中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

打開APP
userphoto
未登錄

開通VIP,暢享免費(fèi)電子書等14項(xiàng)超值服

開通VIP
處理子抽樣問題從有限數(shù)據(jù)中推斷集體屬性 | 復(fù)雜性科學(xué)頂刊精選7篇

原創(chuàng) 集智俱樂部 集智俱樂部

Complexity Express 一周論文精選

以下是2022年11月14日-11月20日來自Complexity Express的復(fù)雜性科學(xué)論文精選。如果Complexity Express列表中有你感興趣的論文,歡迎點(diǎn)贊推薦,我們會(huì)優(yōu)先組織解讀~

目錄:

1. 處理子抽樣問題從有限數(shù)據(jù)中推斷集體屬性

2. 閉式連續(xù)時(shí)間神經(jīng)網(wǎng)絡(luò)

3. 基于圖注意神經(jīng)網(wǎng)絡(luò)預(yù)測錯(cuò)義突變的功能影響

4. 默認(rèn)模式網(wǎng)絡(luò)中的內(nèi)在大腦動(dòng)力學(xué)預(yù)測視覺意識(shí)的無意識(shí)波動(dòng)

5. 基于二維注意的深度神經(jīng)網(wǎng)絡(luò)預(yù)測蛋白質(zhì)復(fù)合物鏈間距離圖

6. 社會(huì)性昆蟲空間分工的兩種簡單運(yùn)動(dòng)機(jī)制

7. 利用機(jī)器學(xué)習(xí)評(píng)估電力供應(yīng)對(duì)生計(jì)的影響

1.處理子抽樣問題

從有限數(shù)據(jù)中推斷集體屬性

論文題目:Tackling the subsampling problem to infer collective properties from limited data

論文來源:Nature Reviews Physics

論文鏈接:https://www.nature.com/articles/s42254-022-00532-5

盡管大規(guī)模數(shù)據(jù)采集技術(shù)不斷發(fā)展,但復(fù)雜系統(tǒng)的實(shí)驗(yàn)觀測往往僅限于被研究系統(tǒng)的一小部分。這種空間子抽樣在神經(jīng)科學(xué)中尤為嚴(yán)重,在神經(jīng)科學(xué)中,只有數(shù)百萬甚至數(shù)十億個(gè)神經(jīng)元中的一小部分可以被單獨(dú)記錄下來。當(dāng)從一個(gè)子抽樣部分推斷出整個(gè)系統(tǒng)的集體屬性時(shí),空間子抽樣可能導(dǎo)致實(shí)質(zhì)性的系統(tǒng)偏差。為了消除這種偏差,人們開發(fā)了強(qiáng)大的數(shù)學(xué)工具。從這個(gè)角度來看,作者概述了近年來為解決子抽樣問題而開發(fā)的子抽樣和審查方法所產(chǎn)生的一些問題。這些方法使人們能夠正確地評(píng)估現(xiàn)象,如圖結(jié)構(gòu)、動(dòng)物的集體動(dòng)力學(xué)、神經(jīng)網(wǎng)絡(luò)活動(dòng)或疾病的傳播,只需要觀察系統(tǒng)的一小部分。然而,現(xiàn)有的方法總體上還遠(yuǎn)遠(yuǎn)沒有解決子抽樣問題,作者也概述了他們認(rèn)為的主要開放挑戰(zhàn)。隨著大規(guī)模數(shù)據(jù)記錄技術(shù)的發(fā)展,解決這些挑戰(zhàn)將使人們能夠?qū)?fù)雜和有生命的系統(tǒng)的工作機(jī)制有進(jìn)一步的基本認(rèn)識(shí)。

圖:不同類別的子抽樣。上圖:空間嵌入網(wǎng)絡(luò)的典型結(jié)構(gòu)示意圖;下圖:從空間擴(kuò)展系統(tǒng)中采樣的不同方法,以無標(biāo)度網(wǎng)絡(luò)為例說明。隨機(jī)抽樣的優(yōu)點(diǎn)是可以畫出一組具有代表性的節(jié)點(diǎn)。加窗抽樣提供了良好的局部分辨率,但樣本可能不能代表整個(gè)系統(tǒng)。滾雪球抽樣跟蹤選定節(jié)點(diǎn)的連接狀態(tài),從而揭示該節(jié)點(diǎn)的連通性。

2.閉式連續(xù)時(shí)間神經(jīng)網(wǎng)絡(luò)

