Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
1057 публикаций
Поиск: 334 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 485 с найденным полным текстом
Achieving humanlike dexterity with anthropomorphic multifingered robotic hands requires precise finger coordination. However, dexterous manipulation remains highly challenging because of high-dimensional action-observation spaces, complex hand-object contact dynamics, and frequent occlusions. To address this, we drew inspiration from the human learning paradigm of observation and practice and propose a two-stage learning framework by learning visual-tactile integration representations via self-supervised learning from human demonstrations. We trained a unified multitask policy through reinforc
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Humans are remarkable in their ability to quickly learn to perform complex tasks. Reinforcement learning (RL) has long been proposed as a model of human learning, and while leading machine RL models have surpassed human expertise at many classic board games and video games, they require vast experience to learn successfully-none of today's algorithms accounts for humans' ability to learn so many different tasks so quickly. We study human learning on 90 simple yet challenging video games, showing how people learn most games within a few minutes. To explain this behaviour, we propose a strong fo
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The increasing demand for timely tuberculosis detection in hospital radiology necessitates scalable and efficient automated screening solutions. This study presents a novel application of the IMPALA distributed deep reinforcement learning architecture to real-time chest radiograph analysis in high-throughput clinical environments. By decoupling actor and learner functionalities within a distributed actor-learner framework, our system enables concurrent handling of extensive radiograph streams while maintaining robust diagnostic performance. We systematically evaluated how modifications to acto
СтатьяОбзорПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Offline reinforcement learning constrains policy optimization within a given dataset, avoiding the high costs and unpredictable risks associated with online sampling in the real world. Model-based approaches provide a promising direction for offline reinforcement learning, as extensive policy explorations and evaluations can happen within the data-driven dynamics model, transcending the limitations imposed by the dataset boundaries. However, accurately predicting long-horizon sequential steps in the learned dynamics model remains a significant challenge. Model roll-out in previous methods reli
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Reasoning is a hallmark of human intelligence, enabling adaptive decision-making in complex unfamiliar scenarios. In contrast, machine intelligence remains bound to training data, unable to dynamically refine solutions at inference. While recent advances have explored machine reasoning - trading inference-time compute for improved performance - they focus on verbal domains such as mathematical problem-solving where explicit rules govern step-by-step solution generation. Many tasks lack sufficient labelled data and require alternative performance improvement mechanisms, such as inference-time c
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
This study aims to provide a systematic review of the applications of machine learning methods in addiction research. In this study, multiple searches on MEDLINE, Embase and the Cochrane Database of Systematic Reviews were performed. 23 full-text articles were assessed and 17 articles met the inclusion criteria for the final review. The selected studies covered mainly substance addiction (N = 14, 82.4%), including smoking (N = 4), alcohol drinking (N = 3), as well as uses of cocaine (N = 4), opioids (N = 1), and multiple substances (N = 2). Other studies were non-substance addiction (N = 3, 17
СтатьяСистематический обзорПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Intelligent control and optimization by reinforcement learning (RL) agents have emerged as a promising framework for biological nutrient removal (BNR) processes. However, most existing studies remain confined to simulation environments, limiting their credibility and engineering relevance. In addition, the black-box nature of RL agents hinders operator trust. This study establishes a reactor-agent integration that enables direct interaction between physical bioreactors and an RL-based agent, demonstrating that agent-based control outperforms conventional strategies in managing influent disturb
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MOTIVATION: Epitope-conditioned T cell receptor (TCR) generation extends protein language modeling to the design of therapeutically relevant receptors. Reinforcement learning (RL) post-training with surrogate binding predictors can improve generation controllability, but it is vulnerable to Goodhart's Law: optimizing an imperfect surrogate reward can lead to reward inflation, distributional drift, and biologically implausible or nonspecific sequences. We investigate whether reward hacking can be mitigated through improved reward formulations without modifying the generator architecture or trai
СтатьяПоддержка NIH: внешняя программаПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Having to control multiple tasks in parallel poses challenges for humans and artificial agents alike. In artificial intelligence, specific forms of reinforcement learning (RL), most notably hierarchical and model-based RL, have shown promising results in scenarios where tasks or skills need to be switched adaptively. However, RL agents still encounter difficulties when faced with serial multitasking that involves switching control between continuously running subtasks, such as changing the radio station while driving in traffic. Inspired by human cognitive processes, we hypothesize that mainta
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Urban drainage systems (UDS) are facing increasing challenges such as flooding and combined sewer overflows (CSOs) due to urbanization, aging infrastructure, and intensifying rainfall patterns. Deep reinforcement learning (DRL) has gained attention for enabling more intelligent and adaptive control strategies in UDS management, as it allows agents to learn optimal policies through interaction with dynamic environments. However, conventional DRL methods assume the next state of environment depends solely on the current state and action. In real-time UDS control, the history of environmental sta
