XiaoMi-AI文件搜索系统
World File Search System训练的
内毒素耐受性和受过训练的免疫力
数十年来，先天免疫细胞被认为是第一反应者，缺乏其T和B细胞对应物的适应性记忆。但是，越来越多的证据表明了先天免疫的令人惊讶的复杂性。除了快速部署专门的细胞并引发炎症，两种迷人的现象 - 内毒素耐受性（ET）和受过训练的免疫力（TI） - 已经出现。et，其特征是反复暴露后的炎症反应减少，可防止过度炎症。相反，TI在初始启动后导致增强的响应，从而使先天系统能够在随后的挑战中实施更强大的防御能力。尽管看似与众不同，但这些现象可能具有潜在的机制和功能含义，从而模糊了它们之间的界限。本审查将深入ET和TI，剖析其相似性，差异以及其余的问题，这些问题需要进一步调查。
使用 RNA 的 DNA 修复途径解码 ECoG 中的隐性语音的可行性经过公开语音训练的 Transformer
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如脑电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。16 名颅内植入电极的癫痫患者参与了这项研究，在八个日语句子的显性语音和隐性语音期间记录了 ECoG，每个句子由三个标记组成。具体来说，Transformer 神经网络模型被用于从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务进行解码隐性语音训练时的性能。在隐蔽语音上训练的 Transformer 模型在解码隐蔽语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0 .05; d = 0 .07 )。因此，可以使用显性语音来解决收集隐蔽语音训练数据的挑战。通过使用几种显性语音可以提高隐蔽语音的性能。
对重度抑郁症的女性短SPRINT间隔训练的有效性：概念证明研究
抑郁症是全世界残疾的主要原因是在竞争大流行后的最大患病率值，女性通常比男性出现3倍（1）。目前，药理学干预措施和心理治疗是抑郁症患者的第一线治疗方法（2）。然而，除了其有限的有效性（3）外，其他众所周知的障碍物是theSiminanttherapiesincinalical-practicearetheirencialcialcialcosts，低依从性（4）和副作用（5）。同时，新兴的证据正在支持体育锻炼的有效性，这是一种低成本的治疗，并以患者的效果为feletide-feletexide-effectswhichimprovethemprovethequalityfitalyforeyof firfore of患者（6，7）。但是，这些患者对体育锻炼的遵守也可能很低（8）。因此，必须发现促进这些患者遵守的体育锻炼是必须的。最近对荟萃分析和荟萃回归的综述（6）表明，在分析41 rcts池后，体育锻炼的影响不如第一线治疗对抑郁症状的第一线治疗。然而，尽管当前的证据支持有氧或抵抗训练的有效性（6），但关于抑郁症患者最有效的训练方案的证据有限。在最近的另一项重新看见（9）中，它表明，高强度的间歇性训练（HIIT）Isan吸引人症状症状症状性疗法对抑郁症状的迅速影响，但随着训练剂量的减少，因此作为这些患者的有效的体育锻炼治疗而出现。在不同的HIIT方案中，短SPRINT间隔训练（SSIT）可供应的可替代性促进局度和抑郁症的治疗方案，因为已证明它会诱导相同的有氧和厌氧适应能力（10）（10），但较低的肌肉疲劳（11），因此效力更高，因此（12）（12）（12）（12）（12）（12）（12）（12）（12）（12）（12）（12）最小）。此外，在两周内仅6次会议后，这些方案的有氧和厌氧适应性就可以明显（13）。这些负载特征将有利于这些通常久坐的患者的依从性（14）。然而，据我们所知，虽然一些研究已经确定了其他SIT方案的有效性，并在抑郁症患者中持续时间更长（30 s）（15，16），但没有研究验证了SSIT方案在该人群中的影响。因此，当前研究的目的是验证一组被诊断出患有重度抑郁症（MDD）的成年女性中SSIT方案对抑郁症状，身体舒适成分和偶然体育锻炼（PA）的影响。基于当前健康成年人的证据，我们的假设是体育锻炼组将在短暂的体育锻炼干预后提出较低的抑郁症状和改善的身体舒适成分。