論文題目:Closed-form continuous-time neural networks

論文來源:Nature Machine Intelligence

論文鏈接:https://www.nature.com/articles/s42256-022-00556-7

連續(xù)時(shí)間神經(jīng)網(wǎng)絡(luò)是一類機(jī)器學(xué)習(xí)系統(tǒng),可以解決時(shí)空決策任務(wù)的表示學(xué)習(xí)。這些模型通常由連續(xù)微分方程表示。然而,當(dāng)它們被部署在計(jì)算機(jī)上時(shí),它們的表達(dá)能力受到數(shù)值微分方程求解器的瓶頸限制。這種限制明顯減緩了對(duì)許多自然物理現(xiàn)象(如神經(jīng)系統(tǒng)的動(dòng)力學(xué))的擴(kuò)展和理解。理想情況下,我們可以通過求解閉合形式的給定動(dòng)力系統(tǒng)來規(guī)避這一瓶頸。眾所周知,這在一般情況下是難以實(shí)現(xiàn)的。

在這里,我們表明有可能近似地解決神經(jīng)元和突觸之間的相互作用——自然和人工神經(jīng)網(wǎng)絡(luò)的組成部分——由液態(tài)時(shí)間常數(shù)網(wǎng)絡(luò)(liquid time-constant networks)以閉合形式有效地構(gòu)建。為此,我們計(jì)算了液態(tài)時(shí)間常數(shù)動(dòng)力學(xué)中出現(xiàn)的一個(gè)積分的嚴(yán)格約束的近似解,該積分至今沒有已知的閉式解。這個(gè)閉式的解決方案影響了連續(xù)時(shí)間和連續(xù)深度神經(jīng)模型的設(shè)計(jì)。例如,由于時(shí)間明確地以閉式出現(xiàn),該公式放松了對(duì)復(fù)雜數(shù)值求解器的需求。因此,與基于微分方程的模型相比,我們得到的模型在訓(xùn)練和推理方面要快1~5個(gè)數(shù)量級(jí)。更重要的是,與基于常微分方程的連續(xù)網(wǎng)絡(luò)相比,閉式網(wǎng)絡(luò)與其他深度學(xué)習(xí)實(shí)例相比,可以有顯著的擴(kuò)展。最后,由于這些模型來自于液體網(wǎng)絡(luò),與先進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)模型相比,它們?cè)跁r(shí)間序列建模中表現(xiàn)出良好的性能。

圖:神經(jīng)和突觸動(dòng)力學(xué)。突觸后神經(jīng)元通過基于非線性電導(dǎo)的突觸模型接收刺激 I(t)。這里,S(t) 代表突觸電流。該突觸后神經(jīng)元的膜電位動(dòng)態(tài)由中間呈現(xiàn)的 DE 給出。這個(gè)方程式是 LTC 網(wǎng)絡(luò)的基本構(gòu)建塊,沒有已知的閉式表達(dá)式。在這里,我們?yōu)檫@個(gè)方程提供了一個(gè)近似解,它顯示了非線性突觸與閉式的突觸后神經(jīng)元的相互作用。

3.基于圖注意神經(jīng)網(wǎng)絡(luò)

預(yù)測錯(cuò)義突變的功能影響

論文題目:Predicting functional effect of missense variants using graph attention neural networks

論文來源:Nature Machine Intelligence

論文鏈接:https://www.nature.com/articles/s42256-022-00561-w

準(zhǔn)確預(yù)測有害錯(cuò)義突變對(duì)于解釋基因組序列至關(guān)重要。雖然已經(jīng)開發(fā)了許多方法,但是它們的性能有限。機(jī)器學(xué)習(xí)的最新進(jìn)展和大規(guī)??捎玫娜后w基因組測序數(shù)據(jù)為大大改進(jìn)計(jì)算方法的預(yù)測提供了新的機(jī)會(huì)。本文提出了一種基于圖注意力神經(jīng)網(wǎng)絡(luò)的圖形錯(cuò)義變異致病性預(yù)測方法(gMVP)。它的主要組成部分是一個(gè)圖,其中的節(jié)點(diǎn)捕獲氨基酸的預(yù)測特征和由共進(jìn)化強(qiáng)度加權(quán)的邊,該圖能夠有效地匯集局部蛋白質(zhì)背景及功能相關(guān)的全局位置信息。

