- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI
原来这就是 MoA(Mixture-of-Agents)
今天看到一个项目，Mixture-of-Agents (MoA)，打开了一个新思路。 介绍Mixture-of-Agents (MoA) 是一种新颖的方法，它利用多个 LLMs 的集体优势来增强性能，实现最先进的结果。 通过采用每层包含多个 LLM 代理的分层架构，MoA 仅使用开源模型，在 AlpacaEval 2.0 上的得分为 65.1%，显着优于 GPT-4 Omni 的 57.5%！ 我们看下架构图快速开始pip install togetherexport TOGETHER_API_KEY=...python moa.py评估准备# install requirementspip 总结MoA上面的介绍文字，看的不一定清楚。看下代码，就都清楚了。它做的事用户提问，异步调用各种 llm 给结果。
1.2K10编辑于 2024-07-10 - 来自专栏漫画大数据
MOA联系人导入到手机本地？
MOA里记录着公司几千号同事的电话号码，要想给某个同事打电话，直接在MOA里搜索到这个同事就可以拨打了，特别方便；但当其他同事给你打来电话时，你的来电显示里只会显示一个电话号码，并不知道是谁打过来的，有什么好办法么 如果MOA能像微信电话本一样可以作为系统的默认电话应用，当有来电时直接显示出这个电话是谁打来的，哪个部门的，什么职位等等，但目前来看，好像也没有规划要做成这样。 所以，现在只能将MOA里的联系人全部（或者部分）导入手机本地啦~ 口袋助理网页版 口袋助理有个网页版本的，可以直接在网页上跟同事聊天（网页版地址是 https://web.kd77.cn/im/ ，我老觉得这种域名指向的是那种不正规的网站
1.1K20编辑于 2023-01-31 - 来自专栏集智书童
MoA-Transformer | Swin-Transformer应该如何更好地引入全局信息？
主要贡献 提出了一种多分辨率重叠注意(MOA)模块，该模块可以在Local Transformer的每个阶段后插入，以促进与附近windows和所有非局部windows的信息通信 利用所提出的MOA模块 与Transformer block类似，在每个MOA模块之后应用LN层和残差连接。 、MOA-S和MOA-B，而为CIFAR -10/100数据集构建了2个版本的模型：MOAT和MOA-B，因为它非常小。 在基于CIFAR的模型中，MOA-T和MOA-B包含相同数量的Transformer层：12层，但隐藏层维数不同。 在基于ImageNet的模型中，MOA-T和MOA-S的总层数分别为12层和24层，但隐藏层保持不变，而MOA-S和MOA-B的Transformer层数相同：24层，对比隐藏层分别为96层和124层。
1.2K30编辑于 2022-02-11 - 来自专栏自然语言处理
Kaggle系列-Mechanisms of Action (MoA) Prediction第一名方案
（LINCS）的一个项目，它提出了这一挑战，目标是通过改进MoA预测算法来推进药物开发。 基于MoA批注，将根据应用于每个药物MoA批注对的对数损失函数的平均值来评估溶液的准确性。如果成功，你可以开发一种算法，从而根据化合物的细胞特征预测化合物的MoA，从而帮助科学家推进药物发现过程。 因此，您的任务是使用训练数据集来开发一个算法，该算法自动将测试集中的每个案例标记为一个或多个MoA类。注意，由于药物可以有多个MoA注释，因此这项任务在形式上是一个多标签分类问题。 基于MoA注释，将根据应用于每个药物MoA注释对的对数损失函数的平均值来评估溶液的准确性。 如果成功，你将帮助开发一种算法，根据化合物的细胞特征预测其MoA，从而帮助科学家推进药物发现过程。 ：额外没有带有标签的MOA数据 test_features.csv：测试数据的特征。
