What animal societies can teach us about aging
新研究表明，动物和人类一样，随着年龄的增长会改变它们的社交行为。包括利兹大学的几项研究在内的 16 项研究集合探讨了衰老如何影响动物的社交互动。《皇家学会哲学学报 B》的这一特别版研究了不同物种如何随着年龄的增长调整它们的社交习惯[…]文章 动物社会可以教给我们什么关于衰老的知识首先出现在 Knowridge Science Report 上。
Classic Aero-TV: The Enduring Appeal of METARmaps
来自 2023 年（YouTube 版）：艺术与信息的交汇处 METARmaps 由飞行员、飞机拥有者和企业家 Richard Freilich 开发，是视觉艺术与实时气象观测的融合，体现在独特而实用的墙面装饰中。METARmaps 由 VFR 分区图（或部分、合成图或集合）的精心再现组成，其中装有微型处理器，可控制 LED 灯的照明和颜色，这些 LED 灯代表图表地理边界内的 METAR 报告机场。主题 LED 描绘了所代表机场的一般实时天气状况。
Schiedea waiahuluensis W.L.Wagner, Weller, B.Nyberg, & A.K.Sakai, 收录于 Wagner, Weller, Sakai, Nyberg et Wood, 2024。DOI: 10.3897/phytokeys.247.130241摘要在国家热带植物园无人机团队的一项调查中，2021 年 12 月在考艾岛 Waimea 峡谷 Waiahulu 山谷陡峭的岩石悬崖上发现了一种神秘的 Schiedea。随后，在 2022 年 3 月进行了另一项调查，通过使用悬挂在无人机下方的遥控切割装置，收集了第一个植物标本，以及未描述的悬崖栖息物
'Quantum Memory' Proves Exponentially Powerful
Lakshmi Chandrasekaran，Quanta 研究量子系统并不容易——粒子的集合遵循违反直觉的量子力学规则。
433rd Aeromedical Evacuation Squadron Chief Retires
第 433 航空医疗后送中队高级士官长丽莎·洛佩兹 (Lisa Lopez) 于 10 月 5 日从美国空军预备役退役，此前她已服役近 30 年。洛佩兹于 1995 年 8 月开始了她的空军生涯。在她的职业生涯中，她毕业于卫生服务管理技术学校，并在谢泼德空军基地接受过航空医疗技术员交叉训练。2010 年，洛佩兹随第 34 航空医疗后送中队调至科罗拉多州彼得森空军基地，在那里她建立了管理内部控制工具集合规性的自我评估检查程序。第二年，洛佩兹回到第 433 航空医疗后送中队，并两次部署参与持久自由行动。在她的职业生涯中，她领导过数百名医务人员并担任过各种领导职务。
SOLICITATION OF QUALIFIED MARINES FOR LATERAL MOVE INTO THE INFLUENCE SPECIALIST PRIMARY MOS 1751
R 091454Z 10 月 24 日 MARADMIN 482/24MSGID/GENADMIN/CMC DCI 华盛顿特区// 主题/征集合格人员
When is Multicalibration Post-Processing Necessary?
校准是预测因子的一个经过充分研究的属性，可保证有意义的不确定性估计。多重校准是一个相关概念——源于算法公平性——它要求在可能复杂且重叠的受保护亚群集合（例如按种族、种族或收入定义的群体）上同时校准预测因子。我们进行了首次全面研究，评估了从简单决策树到 90 的模型在广泛的表格、图像和语言数据集上的多重校准后处理的实用性……
这是我被任命为分公司经理几个月后的一天发生的故事在日本生命工作时。 当日本生命保险雇用新的销售人员时，新员工会被分配一份没有负责人的退休人员合同（由其他销售人员招聘且该人员已离开公司的合同）对于每个地区的新员工，基本的培训方法是定期访问现有合同，让他们学习客户服务任务，例如提供计费程序指导，这将导致下一份合同。但当时可分配给新聘用人员的营业部的合同并不多，需要调整分公司辖内营业部之间分配的合同数量。因此，我们决定要求提供一份显示每个销售人员负责的客户数量的列表，并检查分配给他们的客户数量是否不均匀。该名单中，每位销售人员负责的客户数量分为本人经手合同客户（以下简称“本人经手客户”）和退休人员经
欢迎阅读我的第 181 篇精华文章。在这里，我分享了一些最新的新闻、想法和数学教师资源。1. A 级我最近看到了很多很棒的新 A 级资源：来自@the_chalkface，按主题排列的 Edexcel A 级数学和进阶数学考试题。虽然已经存在类似的集合，但这可能会成为我的首选：它组织良好，易于访问和
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：大规模人工智能需要大规模核电，但将电力从发电厂输送到数据中心存在监管问题：https://spectrum.ieee.org/amazon-data-center-nuclear-power 人工智能驱动的出租车的集合名词是“Gaggle”还是“Honk”？https://futurism.com/the-byte/robotaxis-gather-honk-all-night 随着生成式人工智能越来越好，这些人工智能生成的故事多久之后会变得无法
Rectifying and Stabilizing Planet SkySat Video Collects for Bathymetric Inversions from Space
摘要：本《海岸与水力学工程技术说明》（CHETN）介绍了一种工作流程的开发，该工作流程用于处理美国陆军工程研究与发展中心（ERDC）、海岸与水力学实验室（CHL）、位于北卡罗来纳州达克的实地研究设施（FRF）从太空收集的 Planet SkySat 视频，以推导波浪运动学并执行水深反演。该文件总结了九个 30-60 秒* 卫星视频集合，展示了自动校正和稳定工作流程的准确性，并应用了一种通用反演算法（cBathy）的新短停留版本来展示来自太空的短停留视频的实用性，为其中一个集合提供初步的开箱即用的错误评估，并推荐了未来改进水深预测的研究途径。
Llama 3.1 models are now available in Amazon SageMaker JumpStart
今天，我们很高兴地宣布，最先进的 Llama 3.1 多语言大型语言模型 (LLM) 集合（包括 8B、70B 和 405B 大小的预训练和指令调整生成式 AI 模型）可通过 Amazon SageMaker JumpStart 部署以进行推理。Llama 是一种可公开访问的 LLM，专为开发人员、研究人员和企业设计，用于构建、试验和负责任地扩展他们的生成式人工智能 (AI) 创意。在这篇文章中，我们将介绍如何使用 SageMaker JumpStart 发现和部署 Llama 3.1 模型。
Are We Ready for Multi-Image Reasoning? Launching VHs: The Visual Haystacks Benchmark!