基于深度突變測序數(shù)據(jù)的評(píng)估表明,gMVP 在鑒定 TP53,PTEN,BRCA1 和 MSH2 的損傷變異方面優(yōu)于其他已發(fā)表的方法。此外,在神經(jīng)發(fā)育異常的情況下,它實(shí)現(xiàn)了從頭將病患和對(duì)照組的錯(cuò)義變體進(jìn)行最優(yōu)分離。最后,該模型支持遷移學(xué)習(xí),以優(yōu)化鈉和鈣通道中的功能上的功能喪失預(yù)測??傊?,我們證明 gMVP 可以改善臨床試驗(yàn)和遺傳學(xué)研究中對(duì)錯(cuò)義變異的解釋。

圖:gMVP 概述。gMVP 使用圖表征蛋白結(jié)構(gòu),其蛋白質(zhì)上下文定義為128個(gè)氨基酸側(cè)翼的參考氨基酸。感興趣的氨基酸是中心節(jié)點(diǎn)(橙色) ,側(cè)面的氨基酸是上下文節(jié)點(diǎn)(顏色為淺綠色),所有上下文節(jié)點(diǎn)都與中心節(jié)點(diǎn)連接邊的特征是協(xié)同進(jìn)化強(qiáng)度,節(jié)點(diǎn)特征包括保守性和預(yù)測的結(jié)構(gòu)特性。此外,中心節(jié)點(diǎn)特征包括氨基酸替代; 上下文節(jié)點(diǎn)特征包括一級(jí)序列和在人群中預(yù)期和觀察到的罕見錯(cuò)義變體的數(shù)量。模型使用三個(gè)單層密集編碼的輸入特征潛在的向量表征,使用多頭注意力(mulri-head attention)層學(xué)習(xí)上下文向量,然后使用遞歸神經(jīng)層與 softmax 層連接。

4.默認(rèn)模式網(wǎng)絡(luò)中的內(nèi)在大腦動(dòng)力學(xué)

預(yù)測視覺意識(shí)的無意識(shí)波動(dòng)

論文題目:Intrinsic brain dynamics in the Default Mode Network predict involuntary fluctuations of visual awareness

論文來源:Nature Communications

論文鏈接:https://www.nature.com/articles/s41467-022-34410-6

大腦活動(dòng)可被組織為內(nèi)生的時(shí)空模式,但是目前還不清楚這些內(nèi)在模式是功能性的還是偶發(fā)的。利用功能磁共振成像腦電同步檢測一個(gè)眾所周知的雙穩(wěn)態(tài)視覺任務(wù),我們表明,潛在的瞬時(shí)狀態(tài)的內(nèi)在腦電振蕩可以預(yù)測即將到來的非自愿感知轉(zhuǎn)換。預(yù)測主導(dǎo)感知轉(zhuǎn)換的臨界狀態(tài)預(yù)測了楔前葉(precuneus PCU),默認(rèn)模式網(wǎng)絡(luò)(DMN)的關(guān)鍵節(jié)點(diǎn)和初級(jí)視覺皮層(V1)之間的相位耦合。這種狀態(tài)的生命周期與 PCU - > V1 格蘭杰因果之間的相互作用與感知波動(dòng)率相關(guān)。我們的研究表明,大腦的內(nèi)源性動(dòng)力學(xué)是現(xiàn)象學(xué)相關(guān)的,因?yàn)楫?dāng)外部刺激保持不變時(shí),它們可以引發(fā)潛在的視覺處理方式之間的轉(zhuǎn)移。在這個(gè)意義上,內(nèi)生的默認(rèn)模式網(wǎng)絡(luò) DMN 動(dòng)力學(xué)預(yù)設(shè)了意識(shí)的內(nèi)容。

圖:功能核磁指出默認(rèn)神經(jīng)網(wǎng)絡(luò)在當(dāng)前任務(wù)中有參與

5.基于二維注意的深度神經(jīng)網(wǎng)絡(luò)

預(yù)測蛋白質(zhì)復(fù)合物鏈間距離圖

論文題目:Prediction of inter-chain distance maps of protein complexes with 2D attention-based deep neural networks

論文來源:Nature Communications

論文鏈接:https://www.nature.com/articles/s41467-022-34600-2

殘基距離信息對(duì)于預(yù)測蛋白質(zhì)單體的三級(jí)結(jié)構(gòu)或蛋白質(zhì)復(fù)合物的四級(jí)結(jié)構(gòu)非常有用。許多深度學(xué)習(xí)方法已經(jīng)被開發(fā)出來,可以準(zhǔn)確預(yù)測單體的鏈內(nèi)殘基-殘基距離(intra-chain residue-residue),但很少有方法可以準(zhǔn)確預(yù)測復(fù)合物的鏈間殘基-殘基距離。

