XiaoMi-AI文件搜索系统
World File Search System邻域的
基于化学邻域的 N4-羟基胞苷靶向景观
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2020 年 4 月 1 日发布。；https://doi.org/10.1101/2020.03.30.016485 doi：bioRxiv 预印本
因果关系在操作概率理论中的影响
我们研究了在操作概率的理论的背景下，可逆的现象及其输出系统的输入系统之间的因果影响。我们分析了从量子理论的文献中借用的两个不同的定义，它们是等效的。一个是基于信号的概念，另一个是用于定义量子细胞自动机中细胞邻域的无效。我们在一般场景中采用的后一种定义，事实证明，这与前者严格弱：系统可能对另一个人的因果影响而不会发出信号。非常重要的是，反状来自经典理论，其中提出的因果影响概念决定了细胞自动机中细胞邻域的重新发现。我们强调，根据我们的定义，无论如何在没有相互作用的情况下，不可能具有因果影响，例如在类似钟形的场景中。我们研究了因果影响的各种条件，并引入了我们称之为无障碍的特征，而我们证明了信号传导和因果感染的共同体。拟议的定义对因果网络的分析产生了有趣的后果，并导致对经典蜂窝自动机的邻居概念进行修改，从而阐明了一个难题，这些难题显然使邻里比原始的邻居更大。
使用 UCI 机器学习糖尿病数据集上的 K 最近邻 (KNN) 方法预测糖尿病
3. 使用 K 最近邻 (KNN) 方法进行分析 K 最近邻 (KNN) 是一种通过考虑现有属性和训练样本来对新对象进行分类的算法。分类不需要使用模型，而仅基于记忆。在该算法中，将在查询点中搜索若干个𝐾个最近的训练点，并根据这些𝐾点中的大多数进行分类。 KNN 采用基于邻域的分类方法，通过计算查询实例到训练样本的最短距离来确定 KNN。 KNN算法对于预测新物体的分类非常简单而且有效。使用KNN方法的步骤如下：
二维范德华铁磁体中的磁振子应变电子学......
图 1. (a) 单个 CrSBr 层晶体结构的顶视图。青色、黄色和粉色球分别代表铬、硫和溴原子。连接 Cr 原子的箭头表示第一、第二和第三邻域的 J 1 、 J 2 和 J 3 磁交换相互作用。 (b) 相同 CrSBr 结构的侧面图，显示沿 b 的自旋方向。 (ch) 计算的最大局部化 Wannier 轨道。绿色箭头表示最相关的磁性超交换通道，即 J 1 (c、f)、J 2 (d、g) 和 J 3 (e、h) 的 t 2g -eg (FM)、t 2g -t 2g (AFM) 和 eg -eg (AFM)。
Barrio：可定制的纳米级大脑结构空间邻域分析与比较
图 1：空间邻域的定制可扩展比较。Barrio 支持用户定义的分析场景 (a,b)，以自动调整可视化、视图参数和用户界面，用于纳米级大脑结构的比较分析。Barrio 建议最适合分析视图中正在比较的用户选择的邻域数量的比较方法 (f)。用户首先指定其分析的生物学目标 (a)，并定义用于比较不同基数（即 2 到 n 个结构）的首选可视化方法 (b)。Barrio 自动调整可视化和 UI，包括设置面板 (c)、目标类型实例的列表视图 (d)、3D 概览 (e)、定量分析视图 (f) 和详细的 3D 邻域视图 (g)。
一个基于生成的邻里的深度自动编码器，用于强大的不平衡分类
摘要 - 深度学习模型最近在许多分类任务上表现出色。深度神经网络的出色表现取决于大量的训练数据，同时必须具有相等的类别分布才能有效。但是，在大多数现实世界中，标记的数据可能受到类别之间高不平衡比率的限制，因此，大多数分类算法的学习过程受到不利影响，从而导致预测和性能较低。三种主要方法解决了不平衡学习的问题，即数据级，算法级别和混合方法，这些方法结合了上述两种方法。数据生成方法通常基于生成的对抗网络，这些网络需要大量的数据，而模型级别的方法需要广泛的领域专家知识来制定学习目标，从而在没有此类知识的情况下对用户访问较差。此外，这些方法中的绝大多数被设计和应用于成像应用，更少的时间序列，并且对它们都极为罕见。为了解决上述问题，我们介绍了Genda，Genda是一种基于生成邻域的Deep AutoCoder，它在设计方面既简单又有效，并且可以成功地应用于图像和时间序列数据。genda基于学习潜在
