XiaoMi-AI文件搜索系统
World File Search System识别特征
sifinet：一种识别特征基因集和注释细胞
稳定性和外源分子特征的个体变异性。在这里，我们对46名成年人的血浆进行了化学22释放，每个等离子体在两年内在多构想健康中进行了六次采样。发现了新的化学物质，观察到了独特的共曝光模式，据报道，519个自信注释的物质的24个类相关系数（ICC）支持25个研究设计。化学释放体的纵向稳定性（平均ICC 0.30）明显低26个比蛋白质组，代谢组，脂质组或微生物组低26，并且必须比健康研究中其他分子特征频繁测量27。混合效应模型仍然显示出睾丸激素与全氟烷基物质之间的显着关联，以及低稳定性暴露的29个显着时间趋势。复杂的释放式数据30结构被可视化和探索，在Precision Health研究中证明了纵向展示学31的巨大潜力。32
一种利用深度特征聚类进行情绪识别特征选择的创新多模型神经网络方法
摘要：情绪意识感知是一个正在迅速发展的领域，它可以实现人与机器之间更自然的互动。脑电图 (EEG) 已成为一种测量和跟踪用户情绪状态的便捷方式。EEG 信号的非线性特性会产生高维特征向量，从而导致高计算成本。本文使用深度特征聚类 (DFC) 结合多个神经网络的特征来选择高质量属性，而不是传统的特征选择方法。DFC 方法通过省略不可用的属性来缩短网络的训练时间。首先，将经验模态分解 (EMD) 作为一系列频率应用来分解原始 EEG 信号。在使用解析小波变换 (AWT) 进行特征提取过程之前，将分解后的 EEG 信号的时空分量表示为二维频谱图。使用四个预训练的深度神经网络 (DNN) 来提取深度特征。利用基于差分熵的 EEG 通道选择和 DFC 技术实现降维和特征选择，该技术使用 k 均值聚类计算一系列词汇。然后从一系列视觉词汇项目中确定直方图特征。SEED、DEAP 和 MAHNOB 数据集的分类性能与 DFC 的功能相结合表明，所提出的方法在短处理时间内提高了情绪识别的性能，并且比最新的情绪识别方法更具竞争力。
幸存板：多摩斯癌症生存模型的标准化基准测试
单细胞测序技术，包括单细胞RNA测序（SCRNA-SEQ）和单细胞ATAC测序（SCATAC-SEQ），使研究人员能够量化细胞的OMIC PHE-NOTYPES。理想的单细胞数据分析有望帮助研究人员了解细胞上的异质性，提取感兴趣的细胞亚群，识别与细胞亚群相对应的特征基因集，并揭示细胞子源的关系。在这些分析任务中，识别特征基因集是一个关键步骤。特征基因集定义为在细胞亚群之间差异表达的基因集。它们通常用于注释细胞亚群并进行基因集富集分析。现有的特征基因鉴定方法经常采用两步方法（此后称为两步方法）：首先将细胞聚集（例如Seurat [1-4]，简单的Louvain [5]，通过插入性和维度降低（CIDR）（CIDR）[6]和Scanpy [7]和差异表达基因（例如9）（例如9）[8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [14,15]，limma-voom [16]和桅杆[17]）随后在细胞簇上进行以识别特异性特异性特征基因。但是，这种方法对具有复杂或微妙的异质性的数据具有可疑的精度，因为不准确的初始聚类步骤可能会导致随后的错误特征基因鉴定[18]。但是，这些方法不会将特征基因分离为亚群特异性基因集，从而限制了它们的注释细胞的效用。这些基因集用于计算细胞基因集富集评分，然后注释细胞。另外，某些方法通过检测高度可变基因（HVG）的偏差来识别特征基因，这些基因与人群相对于模型拟合的偏差[19]，辍学率[20]和UMI计数分布[21]（此后称为HVG方法）。为了克服现有方法的局限性，我们提出了Sifinet，这是一种直接识别特征基因集的独特方法，可消除对先前细胞聚类的需求。源于关键观察，即在细胞亚群中共差异表达的基因也表现出共表达模式（供应。注1），Sifinet构建了一个基因共表达网络，并检查其拓扑以识别特征基因集。此外，这些基因集中的网络意味着细胞亚群之间的关系（图1）。此外，Sifinet可以选择地整合SCATAC-SEQ数据，因为它形成了基因合作 - 染色质网络，并探讨了其拓扑以确定表观基因组特征基因集。Sifinet分析SCRNA-SEQ和SCATAC-SEQ数据的能力使研究人员深入了解了细胞多瘤异质性。我们证明，在识别特征基因集和增强细胞注释精度时，Sifinet优于现有的两步方法和HVG方法。此外，我们认为Sifinet可以鉴定细胞之间的复杂异质性，并揭示细胞亚群中潜在的发育谱系。Sifinet也可以缩放以分析数百万个单元的数据集。我们将Sifinet应用于五个已发表的实验数据集，并发现了一些潜在的新发现，例如潜在的新细胞周期标记和衰老标记，衰老细胞富集的亚群，髓样祖细胞的发育效果以及CD8细胞的发育效果以及CD8细胞的构造以及可能的过渡路径。