1.8K20发布于 2021-01-18 - 来自专栏智药邦
Nat Rev Drug Discov丨中国制药行业的创新水平
新靶点 该文还通过研究具有新型靶点/作用机制（MOA）的临床阶段药物的百分比来评估跨国公司和中国公司管线中的相对创新水平。 对于几乎所有Top20的跨国制药公司来说，他们管线中50%以上的药物都有新颖的MOA（图2）。 相比之下，在排名Top20的中国公司中，只有百济神州和信达生物拥有超过一半的药物具有新颖的MOA（因为针对既定靶点的双特异性抗体被认为具有新颖的MOA）。其余的中国公司中，新型MOA的比例低于30%。 例如，尽管恒瑞拥有数量可观的临床阶段药物，但其候选药物中只有24%具有新型MOA。 （较低比例的新型MOA和较低数量的临床阶段药物）。
42220编辑于 2022-11-16 - 来自专栏AI科技评论
为 Java 开发者量身定制的五款机器学习库
Massive Online Analysis (MOA) 地址：http://moa.cms.waikato.ac.nz/ ? 和 Weka 一脉相承，MOA 的命名也是来源于一种新西兰特有的无翼大鸟——新西兰恐鸟（目前已灭绝）。 MOA 也是基于 Java 环境，开源，免费，在面对复杂问题时，MOA 还能和 Weka 协同工作。 MOA 在运算效率和内存占用方面都做了特殊优化，通过提供易于扩展的底层结构、可复用的数据流分析设置以及一系列内部实现好机器学习算法，MOA 为实时数据流分析提供了一个非常优秀的基准框架，因此在实时数据流挖掘领域的应用非常广泛 此外，MOA 还提供了多种评估工具，以及活跃的社区讨论、博客等配套资源。 Deeplearning4j 地址：https://deeplearning4j.org/ ?
1.4K110发布于 2018-03-12 - 来自专栏智能生信
Nat. Rev. Drug Discov. | 基于图像的药物发现
作用机制（MOA）的识别 阐明药物的MOA可以更深入地了解其生物学活性，增加其临床批准的机会，并可以设计新药，驱动通过不同目标区分不利影响与有利影响。 扩展的基于图像的画像分析包含许多可立即记录各种疾病和作用机制（MOA）信息的功能组合（重叠或不重叠）。 采用最近邻居策略无法区分许多MOA类别。 图2 a-c所示的策略可用于快速查看给定数据集中的聚类样本，如果将这些策略用于为每个样品分配MOA类，则该方法将被称为“半监督”，因为在创建此共享空间之后，将使用与已知MOA化合物（如果有）非常接近的化合物进行 MOA分配。
1.1K10发布于 2021-03-03 - 来自专栏机器之心
无问芯穹提出混合稀疏注意力方案MoA，加速长文本生成，实现最高8倍吞吐率提升
MoA 构建了一个包含多种注意力模式及其扩展规则的搜索空间。通过分析模型，评估潜在配置，MoA 可以为每个注意力头找到最优的稀疏注意力模式和扩展规则。 本文方法 本文提出了一种名为混合注意力（MoA）的方法，它是一种无需训练或微调的异质稀疏注意力机制。如下图所示，MoA 建立了一套异质弹性规则，作为注意力跨度的搜索空间。 具体而言，MoA 构建了一个多目标优化问题：最小化不同输入长度下的预测损失，同时确保平均注意力密度不超过用户设定的限制。MoA 采用混合整数优化方法求解这一多目标优化问题。 下表比较了 MoA 相对于各种注意力机制和 LLM 框架的运行效率，并对 MoA 的每个设计带来的效率提升进行了消融分析。 与包含高度系统级优化的 vLLM 框架 [11] 相比，MoA 仍实现了 1.7-1.9 倍的吞吐量提升。MoA 还将 GPU 总内存减少 1.2 到 1.4 倍。
54610编辑于 2025-02-14 - 来自专栏EDI电子数据交换知识分享
