XiaoMi-AI文件搜索系统
World File Search System重现
初级视觉皮层的解剖学和神经生理学数据足以重现类似大脑的视觉功能多路复用
10 处理视觉信息的大脑神经网络具有与人工智能中常用于视觉处理的神经网络（例如卷积神经网络 (CNN)）的结构特性截然不同的结构特性。但这些结构差异与网络功能之间的关系仍不得而知。我们分析了 V1 区大规模模型的视觉处理能力，该模型可以说是目前最全面的解剖和神经生理数据积累。事实证明，其网络结构可以诱导大脑的许多典型视觉处理能力，特别是能够多路复用不同的视觉处理任务，也可以处理时间分散的视觉信息，并且对噪声具有显著的鲁棒性。该 V1 模型还表现出大脑的许多典型神经编码特性，这解释了其出色的噪声鲁棒性。由于大脑中的视觉处理比常见计算机硬件中 CNN 的实现更加节能，这种类似大脑的神经网络模型也可能对技术产生影响：作为更节能的神经形态硬件中视觉处理的蓝图。
睡眠期间，人类运动皮层会重现学习到的运动模式
1 麻省总医院神经内科神经技术和神经恢复中心，马萨诸塞州波士顿 02114，2 哈佛医学院，马萨诸塞州波士顿 02114，3 退伍军人事务部神经修复和神经技术中心，罗德岛州普罗维登斯 02908，4 布朗大学卡尼脑科学和工程学院研究所，罗德岛州普罗维登斯 02912，5 斯坦福大学休斯医学研究所，加利福尼亚州帕洛阿尔托 94305，6 加利福尼亚大学圣地亚哥分校神经科学和放射学系，加利福尼亚州拉霍亚 92093，7 麻省总医院神经外科系，马萨诸塞州波士顿 02114，8 哈佛医学院哈佛-麻省理工学院健康科学与技术项目神经科学项目，马萨诸塞州波士顿 02115
学习到的运动模式在睡眠期间会在人类运动皮层中重现
7lwoh /hduqhg prwru sdwwhuqv du uhsod \ hg lq lq kxpdk prwru fruwh [gxulqjέ$ euhyldwhg 7lwohϯ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ ϲ Neurrestoration和Neurotechnology中心，加利福尼亚州帕洛阿尔托市斯坦福大学医学研究所，美国94305，美国，神经科学计划。 whfkqrorj \ dqg 1hxuruhfryhu \'hsduwphqw ri 1hxurorj \ ϯϯϲ0dvdfkxvhwwwwwwd 0fkrvslwdo 0dvslwdo 0dvslwdo 0dvslwdo 0dvslwdo 0dvslwdo 0dvslw 6wuhhhhhhhhhhhhhhhhhhhhhhhhhhhhϯ lifhl flav hydj） w Zlwk 1HxudolQn 3Durplplfl dqg 6 \ fkkkurq iru zklf scxo hu dxwkruv kdyh qr frpshlqj lqwhuhvwv ϰ $ V 1＆ΰϯΰϯ1，+ 1,1'6 8+ 16 16 16 5 16 1，+ 1,0+ ϰϰ 0+ &RQTXHU 3DUDO\VLV 1RZ 0*+ 'HDQH ,QVWLWXWH $PHULFDQ ϰϱ $FDGHP\ RI 1HXURORJ\ &OLQLFDO 5HVHDUFK 7UDLQLQJ 6FKRODUVKLS 7KH +RZDUG +XJKHV ϰϲ。0HGLFDO ,QVWLWXWH DW 6WDQIRUG 8QLYHUVLW\ 7KH DXWKRUV ZLVK WR DFNQRZOHGJH 'U $QJHOLTXH ϰϳ 3DXON IRU DVVLVWDQFH LQ ILJXUH SUHSDUDWLRQ 7KH FRQWHQW LV VROHO\ WKH HVSRQVLELOLW\ RI WKH ϰϴ
重新思考内部语音解码的方法和算法并使其可重现
摘要：本研究重点关注使用脑电图 (EEG) 等非侵入性方法自动解码内部语音。虽然内部语音半个世纪以来一直是哲学和心理学的研究课题，但最近人们尝试使用各种脑机接口来解码非语音口语单词。现有工作的主要缺点是可重复性以及数据和代码的可用性。在本研究中，我们研究了各种方法（使用卷积神经网络 (CNN)、门控循环单元 (GRU)、长短期记忆网络 (LSTM)）在公开的 EEG 数据集上检测五个元音和六个单词。这项工作的主要贡献是（1）受试者相关与受试者独立的方法，（2）不同预处理步骤（独立成分分析 (ICA)、下采样和滤波）的影响，以及（3）词分类（我们在公开的数据集上实现了最先进的性能）。总体而言，使用我们调整后的 iSpeech-CNN 架构，我们在公开数据集中对五个元音和六个单词进行分类时分别实现了 35.20% 和 29.21% 的性能准确率。我们所有的代码和处理后的数据都是公开的，以确保可重复性。因此，这项工作有助于更深入地理解和重复内部语音检测领域的实验。
下丘脑生长抑素能神经元的消耗在小鼠大脑、骨髓、脂肪和视网膜中重现糖尿病表型
✉ Maria B. Grant mariagrant@uabmc.edu。Chao Huang 和 Robert Follett Rosencrans 对这项工作做出了同等贡献。作者关系和活动作者声明，不存在任何可能对其工作产生偏见或被认为会偏见的关系或活动。贡献声明 CH 管理所有实验和数据收集并编辑了手稿。RFR 收集了代谢数据并撰写了手稿。RB 进行了立体定向手术。PH 进行了组织处理和免疫组织化学分析。YA-A 进行了视动和 ERG 记录，CPV 和 ALFL 协助进行了流式细胞术和骨髓功能测定。GML、PMF 和 KLG 协助进行了实验设计。所有作者都对数据的获取和分析做出了贡献。所有作者都对手稿的重要知识内容进行了批判性修改，并批准了手稿的最终版本。MBG 构思了实验、获得了资金、设计了实验、协助进行了数据解释、编辑了手稿并且是手稿中所有数据的担保人。
人工智能中索洛悖论的重现？人工智能的采用和坚定...