基于意图的正式轨迹描述语言
摘要 — 本文介绍了一种改进的意图相关形式语言层次结构，用于描述飞机轨迹。这些语言允许在不同级别上完整或部分地指定飞机轨迹，本文所述功能的扩展使其适用于定义更复杂的任务，例如无人驾驶汽车或军用飞机的任务。本文对每种语言的词汇、语法和图形表示细节进行了完整的描述，并通过一组具有不同粒度的飞行规范的清晰示例展示了它们的适用性。所描述的语言层次结构已被证明是一种适合描述具有不同详细程度和不同应用的飞机轨迹的框架。它的多功能性和灵活性通过一组识别特征操作示例的场景得到证明。索引词 — 空中交通管理；形式语言；飞机意图；飞行意图；轨迹计算
解剖种族差异对使用基于图像的深度学习模型对菲律宾视网膜眼底照片进行人工智能分析的影响，MD 1,2,3
人工智能 (AI) 是诊断和治疗视网膜疾病的一种可能改变范式的创新。深度学习 (DL) 是一种更新、更复杂的 AI 子类型，通常用于处理来自文本、音频和照片的信息。较旧的 AI 模型需要预先编程的指令来分析信息，而较新的 DL 算法可以基于之前输入的信息来“学习”新事物并得出结论。1 例如，DL 算法首先被教导什么是视网膜眼底照片。它学习如何识别正常标志。一旦它能够正确地做到这一点并遇到视网膜病变，它就会学会将其识别为异常发现。它可以学会这种病变是什么，然后 DL 算法识别特征并将其与之前训练的内容联系起来。当它在另一张图片中遇到它时，它应该能够识别它是什么，尽管它的外观有所不同。
基于脑电信号的身份认证技术综述
随着脑机接口技术的快速发展，脑电信号作为一种新的生物特征识别特征近年来受到广泛关注，脑机接口的安全性以及生物特征认证长期以来的不安全性有了新的解决方案。本文对脑电信号生物特征识别进行了分析，并涉及到认证过程中的最新研究，主要介绍了基于脑电信号的认证方法，并首次系统地介绍了基于脑电信号的生物特征密码体制用于认证。在密码学中，密钥是密码体制中认证的核心基础，密码技术可以有效提高生物特征认证的安全性，保护生物特征。基于脑电信号的生物特征密码体制的可撤销性是传统生物特征认证所不具备的优势。最后提出了基于脑电信号的身份认证技术现存的问题和未来的发展方向，为相关研究提供参考。
研究与图神经网络和gnnexplainer的大脑连通性
摘要 - 功能连接在现代神经科学中起着至关重要的作用。这种方式阐明了大脑的功能和结构方面，包括多种病理背后的机制。这样的病理学是精神分裂症，通常是听觉言语幻觉。通常通过观察语音处理过程中的功能连接来研究后者。在这项工作中，我们通过对三组人的深度学习在二分法聆听任务期间对功能连通性进行了深入研究：精神分裂症患者有或没有听觉的语言幻觉和健康的对照。我们提出了一个基于图形神经网络的框架，在该框架中，我们将脑电图数据表示为图域中的信号。框架允许一个到1）根据脑电图记录预测脑精神障碍，2）将听力状态与每个组的静止状态区分开，3）识别特征性的任务范围内的结合。实验结果表明，所提出的模型可以区分以最先进的性能的上述组。此外，它还为研究人员提供了有关每个组功能连接性的有意义的信息，我们在当前的域知识上验证了这些信息。
负责任的 AI
1.Moveworks 的 ML 模型主要基于从生产使用中采样的数据进行训练。使用一种称为集体学习的技术，我们的许多模型都基于从多个客户中提取的匿名数据进行训练，从而使它们能够了解来自具有不同背景和特征的员工的请求的通用结构。2.我们注释这些数据时不会向注释者公开任何用户特征：注释界面中不包含任何姓名、照片或其他类别识别特征。例如，在注释请求的意图时，注释者只能看到消息的文本和组织的名称。3.在训练期间，我们不会在模型学习从中获取信号的输入中包含受保护的属性（例如性别或种族）。4.对于发送给我们机器人的绝大多数请求，人类注释者很难（甚至不可能）从请求文本中猜测知识工作者的任何受保护类别 - 而对于我们的 ML 模型来说则更难。这意味着模型不太可能学习与受保护类相关的中间表示。