EDI REMADV报文详解
477 28 99:FX' COM+0044 89 477 23 28:TE' NAD+SU+1234567890126::9' CUX+2:EUR:11' DOC+380+4365384323' MOA +39:53800.12' MOA+52:1076.00' MOA+12:52724.12' DTM+137:20190213000000:204' UNS+S' MOA+39:53800.12' MOA +12:52724.12' MOA+138:1076.00' UNT+22+1' UNZ+1+00000000004711' 企业如何从使用REMADV报文中受益？
71840发布于 2021-03-17 - 来自专栏智药邦
bioRxiv | 结合结构和细胞图像数据预测化合物作用机制
这表明了明显的加性/协同效应，说明整合多个数据源有益于MoA预测。 本文首先比较了各种传统机器学习和深度学习模型，基于20个MoA类的化学结构数据预测MoA。 图1中显示了10类MoA的细胞绘制图像示例。这个工作以端到端方式训练五通道细胞绘制图像数据和分子指纹数据，以预测MoA，其将原始图像用作模型的输入。 大多数MoA仅与少量化合物关联，因此作者采用了这个数据集的子集，仅选用前20个具有最多关联的化合物的MoA数据。每个MoA的化合物数量统计如图2所示。 图4 (A) 在前20类MoA的测试集上传统机器学习模型的宏平均F1分数的比较。(B) 在前20类MoA的测试集上深度学习模型的宏平均F1分数的比较。 4 结论 在这项工作中，作者使用不同的模型和数据源来预测MoA。MLP是基于化合物结构预测MoA的最佳深度学习模型，EfficientNet在基于细胞绘制图像数据预测MoA方面取得了令人信服的结果。
93730编辑于 2022-11-16 - 来自专栏云云众生s
如何将微服务架构应用于嵌入式系统
但是，如前所述，构成 MOA 的每个服务都托管在远程位置。 应用程序的前端调用远程路由/控制器服务。 MOA 在 RPC 模式之上构建了一组传统要求。在 MOA 下，每个微服务： 支持单一关注点。 是离散的。 携带自己的数据。 是可移植的。 是短暂的。 嵌入式设备的 MOA 有什么特别之处？ 为嵌入式环境实现 MOA 需要与为数据中心应用程序编写 MOA 不同的方法。 首先，大多数数据中心使用 Linux 操作系统来驱动其机器。 相反，在 MOA 场景中，体系结构中的每个微服务都托管在嵌入式处理器上，因此协议缓冲区或自定义二进制格式等二进制格式更适合通信。 就像在数据中心运行的 MOA 需要 API 网关来将流量路由到指定的微服务一样，在嵌入式环境中运行的 MOA 也需要这样的路由器/控制器机制。
1K10编辑于 2024-07-18 - 来自专栏EDI技术知识
什么是CUSDEC 报关单？
/税收MOA+161:6789.12'- 货币金额TAX+1+VAT:107:ZZZ'- 进出口增值税明细MOA+161:77.88'- 进出口增值税金额TAX+1+DLA:107:ZZZ'- 出口征税明细 MOA+161:123.45'- 出口征税的金额UNS+S'- 明细部分段分隔TAX+3+CIF:107:ZZZ'- 到岸以及离岸价格明细MOA+161:785'- 到岸以及离岸价格TAX+3+TRN: 107:ZZZ'- 交易金额明细MOA+161:89456:ADP'- 交易金额TAX+3+TDD:107:ZZZ'- 应缴税款总额明细MOA+161:5671'- 应缴税款总额TAX+3+TVD:107 :ZZZ'- 应缴增值税总额明细MOA+161:256'- 应缴增值税总额TAX+3+AOP:107:ZZZ'- 前期消费税账户多支付的金额明细MOA+161:9'- 前期消费税账户多支付的金额TAX+ 1+AUP:107:ZZZ'- 前期消费税账户中少支付的金额明细MOA+161:15123'- 前期消费税账户中少支付的金额TAX+3+CUS:107:ZZZ'- 关税价值明细MOA+161:768765