我們開發(fā)了一種基于二維注意動(dòng)力殘差網(wǎng)絡(luò)的深度學(xué)習(xí)方法 CDPred(即復(fù)合物距離預(yù)測)來解決這個(gè)問題。在兩個(gè)同源二聚體數(shù)據(jù)集上測試,CDPred對(duì)前 L/5 鏈間接觸的預(yù)測精度分別達(dá)到 60.94% 和 42.93%(L:同源二聚體中單體的長度),大大高于 DeepHomo 的 37.40% 和 23.08% 以及 GLINTER 的 48.09% 和 36.74%。在兩個(gè)異構(gòu)體數(shù)據(jù)集上測試,CDPred 的頂級(jí) Ls/5 鏈間接觸預(yù)測精度(Ls:異構(gòu)體中較短單體的長度)分別為 47.59% 和22.87%,超過了 GLINTER 的 23.24% 和13.49%。此外,CDPred 的預(yù)測結(jié)果與 AlphaFold2-multimer 的預(yù)測結(jié)果具有互補(bǔ)性。

圖:HeteroTest2 數(shù)據(jù)集中異二聚體的前 L/10 接觸預(yù)測精度直方圖。X軸為從0到100%的四個(gè)精度區(qū)間。Y軸是接觸精度落在每個(gè)區(qū)間的異質(zhì)體的數(shù)量。每個(gè)區(qū)間分別有40、2、1和12個(gè)異質(zhì)體。

6.社會(huì)性昆蟲空間分工的

兩種簡單運(yùn)動(dòng)機(jī)制

論文題目:Two simple movement mechanisms for spatial division of labour in social insects

論文來源:Nature Communications

論文鏈接:https://www.nature.com/articles/s41467-022-34706-7

許多動(dòng)物物種將空間劃分為成片的家域,但對(duì)于個(gè)體用來保持對(duì)特定地點(diǎn)的保真度的機(jī)制卻沒有什么共識(shí)。理論表明,動(dòng)物運(yùn)動(dòng)可能基于簡單的行為規(guī)則,這些規(guī)則使用局部信息(例如嗅覺沉積)或全局策略(例如對(duì)地標(biāo)的長期偏愛)。然而,實(shí)證研究很少試圖區(qū)分這些機(jī)制。

在這里,我們對(duì)四種社會(huì)性昆蟲進(jìn)行了個(gè)體追蹤實(shí)驗(yàn),發(fā)現(xiàn)棲息地由不同的工作群體組成,它們居住在獨(dú)立但部分重疊的空間區(qū)域。我們的軌跡分析和模擬表明,工作個(gè)體的運(yùn)動(dòng)與兩種局部機(jī)制相一致:一種是工作個(gè)體在其主要區(qū)域外增加運(yùn)動(dòng)擴(kuò)散性,另一種是工作個(gè)體在接近區(qū)域邊界時(shí)調(diào)節(jié)轉(zhuǎn)向行為。與其它生物相似,表明局部機(jī)制可能代表了動(dòng)物種群空間劃分的一種普遍方法。

圖:年齡、模塊分?jǐn)?shù)和任務(wù)之間的相關(guān)性驗(yàn)證了空間方法。(a, b)蜜蜂和螞蟻工作群體表現(xiàn)出類似的模塊之間的過渡,作為年齡的函數(shù)。堆積的條形圖表示特定年齡個(gè)體的平均模塊得分情況。橫條表示每個(gè)年齡段個(gè)體的典型模塊得分情況。(c,d)屬于不同空間模塊的工人表現(xiàn)出不同的任務(wù)概況。散點(diǎn)圖表示應(yīng)用于工作人員任務(wù)配置文件的 LargeVis 降維結(jié)果。點(diǎn)代表不同的個(gè)體。點(diǎn)分離表示任務(wù)配置文件的相似性。模塊分?jǐn)?shù)未用于 LargeVis 分析或任務(wù)定義中。

7.利用機(jī)器學(xué)習(xí)

評(píng)估電力供應(yīng)對(duì)生計(jì)的影響

論文題目:Using machine learning to assess the livelihood impact of electricity access

