9 月 26 日星期四，北约秘书长延斯·斯托尔滕贝格参加了在纽约外交关系委员会 (CFR) 举行的对话和问答会议。此次活动由 CFR 董事会成员兼 MSNBC 主持人 Ayman Mohyeldin 主持，聚集了政策专家、政府官员、学者、商界领袖、媒体从业者和非政府组织。
简介 在讨论大型语言模型 (LLM) 时，一个核心问题是它们记忆训练数据的程度与它们如何推广到新任务和设置。大多数从业者似乎（至少非正式地）认为 LLM 在某种程度上两者都做到了：它们清楚地记住了部分训练数据——例如，它们通常能够逐字重现大量训练数据 [Carlini 等人，2023]——但它们似乎也从这些数据中学习，从而使它们能够推广到新设置。它们做这一件事或另一件事的确切程度对此类模型的实践和法律方面具有重大影响 [Cooper 等人，2023]。LLM 真的会产生新内容吗，还是只是重新混合了训练数据？对受版权保护的数据进行训练的行为应该被视为对数据的不公平使用，还是应该根据模型记忆的某种
Strengthening minds: U.S. Navy, Royal Australian Navy collaborates for mental health initiatives
美国海军心理学家与海军陆战队轮换部队 - 达尔文 24.3 与澳大利亚皇家海军心理健康从业者合作，于 9 月 2 日在澳大利亚北领地 Larrakeyah 国防区提供作战压力反应和干预培训。
Strengthening minds: U.S. Navy, Royal Australian Navy collaborates for mental health initiatives
9 月 2 日，美国海军陆战队轮换部队 - 达尔文 24.3 的心理学家与澳大利亚皇家海军心理健康从业者合作，在澳大利亚北领地 Larrakeyah 国防区提供作战压力反应和干预方面的培训。
摘要：心理学、生理学、医学和社会科学学科一致认为，主动和被动接触大自然可以增进人类福祉。自然基础设施 (NI) 包括自然元素，它们可以在服务于基础设施相关目的的同时提供这些辅助福祉益处，因此，为包括美国陆军工程兵团在内的机构提供了巨大的希望，可以作为增强土木工程项目经济、环境和社会效益的一种手段。然而，到目前为止，NI 通常被视为传统基础设施的替代品，但在项目选择方面很少具有竞争力，因为没有标准化的方法来证明其价值或证明其成本合理。随后选定的基础设施项目可能无法最大限度地提高社会福祉或公平分配利益。需要一个框架来捕捉 NI 的多样化和整体利益。作为正在进行的研究的一部分，本文描述了构建福祉利益
Market Basket Analysis Using High Utility Itemset Mining
在交易中寻找高价值模式在这篇文章中，我将提供一种替代流行的市场篮子分析技术的方法，它可以帮助从业者找到高价值模式，而不仅仅是最常见的模式。我们将对不同的模式挖掘问题有一些直观的了解，并看一个真实的例子。完整的代码可以在这里找到。所有图像均由作者创建。简介我已经写了一篇关于模式挖掘的更入门的文章；如果你不熟悉这里提到的一些概念，请先阅读那篇文章。简而言之，模式挖掘试图在数据中寻找模式（呃）。大多数时候，这些数据以（多）集或序列的形式出现。例如，在我的上一篇文章中，我研究了用户在网站上执行的操作序列。在这种情况下，我们会关心项目的顺序。在其他情况下，比如我们将在下面讨论的情况，我们不关心项目的顺序
Market Basket Analysis Using High Utility Itemset Mining | by Laurin Brechter | Sep, 2024
在交易中寻找高价值模式 在这篇文章中，我将提供一种替代流行市场篮子分析技术的方案，该方案可以帮助从业者找到高价值模式，而不仅仅是最常见的模式。我们将对不同的模式挖掘问题有一些直观的了解，并看一个真实的例子。完整的代码可以是使用高效用项集挖掘进行市场篮子分析 | 作者：Laurin Brechter | 2024 年 9 月，首次出现在 AI Quantum Intelligence 上。
Market Basket Analysis Using High Utility Itemset Mining | by Laurin Brechter | Sep, 2024
在交易中寻找高价值模式 在这篇文章中，我将提供一种替代市场篮子分析中流行技术的替代方案，该技术可以帮助从业者找到高价值模式，而不仅仅是最常见的模式。我们将对不同的模式挖掘问题有一些直观的了解，并看一个真实的例子。完整的代码可以是使用高效用项集挖掘进行市场篮子分析的帖子 | 作者 Laurin Brechter | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
Study: Transparency is often lacking in datasets used to train large language models