人类擅长处理大量视觉信息，这是实现通用人工智能 (AGI) 的关键技能。几十年来，人工智能研究人员开发了视觉问答 (VQA) 系统来解释单个图像中的场景并回答相关问题。虽然基础模型的最新进展大大缩小了人类和机器视觉处理之间的差距，但传统的 VQA 仅限于一次推理单个图像，而不是整个视觉数据集合。这种限制在更复杂的场景中带来了挑战。例如，辨别医学图像集合中的模式、通过卫星图像监测森林砍伐、使用自动导航数据绘制城市变化、分析大型艺术收藏中的主题元素或从零售监控录像中了解消费者行为等挑战。这些场景中的每一个不仅需要对数百或数千张图像进行视觉处理，还需要对这些发现进行跨图像处理。为了弥补这一差距，本项
U.S., Philippine Forces Execute Joint Maritime Security Training Exercise
几十年来，苏禄群岛（菲律宾南部三个主要省份的集合）一直是贩运、非法捕鱼和走私非法材料进入该国的主要路线。这些岛屿在西里伯斯海和苏禄海之间形成了一条缝隙，终点距离马来西亚不到 50 英里。该地区有两条通往菲律宾的重要海上航线，即西布图航道和巴西兰海峡。
摘要：本《沿海和水力学工程技术说明》（CHETN）介绍了对位于北卡罗来纳州达克的美国陆军工程研究与发展中心 (ERDC)、沿海和水力学实验室 (CHL)、野外研究设施 (FRF) 的快速部署雷达和相关软件的评估，该雷达和相关软件用于表征浪区波浪、洋流和水深。该项目是应美国海军陆战队 (USMC) 作战实验室的要求进行的。2023 年 7 月至 8 月期间，第 1 版高级战术意识套件-雷达远征 (ATAK-ER V1) 系统部署了 15 次，以观察可能影响雷达处理的一系列波浪、水位和风况。然后将系统的产品与 FRF 的持续运行现场仪器和每月的水深测量进行比较，以量化输出的准确性和可靠性。已确定该
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 7, July 2024
1) 模糊机器学习：综合框架与系统综述作者：陆杰，马广志，张广全页数：3861 - 38782) 基于切换事件的区间型 2 T-S 可变方向模糊控制，适用于具有未知控制方向的时滞系统作者：水毅，董璐，张亚，孙昌银页数：3879 - 38903) 基于双规则的加权模糊插值推理模块和时间编码器-解码器贝叶斯网络用于试剂添加控制作者：高晓亮，唐朝晖，谢永芳，张虎，丁农章，桂伟华页数：3891 - 39024) 模糊非线性 MAS 在 DoS 攻击下的弹性协同优化控制作者：范莎，岳东，闫怀成， Xiangpeng Xie, Chao Deng页数：3903 - 39135) 直觉模糊偏好下考虑共识和态
How Should You Test Your Machine Learning Project? A Beginner’s Guide
使用 Pytest 和 Pytest-cov 等标准库对机器学习项目进行测试的友好介绍代码测试，图片由作者提供简介测试是软件开发的重要组成部分，但根据我的经验，它在机器学习项目中被广泛忽视。很多人都知道他们应该测试他们的代码，但很少有人知道如何做并真正做到这一点。本指南旨在向您介绍测试机器学习流程各个部分的基本知识。我们将专注于在 IMDb 数据集上对 BERT 进行文本分类微调，并使用 pytest 和 pytest-cov 等行业标准库进行测试。我强烈建议您遵循此 Github 存储库中的代码：GitHub - FrancoisPorcher/awesome-ai-tutorials：最好