74470编辑于 2022-11-17 - 来自专栏DrugOne
Nat. Biotechnol. | 绘制药物代谢扰动图谱，解码1520种药物的隐秘作用机制
理解小分子的作用模式(mode of action，MoA)对于指导先导化合物的选择、优化和临床开发至关重要。 所发现的代谢变化揭示了药物以前未知的作用，扩展了它们的MoA注释和潜在的治疗应用。 扰动代谢的正交方式数量(PC)超过了药物目前分类的316种MoA总数，表明药物代谢效应比基于注释的药物MoA预期的更为多样化。 从药物与药物代谢相似性中预测MOA 图 3 作者接下来想探讨这么一件事：具有相似作用机制（MoA）的药物是否也表现出相似的代谢特征？ 平均而言，具有相同注释MoA的药物之间的相似性显著高于具有不同MoA的药物对（双侧t检验，P = 3.1 × 10−119）（图3b），这表明存在药物MoA特异性的代谢特征。
41000编辑于 2025-03-17 - 来自专栏深度学习与python
基于多智能体与MCP，中国工商银行软件开发中心普惠金融智能中枢建设探索与实践
作者 | 中国工商银行软件开发中心 普惠金融领域面临业务流程复杂、信息处理负荷高、人力资源紧张的现实困难，为解决这一难题，中国工商银行软件开发中心打造智能助手“工小惠”，通过 MOA 多智能体协同框架与 构建多层 MOA 模型，每层包含多个 LLM 智能体。 针对这一痛点，项目通过两项创新实现突破，见图 3：MOA 智能中枢与 MCP 服务流程图： MOA 多智能体协同框架彻底重构传统单智能体服务模式。 例如，客户经理提出“某某企业怎么样”的综合需求时，MOA 自动分解为工商查询、财报分析、行业分析、企业舆情评估、风险测算等子任务，联动对应专业智能体协同处理。 图 3：MOA 智能中枢与 MCP 服务流程图
55010编辑于 2025-11-26 - 来自专栏DrugOne
Nat. Commun. | 转录组驱动的扩散模型揭示细胞形态在扰动下的变化
其中，形态学分析因其在药物再利用、活性预测及 MOA 识别中的应用而受到广泛关注。 然而，化合物与基因的数量庞大，使得对所有扰动进行实验性形态学分析几乎不可行。 在 MOA 检索任务中，MorphDiff 显著优于基线方法和单纯基因表达分析，准确率提升 16.9% 和 8.0%。 更重要的是，MorphDiff 能识别 结构不相似但 MOA 相同的药物，说明细胞形态包含互补信息，有助于发现新型候选药物。 该方法能够： 建立基因表达与细胞形态之间的联系； 在遗传和药物扰动下准确预测细胞形态； 支持 MOA 检索与药物发现。
29810编辑于 2025-10-14 - 来自专栏AI研习社
盘点：为 Java 开发者量身定制的五款机器学习库
█ Massive Online Analysis (MOA) http://moa.cms.waikato.ac.nz/ ? 和 Weka 一脉相承，MOA 的命名也是来源于一种新西兰特有的无翼大鸟——新西兰恐鸟（目前已灭绝）。 MOA 也是基于 Java 环境，开源，免费，在面对复杂问题时，MOA 还能和 Weka 协同工作。 MOA 在运算效率和内存占用方面都做了特殊优化，通过提供易于扩展的底层结构、可复用的数据流分析设置以及一系列内部实现好机器学习算法，MOA 为实时数据流分析提供了一个非常优秀的基准框架，因此在实时数据流挖掘领域的应用非常广泛 此外，MOA 还提供了多种评估工具，以及活跃的社区讨论、博客等配套资源。 █ Deeplearning4j https://deeplearning4j.org/ ?