論文來源:Nature

論文鏈接:https://www.nature.com/articles/s41586-022-05322-8

在世界許多地區(qū),關(guān)于關(guān)鍵經(jīng)濟(jì)成果的稀缺數(shù)據(jù)抑制了公共政策的制定、定位和評(píng)估。我們展示了衛(wèi)星圖像和機(jī)器學(xué)習(xí)(ML)的進(jìn)步如何幫助改善這些數(shù)據(jù)和推理的挑戰(zhàn)。在烏干達(dá)電網(wǎng)擴(kuò)張的背景下,我們展示了如何利用衛(wèi)星圖像和計(jì)算機(jī)視覺的組合,來開發(fā)適合推斷電力接入對(duì)生計(jì)的因果影響的局部尺度的生計(jì)測量。然后,我們展示了基于機(jī)器學(xué)習(xí)的推理技術(shù)在應(yīng)用于這些數(shù)據(jù)時(shí),如何比傳統(tǒng)的替代方法對(duì)電氣化的因果影響提供更可靠的估計(jì)。

我們估計(jì),在烏干達(dá)農(nóng)村,電網(wǎng)接入提高了村級(jí)資產(chǎn)財(cái)富的 0.15 個(gè)標(biāo)準(zhǔn)差,在我們研究期間,相對(duì)于未處理的地區(qū),增長率增加了一倍以上。我們的結(jié)果為基于電網(wǎng)的基礎(chǔ)設(shè)施投資的影響提供了國家規(guī)模的證據(jù),我們的方法為未來在數(shù)據(jù)稀少的環(huán)境中進(jìn)行政策評(píng)估提供了低成本、可推廣的方法。

圖:電力接入率、烏干達(dá)電氣化和資產(chǎn)財(cái)富培訓(xùn)數(shù)據(jù)。(a)2018年,撒南地區(qū)有近 6 億人無法獲得基于中央電網(wǎng)的電力。各國以缺乏電力供應(yīng)的人數(shù)來標(biāo)示。烏干達(dá)在2018年大約有2400萬人沒有電網(wǎng)供電,用紅色邊框標(biāo)出。(b)烏干達(dá)的電網(wǎng)近年來迅速擴(kuò)大,包括該國以前未通電的地區(qū)。(c)模型訓(xùn)練中使用的27,174個(gè)調(diào)查對(duì)象的財(cái)富指數(shù)(大致為村莊),從低資產(chǎn)財(cái)富到高資產(chǎn)財(cái)富的顏色。數(shù)據(jù)涵蓋了25個(gè)國家,歷時(shí) 13年,代表641,621個(gè)家庭調(diào)查。

關(guān)于Complexity Express

Complex World, Simple Rules.

復(fù)雜世界,簡單規(guī)則。

由于學(xué)科交叉融合,大量針對(duì)復(fù)雜系統(tǒng)的研究成果散落在人工智能、統(tǒng)計(jì)物理、網(wǎng)絡(luò)科學(xué)、數(shù)據(jù)科學(xué)、計(jì)算社會(huì)科學(xué)、生命科學(xué)、認(rèn)知科學(xué)等等不同領(lǐng)域的期刊會(huì)議中,缺乏整合。

為了讓大家能及時(shí)把握復(fù)雜系統(tǒng)領(lǐng)域重要的研究進(jìn)展,我們隆重推出「Complexity Express」服務(wù),匯總復(fù)雜系統(tǒng)相關(guān)的最新頂刊論文。

原標(biāo)題:《處理子抽樣問題從有限數(shù)據(jù)中推斷集體屬性 | 復(fù)雜性科學(xué)頂刊精選7篇》

本站僅提供存儲(chǔ)服務(wù),所有內(nèi)容均由用戶發(fā)布,如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容,請(qǐng)點(diǎn)擊舉報(bào)。
打開APP,閱讀全文并永久保存 查看更多類似文章
猜你喜歡
類似文章
Nature Computational Science:發(fā)表空間轉(zhuǎn)錄組與人工智能最新研究成果
百年微分方程難題被解決!作者:可以模擬大腦動(dòng)力學(xué)了 | MIT
「Nature子刊」大腦越用越靈活!科學(xué)家發(fā)現(xiàn)控制大腦“靈活”的開關(guān)
人造神經(jīng)元成功操縱植物,讓捕蠅草強(qiáng)行閉合丨Nature子刊
清華類腦芯片登上Nature封面,公司已成立一年,顛覆馮諾伊曼!
錢教授課堂第819課——從新定位
更多類似文章 >>
生活服務(wù)
熱點(diǎn)新聞
分享 收藏 導(dǎo)長圖 關(guān)注 下載文章
綁定賬號(hào)成功
后續(xù)可登錄賬號(hào)暢享VIP特權(quán)!
如果VIP功能使用有故障,
可點(diǎn)擊這里聯(lián)系客服!

聯(lián)系客服