XiaoMi-AI文件搜索系统
World File Search System不完美的
人工智能即兴创作
Improbotics 是一家跨国、跨学科的戏剧公司，致力于即兴喜剧的创作，其中人类演员与人工智能 (AI) 驱动的聊天机器人和机器人一起表演。它充当一个戏剧实验室，连接艺术与科学，开发人工智能技术，开展学术研究，并为普通观众上演娱乐节目。演员和人工智能开发人员之间的共同设计实现了协同效应，艺术家的有趣、创造性和探索性兴趣激发了原本为实用目的而设计的技术的新颖游戏应用，而技术本身又激发了新颖的表演形式。该公司探索了人工智能深深植根于现代人类文化的各个方面，从聊天机器人和机器翻译到视频通信，并将它们融入传统表演和文化空间。Improbotics 在 4 个不同的国家/地区设有办事处（英国、加拿大、比利时、瑞典），在疫情期间，他们在虚拟现实中一起在线排练和练习。它还设计了一场围绕实时现场翻译和（语音识别）错误喜剧的戏剧表演，试图模糊语言界限。将现场人工智能融入传统表演实践中，培养了一种共同创造的精神，人工智能成为一种创造力支持工具，最终成为拟人化的舞台搭档，演员通过角色扮演赋予其个性。反过来，演员们从不完美的人工智能的局限性和可能性中找到幽默和灵感。表演者的这种体验轨迹已经成为设计重点，我们使用人工智能让公众了解人工智能对人类文化的风险，同时也展示了一种共同创造的心态，将技术作为文化创造的工具。我们的节目是与观众共同创作的，观众是演员和技术人员的盟友，他们在舞台上一起实验，试图实时理解一种看似智能和创造性的技术的不可思议的存在。对玩乐性和失败庆祝的关注鼓励了对技术的不同类型的探索，并降低了进入人工智能实验工作的门槛。我们的剧团成功地通过技术找到了现场表演的新形式和模式，并开发了既适用于现场表演又适用于其他游戏领域的新技术，这可能依赖于即兴表演的核心活动，即接受舞台上遇到的其他物体的提议——无论它是什么。遵循这种接受和合作的逻辑，与人工智能互动的性质将从替代转变为赋予和增强人类创造力。
评估30天医院再入院模型中的算法偏见：回顾性分析
背景：医疗保健中的预测算法的采用带来了算法偏见的潜力，这可能会加剧现有差异。公平指标来衡量算法偏见，但是它们在现实世界任务中的应用是有限的。目的：本研究旨在评估与常见的30天医院再入院模型相关的算法偏见，并评估所选公平度量标准的有用性和解释性。方法：我们在这项回顾性研究中使用了2016年至2019年从马里兰州和佛罗里达州的1060万名成人住院排放。评估了预测30天医院再入院的模型：蕾丝指数，改良的医院评分和改良的Medicare＆Medicaid服务中心（CMS）再入院措施，这些措施已应用于AS-IS（使用现有系数）并重新校准（用50％的数据重新校准）。对黑人和白人种群以及低收入和其他收入组之间的所有人的预测性能和偏差度量进行了评估。偏差度量包括假阴性率（FNR），假阳性率（FPR），0-1损失和广义熵指数的均等。以FNR代表的种族偏见和FPR差异进行了分层，以探索不同人群中算法偏见的变化。结果：再训练CMS模型证明了最佳的预测性能（曲线下的面积：马里兰州0.74，佛罗里达州0.68-0.70），改良的医院分数表现出最佳的校准（Brier得分：0.16-0.19在马里兰州，佛罗里达州0.19-0.21）。结论：在解释公平措施的面值时必须谨慎。校准在白色（与黑色）人群和其他收入（与低收入）组相比的校准更好，并且曲线下的面积在黑色（与白色）种群中更高或相似。培训CMS和改良的医院评分在马里兰州的种族和收入偏见最低。在佛罗里达州，这两种模式总体上的收入偏见最低，改良的医院评分表现出最低的种族偏见。在两个州，白人和高收入的人群均显示出更高的FNR，而黑人和低收入人群则导致FPR较高和更高的0-1损失。当通过医院和人口组成进行分层时，这些模型在不同的情况和人群中表现出异质算法偏见。更高的FNR或FPR可能会反映错过的机会或浪费资源，但是这些措施也可以反映医疗保健的使用模式和护理差距。仅仅依靠偏见的统计概念可能掩盖或低估了健康差异的原因。必须仔细考虑不完美的健康数据，分析框架和基础卫生系统。公平措施可以作为检测不同模型性能的有用常规评估，但不足以为机制或政策变化提供信息。但是，这种评估是朝着数据驱动的改进以解决现有健康差异的重要第一步。
利用人工智能促进公共卫生 - 期刊
