志物特征。在本文中，我们提出了一种使用分层集合聚类来解释的患者分层的新方法。我们的方法利用具有与主成分分析（PCA）结合的采样，以捕获最重要的模式和贡献生物标志物。我们使用机器学习基准数据集和来自癌症基因组地图集（TCGA）的现实世界数据的方法的有效性，展示了检测到的患者簇的可解释性。
ALMA：聚类混合多层网络的交替最小化算法
本文考虑了一种混合多层随机块模型 (MMLSBM)，其中各层可以划分为相似网络组，每组中的网络都配备不同的随机块模型。目标是将多层网络划分为相似层的集群，并识别这些层中的社区。Jing 等人 (2020) 介绍了 MMLSBM，并开发了一种基于正则化张量分解的聚类方法 TWIST。本文提出了一种不同的技术，即交替最小化算法 (ALMA)，旨在同时恢复层分区，以及估计不同层的连接概率矩阵。与 TWIST 相比，ALMA 在理论和数值上都实现了更高的精度。
使用量子 k 均值对经典数据进行聚类
摘要 近年来，我们目睹了全球越来越多的设备创建、捕获、复制和使用的数据不可阻挡地增长。对如此大量信息的处理需求促使人们研究更高的计算能力系统和专门的算法。其中，量子计算是一种基于量子理论的有前途的快速计算范式。在某些任务的计算复杂度方面，量子算法有望超越经典算法，机器学习就是其中之一，因此量子机器学习的子领域是最有前途的领域之一。在这项工作中，我们设计了一种用于 k-Means 的混合量子算法。我们算法的主要思想是以量子方式计算输入数据集中记录对之间的距离。我们表明，我们的量子算法原则上可以比经典的 k-Means 更高效，同时获得相当的聚类结果。
绝热量子计算机上的平衡 k 均值聚类
摘要 绝热量子计算机是一个有前途的平台，可以有效解决具有挑战性的优化问题。因此，许多人对使用这些计算机来训练计算成本高昂的机器学习模型感兴趣。我们提出了一种量子方法来解决 D-Wave 2000Q 绝热量子计算机上的平衡 k 均值聚类训练问题。为了做到这一点，我们将训练问题表述为二次无约束二元优化 (QUBO) 问题。与现有的经典算法不同，我们的 QUBO 公式针对平衡 k 均值模型的全局解。我们在许多小问题上测试了我们的方法，并观察到尽管 QUBO 公式具有理论上的优势，但现代量子计算机获得的聚类解决方案通常不如最佳经典聚类算法获得的解决方案。尽管如此，量子计算机提供的解决方案确实表现出一些有希望的特性。我们还进行了可扩展性研究，以估计使用未来量子硬件在大型问题上我们的方法的运行时间。作为概念的最终证明，我们使用量子方法对 Iris 基准数据集的随机子集进行聚类。
通过图形卷积网络通过深层潜在位置模型聚类
随着个体通过数字平均值的显着相互作用的显着增加，图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中，我们提出了深层的位置模型（DEEPLPM），这是一种端到端的生成聚类方法，将广泛使用的潜在位置模型（LPM）与图形卷积网络（GCN）编码策略相结合。此外，还引入了一种原始估计算法，以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力，以选择簇数量的较低限制，这表明其聚类能力与最先进的方法相比。最后，DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora，以说明探索大型且复杂的现实世界网络的实际兴趣。
手足运动和想象运动任务的脑电信号聚类
厄瓜多尔瓜亚基尔高等政治学院，ESPOL 电气和计算机工程系，Gustavo Galindo 校区，Perimetral 路 30.5 号，邮政信箱 09-01-5863，瓜亚基尔，厄瓜多尔 {vasanza 1、epelaez 2、floayza 3}@espol.edu.ec 摘要 —。现代技术使用脑机接口 (BCI) 来控制身体有障碍人士的设备或假肢。在某些情况下，EEG 数据用于确定受试者在执行运动和想象运动任务时的意向性。然而，由于获取的电压水平较低，EEG 信号很容易受到噪声的影响。我们使用了 25 名健康受试者在进行手脚运动和想象运动时 64 个 EEG 记录的数据集。数据经过预处理，包括设计滤波器以降低操作 EEG 信号的预期频谱之外的噪声。然后，我们使用基于谱密度的特征提取。最后，应用五种聚类算法来检测运动和想象运动任务。结果表明，k-means、k-medoids 和层次聚类算法可以更好地检测运动活动，而层次聚类则更适合手部的想象任务。
使用聚类自动编码器技术识别气候模式
摘要：在不同投影场景下，气候模拟的时空分辨率的复杂性产生了多种气候模式。本文通过一种无监督的深度学习技术提出了一种新的数据驱动的气候分类工作，该技术可以在尺寸上降低大量时空数值气候投影数据中的大量紧凑表示。我们旨在确定捕获多个气候变量的不同区域以及在不同气候变化方案下的未来变化。我们的方法利用卷积自动编码器与K-均值聚类（标准自动编码器）和在线聚类相结合，基于sindhorn - Knopp算法（群集自动编码器），整个Conterminous美国（CONUS）（CONUS）（CONUS）捕获来自数据驱动的气候型号的独特气候式的goldement offeration Androm intery Demplyicals todlement todlement todlemant througation dynerical offer -Gromys toym intery dynerical demancortial dynerical ofderational dynerical officolt offer。 （GFDL-ESM2G）。开发的方法在多个变暖方案下以0.125 8的0.125 8将70年的GFDL-ESM2G仿真压缩为较低维空间的空间分辨率为660000倍，然后在150年的GFDL-ESM2G仿真数据中测试了150年。结果表明，五个气候群体捕获了与人类专家定义的已知气候类别相匹配的物理合理和空间稳定的气候效果。结果还表明，与使用标准自动编码器相比，使用群集自动编码器可以将聚类的计算时间限制为9.2倍。我们五个独特的气候模式是由深度学习引起的 - 基于较低维空间的聚类，从而使我们能够在整个综合美国立即提供有关水力气学及其空间异质性的见解，而无需下载大量的大气候数据集。
使用对比学习对质谱图像数据进行自监督聚类
对实验伪影和噪声敏感，从而降低了它们对具有相似定位但不同对比度的空间模式的泛化能力。最近，使用卷积神经网络 (CNN) 的迁移学习和半监督深度学习方法已经开发出来，分别用于聚类离子图像和量化分子共定位。26,27 这些报告表明，MSI 数据的有限大小对传统的 CNN 训练框架提出了挑战，因为传统的 CNN 训练框架通常依赖于大量带注释的图像。因此，这些方法与传统的机器学习方法相比，在查找共定位分子图像方面提供了相对较小的改进。计算机视觉自监督对比学习方法的最新进展，包括 MoCo、28 SimCLR 29