XiaoMi-AI文件搜索系统
World File Search System邻域
ASD儿童脑电图信号的复发量化分析
本研究的目的是通过脑电图（EEG）确定典型发育中的听觉/视觉刺激的大脑反应和自闭症儿童的大脑反应。早期诊断确实有助于定制培训，并在常规流中进步。揭示了潜在的大脑动力学，采用了非线性分析。在当前的研究中，分析了具有不同参数的复发定量分析（RQA）。为了获得更好的信息检索，还考虑了余弦距离度量，并与RQA中的其他距离指标进行了比较。测量RQA的每个计算组合，并分析和讨论响应通道。据观察，具有余弦距离参数的风扇邻域能够显着区分ASD和TD。
MindBridge-Navigating-AI-Fundamentals-for-Accounting-and ...
无监督机器学习中存在各种异常检测方法。这些方法在定义和检测异常的方式上有所不同。例如，虽然一些方法在整个数据集的背景下定义异常（全局异常）——例如，与所有其他交易相比金额异常高的交易——但其他一些方法只关注数据点的“邻域”并定义与其邻居相关的异常（局部异常）——例如，与使用相同帐户和由相同用户创建的类似交易相比金额异常高的交易，但与平均交易金额相比可能并不特别高。此外，根据用例，可以使用不同的属性进行异常检测——一个用例可能查看交易数量，而另一个用例可能查看交易金额。
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
智能电网邻区网络可靠性研究
摘要 随着先进计算和通信技术的融合，智能电网系统致力于通过可再生能源以及分布式通信智能和需求响应大大提高未来电力系统的效率和可靠性。随着智能电网的先进功能，智能电网通信系统的可靠性成为一个关键问题，因为数百万台智能设备通过关键电力设施的通信网络互连，这对整个电力基础设施的可靠性有着直接的影响。在本文中，我们对智能电网带来的可靠性问题进行了全面的调查，重点关注支持邻域网络 (NAN) 的通信。具体来说，我们关注网络架构、通信网络和系统的可靠性要求和挑战、安全对策以及智能电网 NAN 中的案例研究。我们的目标是深入了解智能电网 NAN 中的可靠性挑战并针对可靠性问题提供有效的解决方案。
Graph-DTI：一种基于异构网络图嵌入的药物-靶标相互作用预测新模型
受近年来图嵌入和知识表示学习的启发，我们开发了一种新的端到端学习模型，称为 Graph-DTI，它整合了来自异构网络数据的各种信息，并自动学习保留拓扑的药物和靶标表示，以促进 DTI 预测。我们的框架由三个主要构建块组成。首先，我们整合了药物和靶标蛋白的多种数据源，并从一组数据集中构建了异构网络。其次，通过使用受 GCN 启发的图自动编码器提取高阶结构信息来学习节点（药物、蛋白质）及其拓扑邻域表示，形成异构网络。最后一部分是预测潜在的 DTI，然后将训练好的样本发送到分类器进行二元分类。
无效无限摘要内容的全息性
我们认为，在四维渐近性的量子重力理论中，可以从未来无效的未来无效范围内的无限端邻域获得所有有关无质量激发的信息，并且不需要未来所有的无效观察结果。此外，尽管相反不正确，但也可以从附近任何早期削减的观察值中获得有关未来无效的未来零事物的所有信息。我们为这两个断言提供了独立的论点。与过去无效的相似陈述相似。这些陈述对信息悖论具有直接的影响，因为它们表明该状态的细粒度von neumann熵定义在未来无效的一部分（-∞，u）上的段（-∞，u）与u独立于u。这与经常出现的页面曲线大不相同，有时该熵有时会服从。我们将结果与在黑洞蒸发的上下文中对页面曲线的最新讨论进行了对比，并讨论了我们的结果与其他全息含量侵蚀空间的关系的关系。
重新访问力的图形布局
摘要 - 在本文中，我们提出了T-FDP模型，T-FDP模型是一种基于学生t分布定义的新型有界短距力（T-Force）的定向位置方法。我们的表述具有灵活性，对附近的节点施加有限的排斥力，并且可以在其短期和长期效应中分别进行调整。在力指导的图形布局中使用此类力比当前方法可得出更好的邻域保存，同时保持低应力误差。使用快速傅立叶变换的有效实现是比最新方法快的速度快一个数量级，而在GPU上的两个订单则更快，使我们能够通过全球和本地调整复杂图的实时调整T-FORCE来执行参数调整。我们通过针对交互式探索的最新方法和扩展的数值评估来证明方法的质量。
基于人工智能的时变环境下 HAPS 规划框架
高空伪卫星 (HAPS) 是一种固定翼、太阳能供电的无人驾驶飞行器 (UAV)，旨在成为固定轨道卫星的灵活替代品，用于长期监测地面活动。然而，由于其重量轻、电动机功率弱，该平台对天气相当敏感，无法在危险天气区快速飞行。在这项工作中，我们将多个 HAPS 的任务规划问题公式化为以 PDDL+ 表示的混合规划问题。该公式还考虑了平台动态建模问题、时变环境以及需要执行的异构任务。此外，我们提出了一个框架，将 PDDL+ 自动规划器与自适应大邻域搜索 (ALNS) 方法相结合，开发该框架是为了将自动规划器与特定于该问题的元启发式方法相结合。任务和运动规划在框架内以交织的方式完成，因此保留了共同的决策/搜索空间。我们使用第三方 HAPS 真实模拟器以及一组基准测试验证了我们的方法，表明我们的集成方法可以制定可执行的任务计划。
建议：蛋白质功能预测的增强学习框架
随着深度学习的有希望的进展，开发了许多方法来预测蛋白质功能。这些方法可以大致分为两类：基于序列和基于结构的方法。基于序列的方法利用了1D卷积神经网络（CNN）或变压器模型来生成蛋白质序列的特定表示[3，4]。后来，将蛋白质序列和同源性信息结合在一起的方法显示出显着改善[5，6]。蛋白质结构预测的最新发展使研究人员能够获得给定蛋白序列的可能的三维结构[7，8，9]。因此，许多基于结构的方法都使用图形神经网络（GNN）和通过消息范式范式从蛋白质结构信息中提取特征[10，11]。具体来说，每个残基在每一层的几何邻域接收信号，然后将图池层总结为蛋白质级表示，以进行分类。一种新开发的方法，即TAWFN，集成的CNN和GNN，利用蛋白质序列和结构信息来预测蛋白质功能[12]。
行为不同的鹿鼠大脑各区域基因表达的演变
图 1 Peromyscus maniculatus 和 Peromyscus polionotus 小鼠大脑中的基因表达。 （a） 两种焦点 Peromyscus 物种（粗体）与家鼠 (Mus)、大鼠 (Rattus) 和人类 (Homo) 的系统发育关系。 （b） 脑矢状切面示意图，突出显示了本研究中使用的 10 个（子）区域解剖位置（彩色）以及整个大脑（灰色）。 有关解剖的详细信息，请参见第 2 节和附表 S2。 （c） 基因表达整体变化的 t 分布随机邻域嵌入 (t-SNE) 图。 P. maniculatus 样本表示为朝下的三角形，P. polionotus 样本表示为朝上的三角形。 （d） 在一个或多个大脑区域中表达的基因数量（n = 16,078）。 （e）10 个（子）区域中私人表达基因的分布；511 个基因在整个大脑样本中表达，但在 10 个采样（子）区域中均未表达。