1.4K140发布于 2018-03-29 - 来自专栏智药邦
Nat Chem Biol｜临床前药物发现中的机器学习
learning in preclinical drug discovery，讨论了在药物发现的临床前阶段整合机器学习方法的现状和未来前景，重点关注其在不同疾病领域的应用，以加速初始药物发现、作用机制（MOA 第2步：MOA阐明 在确定了潜在药物后，需要详细阐明其作用机制（MOA）。MOA阐明涉及复杂的生物实验和数据分析，ML技术在这一阶段同样发挥着重要作用。 蛋白质结构预测 蛋白质结构预测是MOA阐明的基础。近年来，基于深度学习的蛋白质结构预测方法取得了突破性进展。 图3 AF2用于MOA说明 蛋白质对接和计算设计 蛋白质对接技术通过模拟配体与受体的相互作用，预测结合亲和力和结合模式。然而，传统对接算法计算量大、耗时长。 图4 MOA阐明的扩散模型 第3步：转化研究 在临床前药物发现的后期阶段，主要目标是将有前景的分子优化为更可行的候选药物。ML算法在这一阶段的应用主要体现在多属性优化和药物特性预测上。
49110编辑于 2024-07-30 - 来自专栏机器之心
CVPR 2024 | 基于MoE的通用图像融合模型，添加2.8%参数完成多项任务
更重要的是，我们的 TC-MoA 甚至对未知的融合任务显示出了创造性的可控性和泛化性，充分展示了我们在更广泛的融合场景中的潜力。 主要贡献 我们提出了一个统一的通用图像融合模型，提供了一种新的任务定制混合适配器（TC-MoA）用于自适应多源图像融合（受益于动态聚合各自模式的有效信息）。 在编码器和解码器中，每 个 Transformer 块插入一个 TC-MoA。网络通过这些 TC-MoA 逐步调制融合的结果。 每个 TC-MoA 由一个特定于任务的路由器银行 ，一个任务共享适配器银行 和一个提示融合层F组成。TC-MoA 包括两个主要阶段：提示生成和提示驱动的融合。 图 2 TC-MoA 的总体架构 提示生成。首先，获得后续处理的多源特征。将第 j 个 TC-MoA 之前的网络结构定义为 ，并提取提示生成特征定义为 。
4.8K10编辑于 2024-04-26 - 来自专栏DrugOne
Nat. Commun. | 人工智能驱动下的抗胰腺癌协同用药发现
这307组协同组合中，多个药物和作用机制（MoA）反复出现。图6显示，Carfilzomib是出现频率最高的药物，并且其参与的组合表现出最强协同效应。 从MoA角度分析，蛋白酶体抑制作用最为常见，其次是PLK1（有丝分裂激酶1）和HDAC（组蛋白去乙酰化酶）抑制。尽管HDAC抑制出现频率略低于PLK1，但其γ评分更优，协同效应更强。 这26组组合涵盖了20种不同的MoA。网络分析（图7）发现，蛋白酶体–HDAC联合抑制是最常见的强协同机制，这一趋势在所有γ < 0.95的协同组合中也同样显著。 研究人员进一步评估了这些MoA–MoA协同关系的统计显著性。蛋白酶体–HDAC联合抑制在307组协同组合中出现9次。 特别值得注意的是，即便使用更严格的协同判定标准（γ < 0.5），蛋白酶体–HDAC依然是最频繁出现的MoA组合（图7），进一步强调了其潜在的生物学价值与临床开发前景。
36100编辑于 2025-05-02 - 来自专栏DeepHub IMBA
使用PyOD进行异常值检测
scipy.io import loadmat from pyod.models.knn import KNN from pyod.models.combination import aom, moa test_scores_norm, n_buckets=5) evaluate_print('Combination by AOM', y_test, y_by_aom) # Combination by moa y_by_moa = moa(test_scores_norm, n_buckets=5) evaluate_print('Combination by MOA', y_test, y_by_moa
69010编辑于 2024-02-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号