想要了解最新工作论文？请在 Twitter 上关注我们 http://twitter.com/circle_lu 或访问我们 http://www.circle.lu.se/publications/。创新研究论文系列面向所有从事创新研究的研究人员开放。有兴趣提交工作论文吗？请联系编辑：torben.schubert@circle.lu.se
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。
非人类人道主义：当人工智能的善举变成坏事时 Mirca Madianou 伦敦大学金史密斯学院 2018 年，有超过 1.68 亿人需要人道主义援助，同时有超过 6900 万人成为难民，人道主义部门面临着重大挑战。人工智能 (AI) 应用可以成为人道主义危机的潜在解决方案的提议受到了热烈欢迎。这是“人工智能用于社会公益”大趋势的一部分，也是“数字人道主义”更广泛发展的一部分，“数字人道主义”指的是公共和私营部门为应对人道主义紧急情况而使用数字创新和数据。聊天机器人、声称可以预测未来流行病或人口流动的预测分析和建模以及依赖于采用机器学习算法的先进神经网络的生物识别技术，都是在援助行动中越来越受欢迎的例子。本文建立了一个跨学科框架，将殖民和非殖民理论、人道主义和发展的批判性探究、批判性算法研究以及对人工智能的社会技术理解结合在一起。人道主义在这里被理解为一种复杂的现象：不仅仅是通常定义的“减少痛苦的必要性”（Calhoun，2008），而且是一种行业、一种话语和一种源于 19 世纪和 20 世纪殖民主义的历史现象（Fassin，2012；Lester & Dussart，2014）。人工智能同样是一个多面现象：不仅仅是基于先进计算和机器学习算法的技术创新，而且是一个行业以及关于技术的特定话语。人工智能只能与数据和算法一起理解——这三者是不可分割的，因为人工智能依赖于机器学习算法，而机器学习算法是特定数据集的产物。鉴于“大数据”本质上是不完整的，且具有本体论和认识论的局限性（Crawford & Finn，2014），人工智能应用会重现并可能放大大型数据集中发现的现有偏见（Benjamin，2019；Eubanks，2018；Noble，2018 等）。
术语一致性在 XPS 重现性中的作用
科学出版物中不一致或不正确的术语使用会导致科学文献中的误解、混淆和错误结果。这一问题在 X 射线光电子能谱 (XPS) 中尤为重要，因为不同背景的科学家广泛使用该技术用于许多不同的目的。国际标准化组织表面化学分析技术委员会 TC201 制定了一套表面分析术语，该术语经国际专家一致批准。为鼓励广泛使用，可在多个网站上免费获取该术语。本简短概述提供了一些示例，强调了统一术语对于消除相似术语混淆的重要性。示例提供了文献中常被误用或混淆的术语。其他示例重点介绍了为比较仪器参数和性能提供共同基础的术语。随着科学的进步，澄清用于描述对 XPS 很重要的不断发展的概念和发展的术语非常重要。
高效，可重现和高通量兼容...
慢性肾脏疾病（CKD）代表了一个重要的全球健康问题，与我们的医疗保健系统的高经济成本有关。ckd是肾脏对肾脏的不可逆转损害逐渐丧失肾脏功能的条件，肾脏影响了全球约10％的成年人口。分化人类胚胎（ES）和诱导多能茎（IPS）细胞成功能性肾脏组织的能力为开发新疗法的新工具提供了新的工具，以减缓肾脏疾病的进展。此外，发现肾脏器官的发现是自组织的3D结构，这些结构包含类似于体内对应物的某些方面的功能性肾细胞类型，克服了对常见单层培养系统中细胞相互作用的极限建模的限制。肾脏类器官为特定于患者的肾脏疾病，研究肾脏发育和进行肾毒性化合物筛查提供了新的机会。近年来，几个小组通过逐步引导人多能干细胞（HPSC）通过晚期原始条纹，中间中胚层和中胚层的阶段引起人类多能干细胞（HPSC）来建立直接分化方案，从而引起了胎儿聚集体，然后引起肾小球，然后导致最终形成的肾脏肾小管（图1）。但是，许多方案要求分化培养物分解为单细胞悬浮液，并在分化过程中重新聚集，这可能导致效率下降，肾脏器官较低的产量和较高的实验变异性。To standardize the generation of kidney organoids, we developed STEMdiff™ Kidney Organoid Kit, containing a specialized serum-free medium formulation that enables highly efficient and reproducible differentiation of hPSCs into kidney organoids that model the developing nephron—composed of podocytes, proximal and distal tubules, and its associated endothelium.此外，我们使用简单的两阶段分化系统最大程度地减少了细胞培养操作，这与96和384孔板中的表型高通量筛选兼容。
此Manusa-pt已重现了缩微胶卷大师的Frorn。 Umi电影
作者授予非作者授予非排他性许可证，允许专属的加拿大国家图书馆到加拿大国家图书馆，借入Microform中的借贷，分发或出售该论文的复制，借用，分发或副本，以纸张或电子格式出售本论文的副本。Microchi/Film的形式，在纸张或电子格式上繁殖。