人工智能 (AI) 及其在医疗保健领域的应用引起了媒体的关注，尤其是自 2022 年底发布生成式预训练 Transformer (GPT) 大型语言模型以来。在医学文献中，AI 在医学和临床护理中的应用更加温和、平衡和持久，过去 20 年中 PubMed 结果数量呈指数级增长。AI 似乎已成为医疗保健未来不可或缺的一部分，美国国家医学院将 AI 作为更敏捷的医学未来的一部分 [ 1 ]，《新英格兰医学杂志》推出了专门针对该主题的新系列和期刊 [ 2 ]，世界卫生组织发布了有关其道德使用和治理的指导 [ 3 ]。人们考虑使用 AI 来扩展医疗服务提供者队伍，作为临床护理的辅助手段，提供支持诊断和治疗的合理、连贯和准确的信息，尽管对医生专家和 AI 模型的回答进行直接比较的结果好坏参半。虽然 GPT 模型可以通过医学院入学考试和国家医师执照考试 [ 4 ]，并提供比医生的回答更受欢迎、更长、更有同理心的医学问题答案 [ 5 ]，但结果可能不完美。人类也是不完美的。在过去的四十年里，达特茅斯地图集项目 [ 6 ] 记录了医疗服务利用率和护理质量明显不合理的变化。这种变化可能导致患者伤害：在美国，每年有大量死亡归因于诊断错误 [ 7 ]。由于医疗服务提供者在工业化国家提供的护理质量水平不同，而且没有有效、公开的方法来可靠地选择更高质量的医疗服务提供者，因此尚不清楚医疗服务提供者生成的医疗建议是否比 GPT 生成的医疗建议更好。事实上，GPT 生成的建议可能非常有助于提高医疗服务提供者的护理质量——将最新发现、护理建议和指南遵守建议无缝集成到临床工作流程中。在医疗服务受限的地方，改善护理质量和获得医疗服务的机会可能最大，这增加了 GPT 不仅可以改善那些可以获得医疗保健的人的护理质量，还可以大大提高世界上 40 亿医疗服务有限的人的获得医疗服务的机会（和护理质量）。生活在中低收入国家 (LMIC) 的人可能是此类使用的最大受益者。重要的是，GPT 可能会给那些目前医疗服务有限的人带来好处。据估计，科学证据和循证医学在患者护理中的广泛应用之间有 17 年的差距，而有害或无益护理的消除则需要更长的时间 [8]。使用 GPT 将最新发现整合到护理途径中可以大大缩短这一差距——允许几乎实时地将新证据应用于临床实践。虽然只有当算法安全、可靠且代表所服务人群时，AI 才会有效，但在中低收入国家，负责任且合乎道德地开发的 AI 可能有助于改善公共卫生，部分原因是生活在中低收入国家的人们通常可以接入宽带并使用手机。这样的联系将有助于人们使用 GPT 询问与他们的健康问题相关的问题。作为公共资助的社区卫生工作者的补充，GPT 可能成为
量子纠错与容错简介
过去 20 年，我们在创建、控制和测量超导“人造原子”（量子比特）和存储在谐振器中的微波光子的量子态方面取得了令人瞩目的实验进展。除了作为研究全新领域强耦合量子电动力学的新型试验台之外，“电路 QED”还定义了一种基于集成电路的全电子量子计算机的基本架构，该集成电路的半导体被超导体取代。人造原子基于约瑟夫森隧道结，它们的尺寸相对较大（约毫米），这意味着它们与单个微波光子的耦合非常强。这种强耦合产生了非常强大的状态操纵和测量能力，包括创建极大（> 100 个光子）“猫”态和轻松测量光子数奇偶性等新量的能力。这些新功能使基于在微波光子的不同 Fock 态叠加中编码量子信息的“连续变量”量子误差校正新方案成为可能。在我们尝试构建大规模量子机时，我们面临的最大挑战是容错能力。如何用大量不完美的部件构建出一台近乎完美的机器？二战后，冯·诺依曼开始在经典计算领域探讨这个问题 [ 1 ] 。1952 年，他在加州理工学院的一系列讲座中（这些讲座于 1956 年发表 [ 2 ] ；在耶鲁大学的西利曼讲座中，他未能出席，但其手稿在他死后出版 [ 3 ] 。除了思考当时粗糙、不可靠的真空管计算机外，他还对大脑中复杂神经元网络的可靠计算能力着迷。克劳德·香农 (Claude Shannon) 也对这个问题非常感兴趣 [ 5 ] ，他的硕士论文首次证明开关和继电器电路可以执行任意布尔逻辑运算 [ 4 ] 。冯·诺依曼证明（并不十分严格），一个可由 L 个可靠门网络计算的布尔函数，也可以由 O（L log L）个不可靠门网络可靠地（即以高概率）计算。Dobrushin 和 Ortyukov [6] 严格证明了这一结果。若要进一步了解该领域，可参考 [7-10] 等相关著作。现代观点将使用不可靠设备的可靠计算问题与香农信息论 [11] 联系起来，该理论描述了如何在噪声信道上进行可靠通信。如图 1 所示，在香农信息论中，只有通信信道被视为不可靠的，输入处的编码和输出处的解码被认为是完美的。通过使用对为香农通信问题设计的代码字进行操作的电路模块并经常检查它们，不可靠的电路也可以执行可靠的计算。诀窍在于找到区分模块输出和输入差异的方法，这些差异是故意的（即由于模块正确计算了输入的预期功能）还是错误的 [ 10 ] 。除了与信息论的这种关键联系之外，与控制论也有重要的联系，如图 2 所示。量子计算机是一个动态系统，尽管噪音和错误会不断发生，我们仍试图控制它。诺伯特·维纳创立的经典控制理论处理容易出错的系统（传统上称为“工厂”，实际上可能代表汽车制造厂或化工厂）。如图 3 所示，传感器连续测量工厂的状态，控制器分析这些信息并使用它来（通过“执行器”）向工厂提供反馈，以使其稳定可靠地运行。鲁棒控制系统能够处理传感器、控制器和执行器单元也可能由不可靠的部件制成的事实。我们会发现这是一个有用的观点，但在思考量子系统的控制时，我们必须处理许多微妙的问题，因为我们知道对量子态的测量会通过测量“反向作用”（状态崩溃）扰乱状态。