研究人员开发了一种易于使用的工具，使 AI 从业者能够找到适合其模型目的的数据，从而提高准确性并减少偏差。
On the Benefits of Pixel-Based Hierarchical Policies for Task Generalization
强化学习从业者通常避免使用分层策略，尤其是在基于图像的观察空间中。通常，与平面策略相比，单任务性能的改进并不能证明实施层次结构所带来的额外复杂性是合理的。但是，通过引入多个决策层，分层策略可以组成较低级别的策略，以更有效地在任务之间进行概括，从而突出了多任务评估的必要性。我们通过像素模拟多任务机器人控制实验来分析层次结构的好处……
Event Study Designs: A Beginner’s Guide
它们是什么，它们不是什么在本文中，我试图阐明应用计量经济学家工具包中基本工具的使用：差异-差异 (DiD) 和事件研究设计。这篇文章主要受到我学生的启发，分解了基本概念并解决了经常使从业者感到困惑的常见误解。如果您想知道为什么标题关注事件研究而我也在谈论 DiD，那是因为，当谈到因果推理时，事件研究是差异-差异的概括。但在深入研究之前，让我向您保证，如果您感到困惑，这可能是有充分理由的。近年来，DiD 文献随着新方法的出现而蓬勃发展，因此很难跟上。事件研究设计的起源也无济于事……事件研究的起源金融起源事件研究起源于金融，旨在评估特定事件（如收益公告或合并）对股价的影响。事件研究法由 Ball
USAHS Founder Receives High Honor for His Contribution to Healthcare
这位著名的医疗保健从业者和教育家近一个世纪以来一直在推动物理治疗的发展。圣奥古斯丁健康科学大学 (USAHS) 自豪地宣布，该大学创始人兼校长斯坦利·帕里斯博士获得了享有盛誉的杰弗里·梅特兰物理治疗进步奖
尽管基于价值的支付模式具有潜力，但大多数初级保健机构在过去 14 年中尚未参与测试。 在这项研究中，我们直接与初级保健从业者交谈，以了解他们不参与的原因。
Improv: A new tool for boosting empathy in healthcare
当医护人员具有更高水平的同理心和同情心时，可以提高患者护理的质量并降低从业者倦怠的可能性。新研究表明即兴表演如何有所帮助。
What’s New in Computer Vision and Object Detection?
是否想写出您的第一篇 TDS 文章？我们始终欢迎新作者的投稿。在开始本周的精彩文章选集之前，我们想花点时间感谢所有读者、作者和更广泛社区的成员，感谢他们帮助我们实现一个重要的里程碑，因为我们的关注者指望 Medium 刚刚实现……我们非常激动——并感谢所有支持我们使 TDS 成为蓬勃发展、以学习为重点的出版物的人。祝愿未来有更多的成长和探索！回到我们的常规业务，我们选择了三篇最近的文章作为本周的亮点，重点介绍了计算机视觉和物体检测等令人兴奋的领域的尖端工具和方法。随着多模态模型的覆盖范围不断扩大，自动驾驶、医疗保健和农业等用例成为主流，数据和机器学习从业者必须随时了解最新发展。（如果您现在对其
Step-by-Step Guide to Creating Simulated Data in Python
一个适合初学者的教程，教你如何生成自己的数据进行分析和测试照片由 Alexandru-Bogdan Ghita 在 Unsplash 上拍摄想象一下，你刚刚编写了一个机器学习模型，需要在特定场景中对其进行测试，或者你正在发布一篇关于自定义数据科学解决方案的学术论文，但可用的数据集有版权限制。另一方面，你可能正处于机器学习项目的调试和故障排除阶段，需要数据来识别和解决问题。所有这些情况，以及更多情况，都可以从使用模拟数据中受益。通常，现实世界的数据并不容易获得、昂贵或私密。因此，创建合成数据对数据科学从业者和专业人士来说是一项有用的技能。在本文中，我介绍了一些使用 Python 从头开始创建
Jennifer O’Connor appointed vice president and general counsel
杰出的法律从业者将于 7 月 29 日加入哈佛大学，其职业生涯包括在白宫和联邦机构从事公共服务
How to Test Machine Learning Systems
从概念到实用的代码片段，实现有效测试图片来自作者软件开发中的测试至关重要，因为它可以保证交付给客户的价值。交付成功的产品不是一次性的努力；而是一个持续的过程。为了确保持续交付，我们必须定义成功，整理数据，然后训练和部署我们的模型，同时持续监控和测试我们的工作。为了持续交付，我们必须定义成功，整理数据，然后训练和部署我们的模型，同时持续监控和测试我们的工作。机器学习系统中的“信任”不仅仅需要测试；它必须集成到整个生命周期中（如我的另一篇博客所示）。TRUST 的机器学习流程可以在“如何以合理的方式在机器学习中构建 TRUST”中描述（图片来自作者）。在深入讨论详细部分之前，这里有一个简短的 TL