设计生成预训练的变压器中的增量知识富集
本文提出了一种针对GPT-Neo量身定制的逐步知识丰富的新方法，解决了在不进行全面培训的情况下使用最新信息进行更新的大型语言模型（LLMS）的挑战。我们引入了一种动态链接机制，该机制可以实时整合不同的数据源，从而增强了模型的准确性，及时性和相关性。通过严格的评估，我们的方法证明了几个指标的模型性能的显着改善。该研究为AI中最紧迫的问题之一贡献了可扩展且有效的解决方案，这可能会彻底改变LLM的维护和适用性。发现强调了创建更自适应，响应和可持续的生成模型的可行性，为该领域的未来进步开辟了新的途径。
无需训练的量子架构搜索
变分量子算法（VQA）因其错误恢复能力强和对量子资源需求高度灵活而具有优势，广泛应用于嘈杂的中尺度量子时代。由于 VQA 的性能高度依赖于参数化量子电路的结构，因此值得提出量子架构搜索（QAS）算法来自动搜索高性能电路。然而，现有的 QAS 方法非常耗时，需要电路训练来评估电路性能。本研究首创了免训练 QAS，利用两个免训练代理对量子电路进行排序，代替传统 QAS 中昂贵的电路训练。考虑到基于路径和基于表达力的代理的精度和计算开销，我们设计了一个两阶段渐进式免训练 QAS（TF-QAS）。首先，使用有向无环图 (DAG) 表示电路，并设计基于 DAG 中路径数量的零成本代理来过滤掉大量没有前途的电路。随后，使用基于表达能力的代理来精细地反映电路性能，从剩余的候选电路中识别出高性能电路。这些代理无需电路训练即可评估电路性能，与当前基于训练的 QAS 方法相比，计算成本显著降低。在三个 VQE 任务上的模拟表明，与最先进的 QAS 相比，TF-QAS 实现了采样效率的大幅提高，提高了 5 到 57 倍，同时速度也提高了 6 到 17 倍。
bev-mae：在自动驾驶场景中进行点云预训练的鸟类视图蒙面的自动编码器
现有的基于LIDAR的3D对象检测方法主要采用从划线范式进行训练。不幸的是，这种范式在很大程度上重新确定了大规模标记的数据，其收集可以充分陈述且耗时。自我监管的预训练是一种减轻这种依赖对广泛注释数据的有效且理想的方法。在这项工作中，我们提出了一种有效的掩盖自动编码器预训练框架 - 基于LIDAR的3D对象检测的自动驾驶前训练框架。具体来说，我们提出了鸟类视图（BEV）指导性掩盖策略，以指导3D编码器学习功能表示BEV的角度，并避免在预训练期间使用综合解码器设计。此外，我们还可以学习一个可学习的点令牌，以维持3D编码器的一致的回收字段大小，并进行微调的遮罩云输入。基于自主驾驶场景中室外点云的属性，即，遥远对象的点云更为稀疏，我们提出了点的预测，使3D编码器能够学习位置信息，这对于对象检测至关重要。实验结果表明，BEV-MAE超过了先前的自我监管方法，并实现了有利的预训练效率。此外，基于输血-L，BEV-MAE在基于Nuscenes的基准上获得了73.6 NDS和69.6 MAP的新最先进的3D对象检测结果。源代码将在https://github.com/vdigpku/bev-mae上发布。
自然解码与受过训练的提示
通过矩阵电极刺激抽象电动刺激是一项有前途的技术，可以在扩展现实应用中恢复高分辨率触觉反馈。应该模拟的基本触觉效果之一是指手指和虚拟物体之间接触大小的变化。本研究调查了参与者在使用激活1到6个电极垫产生的静态或动态（移动）刺激刺激食道时如何感知刺激区域的增加。评估解释自然线索（自然解码）刺激的能力，而没有任何事先训练，参与者被指示绘制刺激区域的大小，并在比较两个连续的刺激时确定尺寸差异。为了调查其他“非自然”提示是否可以改善尺寸估计，要求参与者在训练方案后列举活动垫的数量。结果表明，参与者可以在没有事先训练的情况下感知大小的变化（例如，估计的面积与刺激面积相关，p <0.001；≥两-pad差异，成功率> 80％）。然而，自然解码也是挑战，因为响应区域在增加活动垫的数量时逐渐变化，有时会逐渐变化（例如，统计上显着差异所需的四个额外的垫子）。尽管如此，通过培训参与者利用其他线索，自然感知的局限性就可以得到补偿。训练后，无论刺激大小如何，激活和估计的垫子数量的不匹配小于一个垫子。最后，引入刺激的运动大大改善了歧视（例如，识别≥1-PAD差异的100％成功率）。因此，本研究提供了有关刺激大小感知的见解，以及如何调节垫激活以改变静态和动态场景中感知的大小的实用准则。