Sandhya Saisubramanian、Shannon C. Roberts 和 Shlomo Zilberstein。2021 年。了解用户对负面态度
[1] Dario Amodei、Chris Olah、Jacob Steinhardt、Paul Christiano、John Schulman 和 Dan Mané。2016 年。《人工智能安全中的具体问题》。CoRR abs/1606.06565 (2016)。[2] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法有错误后会错误地避开它们》。《实验心理学杂志：综合》144, 1 (2015)，114。[3] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2018 年。《克服算法厌恶：如果人们可以（即使稍微）修改算法，他们也会使用不完美的算法》。《管理科学》64, 3 (2018)，1155–1170。 [4] Julie S. Downs、Mandy B. Holbrook、Steve Sheng 和 Lorrie Faith Cranor。2010 年。您的参与者是否在玩弄系统？筛查 Mechanical Turk 工人。在 SIGCHI 计算机系统人为因素会议论文集上。2399–2402。[5] Jodi Forlizzi 和 Carl DiSalvo。2006 年。家庭环境中的服务机器人：对家用 Roomba 吸尘器的研究。在第一届 ACM SIGCHI/SIGART 人机交互会议论文集上。[6] Dylan Hadfield-Menell、Smitha Milli、Pieter Abbeel、Stuart J. Russell 和 Anca Dragan。2017 年。逆向奖励设计。在神经信息处理系统的发展中。[7] Bill Hibbard。2012 年。避免意外的 AI 行为。在国际通用人工智能会议上。Springer，107–116。[8] Lynn M. Hulse、Hui Xie 和 Edwin R. Galea。2018 年。对自动驾驶汽车的看法：与道路使用者的关系、风险、性别和年龄。安全科学 102（2018 年），1–13。[9] Rafal Kocielnik、Saleema Amershi 和 Paul N. Bennett。2019 年。您会接受不完美的人工智能吗？探索调整人工智能系统最终用户期望的设计。在 CHI 计算系统人为因素会议论文集上。[10] Moritz Körber。2018 年。衡量对自动化信任的理论考虑和问卷的开发。在国际人体工程学协会大会上。Springer，13–30。 [11] Victoria Krakovna、Laurent Orseau、Miljan Martic 和 Shane Legg。2019 年。使用逐步相对可达性惩罚副作用。在 AI 安全研讨会 IJCAI 中。[12] Victoria Krakovna、Laurent Orseau、Richard Ngo、Miljan Martic 和 Shane Legg。2020 年。通过考虑未来任务来避免副作用。在第 20 届神经信息处理系统会议论文集上。[13] Miltos Kyriakidis、Riender Happee 和 Joost CF de Winter。2015 年。公众对自动驾驶的看法：对 5000 名受访者的国际问卷调查结果。交通研究 F 部分：交通心理学和行为 32（2015 年），127–140。 [14] Ramya Ramakrishnan、Ece Kamar、Debadeepta Dey、Julie Shah 和 Eric Horvitz。2018 年。《发现强化学习中的盲点》。《第 17 届自主代理和多代理系统国际会议论文集》。[15] Stuart Russell。2017 年。《可证明有益的人工智能》。《指数生命，下一步》（2017 年）。[16] Sandhya Saisubramanian、Ece Kamar 和 Shlomo Zilberstein。2020 年。一种减轻负面影响的多目标方法。在第 29 届国际人工智能联合会议论文集上。[17] Sandhya Saisubramanian 和 Shlomo Zilberstein。2021 年。通过环境塑造减轻负面影响。在第 20 届自主代理和多智能体系统国际会议论文集上。[18] Sandhya Saisubramanian、Shlomo Zilberstein 和 Ece Kamar。2020 年。避免因对人工智能系统知识不完整而产生的负面影响。CoRR abs/2008.12146 (2020)。[19] Rohin Shah、Dmitrii Krasheninnikov、Jordan Alexander、Pieter Abbeel 和 Anca Dragan。 2019. 世界状态中的隐含偏好。第七届国际学习表征会议论文集。[20] Alexander Matt Turner、Dylan Hadfield-Menell 和 Prasad Tadepalli。2020. 通过可实现效用保存实现保守代理。AAAI/ACM 人工智能、伦理与社会会议论文集。[21] Ming Yin、Jennifer Wortman Vaughan 和 Hanna Wallach。2019. 理解准确度对机器学习模型信任的影响。CHI 计算系统人为因素会议论文集。[22] Shun Zhang、Edmund H. Durfee 和 Satinder P. Singh。2018. 分解马尔可夫决策过程中对副作用的 Minimax-Regret 查询以实现安全最优。在第 27 届国际人工智能联合会议论文集上。
