对RAS和RAF蛋白的行为与细胞膜中局部脂质环境之间关系之间的关系的了解对了解癌症形成的基础机制至关重要。在这项工作中,我们采用深度学习(DL)来学习这种关系,通过预测基于脂质膜的RAS和RAS-RAF蛋白复合物的蛋白质定位状态,该状态基于蛋白质结构域周围的脂质密度(CG),相对于脂质膜。分子动力学(MD)模拟。我们的DL模型可以预测六个蛋白质状态,总体准确性超过80%。这项工作的发现为蛋白质如何调节脂质环境提供了新的见解,这反过来又可以帮助设计新型疗法以调节与癌症发展相关的机制中的这种相互作用。
translated by 谷歌翻译
饮食摄入量的评估主要依赖于自我报告工具,后者容易出现测量错误。饮食评估方法越来越多地纳入了技术进步,特别是基于图像的方法,以解决这些局限性和进一步的自动化。基于图像的方法可以通过自动估算由移动设备捕获的图像来自动估算饮食摄入量来减轻用户负担和偏见。在本文中,我们提出了一个“能量密度图”,该图是从RGB图像到食物的能量密度的像素到像素映射。然后,我们将“能量密度图”与相关的深度图合并在一起,该图由深度传感器捕获以估计食物能量。在Nutrition5K数据集上评估了所提出的方法。实验结果表明,与基线方法相比,结果的改善,平均误差为13.29 kcal,平均误差的平均百分比误差为13.57%,而食物的估计能量的平均百分比误差为13.57%。
translated by 谷歌翻译
天文瞬态是在各种时间尺度变得暂时更亮的恒星物体,并导致宇宙学和天文学中的一些最重要的发现。其中一些瞬变是被称为超新星的爆炸物的爆炸性死亡,而其他瞬间是罕见的,异国情调的,或完全是新的令人兴奋的恒星爆炸。新的天文天空调查正在观察前所未有的多波长瞬变数量,在视觉上识别新的和有趣的瞬态的标准方法不可行。为了满足这一需求,我们提出了两种新的方法,旨在实时快速,自动地自动检测异常瞬态光线曲线。两种方法都基于简单的想法,如果可以精确建模来自已知瞬态频体群体的光曲线,则从模型预测的任何偏差可能是异常的。第一方法是使用时间卷积网络(TCN)建造的概率神经网络,第二个是瞬态的可解释的贝叶斯参数模型。我们展示了神经网络的灵活性,使它们成为许多回归任务的这种强大工具的属性,是与我们的参数模型相比时不太适合于异常检测的原因。
translated by 谷歌翻译
本文是我们的工作延伸,在那里我们提出了一种三阶段XGBoost算法,用于在产品钙化方案下预测销售额。以前我们根据我们的直觉开发了该模型,并提供了对其性能的实证证据。在这项研究中,我们将简要介绍算法,然后在其工作后面提供数学推理。
translated by 谷歌翻译
需求预测的两个主要挑战是产品蚕食和长期预测。产品蚕食是一种现象,其中一些产品的高需求导致其他产品的销售额降低。长期预测涉及预测销售对战略业务目的至关重要的延长时间框架。此外,例如,传统方法,例如,复发性神经网络可能是无效的,其中火车数据大小很小,如本研究中的情况。这项工作提出了基于XGBoost的三阶段框架,解决了产品蚕食和相关的长期误差传播问题。与常规XGBoost算法相比,比较了所提出的三阶段基于XGBoost的框架的性能。
translated by 谷歌翻译
建立可以在未知域中处理未知变量的通用人工智能系统,我们需要基准测试这些系统在从未见过的任务上的执行程度。这是一个先决条件是一项衡量任务泛化困难的衡量标准,或者它来自系统的先验知识和经验是多么异议。如果在特定域中的智能系统的技能被定义为能够始终生成一组指令(或程序)来解决该域中的任务,则当前的基准未定量测量获取新技能的效率,使其成为可能通过利用无限量的数据和计算能力训练来训练技能。考虑到这一点,我们首先提出了一种常识的教学语言,一种编程语言,允许以各种现实世界域和计算平台的指导的无循环图表表达程序。使用以这种语言生成的程序,我们演示了一种基于匹配的方法,可以进行评分性能,并计算任何给定的任务集的泛化难度。我们使用这些来定义一个名为泛化索引或G-索引的数字基准,以测量和比较任何智能系统的一组真实任务的技能 - 获取效率。最后,我们通过计算G-Index分数来评估一些着名模型作为一般情报系统的适用性。
translated by 谷歌翻译