评估调节基因组学预训练的DNA语言模型的代表性
基因组语言模型（GLM）的出现提供了一种无监督的方法，可以在非编码基因组中学习各种顺式调节模式，而无需湿LAB实验产生的功能活动标签。先前的评估表明，可以利用预训练的GLM，以提高广泛的调节基因组学任务的预测性能，尽管使用了相对简单的基准数据集和基线模型。由于这些研究中的GLM在对每个下游任务的重量进行微调时进行了测试，从而确定GLM表示是否体现了对顺式调节生物学的基本理解仍然是一个悬而未决的问题。在这里，我们评估了预训练的GLM的代表性，以预测和解释跨越DNA和RNA调控的细胞类型特异性功能基因组学数据。我们的发现表明，当前的GLM与使用单热编码序列的常规机器学习方法没有实质性优势。这项工作强调了当前GLM的主要局限性，从而在非编码基因组的常规预训练策略中提出了潜在的问题。
强度训练的成年人表现出更大的皮质激活与未训练的对照
力量训练会增加肌肉力量，这是由肌肉产生的最大力量（Hong等，2014； Moore等，2004）。Improving muscular strength serves to reduce the likelihood of injury occurrence (Brooks et al., 2006 ), lowers the probability of encountering mus- culoskeletal conditions such as osteoarthritis (Zhang & Jordan, 2010 ), enhances metabolic well-being (Ihalainen et al., 2019 ), augments the mobility of older adults (Brandon et al., 2003 ) and improves运动能力（Comfort等，2012）。因此，建议对包括运动员和年轻人和老年人在内的所有人群进行力量训练（2009； Liu＆Latham，2009）。神经适应能力增加了力量训练后肌肉的最大自愿产生能力的增加（Carroll等，2002； Jensen等，2005； Nuzzo等，2017； Siddique等，2020）。强度训练被认为会增加对受过训练的肌肉的神经驱动（Aagaard等，2002;Tøien等，2018），驱动器或运动命令的增加可能是从主运动皮层（M1）到Spinnaus Motoneu-rons中强度训练诱导的中枢神经系统（CNS）内部差异的变化的结果。可能的变化包括增加皮质的兴奋性和短间隔皮质抑制作用（SICI）（Siddique等，2020）。然而，最近的研究报道了SICI（Ansdell et al。，2020）或皮质脊髓兴奋性（Ansdell等，2020; Colomer-Poveda等，2021）的缺乏。最近的一项研究报告说，第一个有助于控制上肢肌肉中收缩力的控制（Glover＆Baker，2022）。这意味着其他神经结构或下降的概率或存在，可能是网状脊髓道（RST），基于训练引起的实力增长的基础（Aagaard等，2020; Atkinson等，2022; Hortob Agyi等，2021; Atkinson等人，2021年）。RST是锥形跨膜的主要植物，起源于庞然大物的网状形成，其双侧与近端和远端肌肉的α-大型神经元形成直接和间接的突触连接（Brownstone＆Chopek，2018; Drew等，2004; nathan; Nathan et al。其他工作支持这样的想法，即在非人类灵长类动物的力量训练之后，RST可能是提高强度的潜在机制（Atkinson等，2022； Glover＆Baker，2020）。脑干内网状形成的深层解剖学位置使它