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
HIV/AIDS constitutes a significant global health challenge, impacting more than 38 million individuals across the world, and continues to put pressure on healthcare systems, especially within low- and middle-income nations. Despite significant progress in Antiretroviral Therapy (ART), challenging obstacles remain, including delayed diagnoses, poor treatment adherence, and the emergence of drug resistance. This review investigates the transformative prospects presented by Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) to offer new aspects in HIV/AIDS prevention, dia
СтатьяОбзорПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The increasing sophistication of cyber threats has led to the identification of some major shortcomings associated with honeypots, which include staticness, inflexibility, and vulnerability to fingerprinting. The proposed work aims at overcoming the aforementioned shortcomings by creating an Explainability-Driven Adaptive Cyber Deception Control System capable of engaging in intelligent, interactive interactions with cyber attackers. The key goal of the proposed solution is to improve threat intelligence gathering and deception efficiency by leveraging the benefits of adaptability and explaina
СтатьяПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Spatial omics technologies enable the precise detection of proteins and RNAs at high spatial resolution. Designing spatial omics experiments requires careful consideration of "what" targets to measure and "where" to position the field of views (FOVs). Current FOV sampling strategies often involve acquiring densely sampled FOVs and stitching them together, which is time-consuming, resource-intensive, and sometimes impossible. To optimize FOV sampling strategies, we propose SOFisher, a reinforcement learning-based framework that harnesses the knowledge gained from the sequence of previously samp
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Despite advances in robot-assisted rehabilitation, existing control strategies often lack real-time personalization to account for subject-specific physiological capabilities, limiting the effectiveness of assist-as-needed interventions. Moreover, there is a further need to account for the patient's physiological functional capacity (PFC) in the design of such assistive technology. Here, an attempt has been made to create an Assist-as-Needed (AAN) Controller that works in collaboration with a Smart Avatar. The Smart Avatar mimics the patient's capabilities by learning in real-time and informin
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Heterogeneity in treatment responses to standard treatment regimens poses a critical challenge in clinical practice, compounded by the unobservability of counterfactual outcomes. To address this, we present temporal causal precision medication (TCPM), a generalist framework translating routine physiological indicators into personalized treatment strategies. Central to TCPM is the treatment-free physiological profile (TFPP), a representation of heterogeneous physiological states trained using counterfactual prediction and adversarial learning to model patient's intrinsic, unbiased physiological
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
We reorient Haueis and Colaço's metabolic framework of cognitive modeling by drawing on neuroscientific evidence from animal motor control, reinforcement learning, and decision-making to show that cognition emerged to serve the metabolic demands of the whole organism, rather than those of the brain alone. We also illustrate the generative value of our reframing to model cognition in artificial systems.
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Instruction-based image editing is a challenging task since it requires to manipulate the visual content of images according to complex human language instructions. When editing an image with tiny objects and complex positional relationships, existing image editing methods cannot locate the accurate region to execute the editing. To address this issue, we introduce Proximal Policy Optimization Guided Image Editing(PiGIE), a diffusion model that can accurately edit tiny objects in images with complex scenes. The PiGIE can incorporate proper noise masks to edit images based on the guidance of th
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate golf swing correction requires modeling not only static pose deviations but also temporal rhythm and biomechanical stability throughout the swing sequence. Most existing pose-based approaches rely on frame-wise similarity and therefore fail to capture timing, velocity transitions, and coordinated joint dynamics. This study proposes a reinforcement learning-based framework that generates frame-level corrective motions by formulating swing correction as a sequential decision-making problem optimized via Proximal Policy Optimization (PPO). A multi-term reward function is designed to inte
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Due to the complexity of blood glucose dynamics and the high variability of the physiological structure of diabetic patients, implementing a safe and effective insulin dosage control algorithm to keep the blood glucose of diabetic patients within the normal range (70-180 mg/dL) is currently a challenging task in the field of diabetes treatment. Deep reinforcement learning (DRL) has proven its potential in diabetes treatment in previous work, thanks to its strong advantages in solving complex dynamic and uncertain problems. It can address the challenges faced by traditional control algorithms,
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Life-threatening arrhythmias are the leading cause of sudden cardiac death. The standard clinical treatment involves delivering a high-energy defibrillation shock, which comes along with severe side effects like potential tissue damage or adverse psychological outcomes for patients with implantable cardioverter-defibrillators. We examine whether Reinforcement Learning (RL) can be used to derive low-energy pulse sequences to control the chaotic myocardial excitation dynamics during cardiac arrhythmias. We demonstrate that policies can be trained using numerical simulations and that the resultin
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.