一般病理的综合过程CFU
该课程涉及人类疾病的病因和发病机理的一般机制，特别着重于基本病理过程。1。一般病因和发病机理的概念：疾病的内在和外在原因。疾病的遗传和表观遗传基础。2。<分为急性炎症。趋化性，尿布，吞噬作用。<毁灭调解人。先天免疫反应受体。发烧和热疗。 改变了先天反应疾病。 3。 慢性炎症：纤维化。 <分为主要类型的肉芽瘤。 4。 Celle损伤和组织变性的机制。 缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。 蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。发烧和热疗。改变了先天反应疾病。 3。 慢性炎症：纤维化。 <分为主要类型的肉芽瘤。 4。 Celle损伤和组织变性的机制。 缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。 蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。改变了先天反应疾病。3。 慢性炎症：纤维化。 <分为主要类型的肉芽瘤。 4。 Celle损伤和组织变性的机制。 缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。 蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。3。 慢性炎症：纤维化。 <分为主要类型的肉芽瘤。 4。 Celle损伤和组织变性的机制。 缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。 蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。3。慢性炎症：纤维化。<分为主要类型的肉芽瘤。4。Celle损伤和组织变性的机制。缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。 蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。缺氧，缺血，心脏病发作，动脉粥样硬化和血脂异常。蛋白质不形成，prion，原发性和继发性淀粉样变性。 5。 细胞适应：增生，发育不全，肥大，萎缩，化生。 6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。蛋白质不形成，prion，原发性和继发性淀粉样变性。5。细胞适应：增生，发育不全，肥大，萎缩，化生。6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。6。 神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。 7。 8。 9。 10。 <肿瘤的DIV分类和分期。6。神经退行性疾病：m。阿尔茨海默氏症，血管和神经退行性痴呆，前 - 时间痴呆，肌萎缩性侧索硬化症，米。帕金森氏症，米。亨廷顿。7。8。9。10。<肿瘤的DIV分类和分期。<肿瘤的DIV分类和分期。遗传结缔组织疾病（Marfan综合征，Ehlers-Danlos和不完美的成骨综合征，omocystinuria）并获得（类风湿关节炎，全身性红斑狼疮，红斑红斑红斑，喂养，富含风湿性和OsteoRarthritis）。线粒体疾病：s。 Kearns-Sayre，s。皮尔森，Merrf，Melas，Narp，Mils，主要的光学萎缩，charcot-Marie-tooth 2a和4th。信号转导的分子病理学：s。 McCune-Albright，s。 Carley Complex，可刺激性浮肿，s。 Laron，Rasopathie，神经纤维瘤病，S.Noonan，S.Legius。癌症流行病学：危险因素。<癌细胞的分裂遗传肿瘤的基本特征。肿瘤干细胞。控制细胞周期，衰老，细胞存活和代谢的改变（Warburg效应）。血管生成，侵袭和转移。cheep-化学和病毒基因。肿瘤的遗传学。驱动基因：Oncogeni和Oncerspressor Geners。非编码和肿瘤。氧化应激和癌症。