![arXiv:2212.10788v2 [cs.LG] 2022 年 12 月 27 日](/simg/g:\will\search\icon\source\e\e891ff0a23608d4021463976257403150533effc.webp)
arXiv:2212.10788v2 [cs.LG] 2022 年 12 月 27 日
在本研究中，我们提出了一种使用生物网络的可解释药物重新定位框架 GraphIX，并定量评估了其可解释性。GraphIX 首先使用图神经网络从已知药物适应症和知识图谱中学习网络权重和节点特征，该图谱由三种类型的节点组成（但未给出节点类型信息）：疾病、药物和蛋白质。对学习后特征的分析表明，通过基于图结构的学习过程可以区分模型之前不知道的节点类型。然后，GraphIX 根据学习到的权重和特征预测疾病与药物的关联，并计算位于预测疾病和药物邻域的节点的贡献值。我们假设模型贡献较高的邻近蛋白质节点对于理解实际药理作用也很重要。使用真实世界数据库定量评估蛋白质节点贡献的有效性表明，GraphIX 显示的高贡献蛋白质作为药物作用机制是合理的。 GraphIX 是一个基于证据的药物发现的药物重新定位框架，它可以向用户展示新的疾病 - 药物关联，并从庞大而复杂的知识库中识别出对理解其药理作用很重要的蛋白质。
使用带有可变形天花板的微设备来探测3D细胞骨料内的刚度异质性
摘要机械生物学领域的最新进展已导致开发了表征单细胞或单层机械性能并将其链接到其功能行为的方法。但是，仍然需要建立三维（3D）多细胞聚集体的联系，从而更好地模拟组织功能。在这里，我们提出了一个平台，以在一个可变形的微设备中启动并观察许多此类骨料。该平台由在3D打印的模具上铸造的单个聚二甲基硅氧烷片组成，并粘合到载玻片或盖玻片上。它由一个包含细胞球体的腔室组成，该腔室与流体独立的空气腔相邻。控制这些空气腔中的气压会导致房间天花板的垂直位移。该设备可以在秒钟到小时的时间尺度上以静态或动态模式使用，并且位移幅度从几µm到几十万微米。此外，我们通过比较不同级别的压缩级别的球体的图像相关性与有限元仿真来展示如何使用压缩方案来获得单个共培养球体内刚度异质性的测量。将细胞的标记及其细胞骨架与图像相关方法结合使用，以将共培养球体的结构与其在不同位置的机械性能相关联。该设备与各种显微镜技术兼容，包括共聚焦显微镜，可用于观察聚集体内单细胞和邻域的位移和重排。现在可以使用完整的实验和成像平台来提供多尺度的测量，这些测量将单细胞行为与聚集体的全局机械响应联系起来。
低成本汽车电池安全警报系统
摘要：这是一篇技术文章，它展示了低成本的汽车电池安全警报系统，该系统将多振动器电路用于双音多频率（DTMF）输出（响亮的蜂鸣声音）警报以监视和保护汽车电池免受本地盗窃的影响。整个电路是一个简单的电路，生产低成本。不断窃取汽车电池的不断案件，尤其是在发展中国家的案件。和更换汽车电池的成本每天增加。因此，需要将她的汽车电池从街道盗窃上固定。使用机械固化和电子安全系统，可以闭合两只眼睛的系统。该设备将车停在车主的住所外或其他地方时，用作汽车电池的电子监管机构。安全系统提供了可充电电池的内部可充电电池，可通电警报电路，具有单杆双插入（SPDT）继电器和连接的电缆，并具有能够提醒邻域的输出声音。每当汽车电池从端子头部断开连接或循环电缆被损坏时，将触发连接的警报，这将引起社区的注意，并因此阻止了入侵者。使用电路向导软件模拟整个系统，并取得良好的结果。该系统是使用离散的半导体设备制造的，这些设备相对简单，可用于操作和维护，包装和测试。电路电压为11.52伏，绘制的电流为3.79a，导致瓦数为44瓦。该设备负担得起。
CRUISE 关于推荐系统中特征选择的量子计算
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，