XiaoMi-AI文件搜索系统
World File Search System子图
在量子图中发现隐藏层
在复杂的网络中找到隐藏的层是现代科学中的一个重要且非平凡的问题。我们探索量子图的框架，以确定多层系统的隐藏部分是否存在，如果是这样，则其程度是多少，即那里有多少个未知层。假设唯一可用的信息是在网络的单层上波传播的时间演变，因此确实可以发现仅通过观察动力学而隐藏的东西。我们提供有关合成和现实世界网络的证据，表明波动力学的频谱可以以其他频率峰的形式表达不同的特征。这些峰表现出对参与传播的层数的依赖性，从而允许提取上述数量。我们表明，实际上，只要有足够的观察时间，人们就可以完全重建行范围标准化的邻接矩阵频谱。我们将我们的命题与用于多层系统目的的波数据包签名方法进行了比较与机器学习方法。
Ž 撒哈拉以南非洲地区对 xAI 的采用和使用 - AIS 电子图书馆
AI 被描述为“黑匣子”，这意味着得出其提供的结果的内部算法计算非常不透明 (Rai, 2020)。Doran、Schulz 和 Besold (2017) 对 xAI 给出了多方面的定义，即“不透明的技术，不解释其算法机制；可解释的系统，用户可以用数学方法分析其算法机制；可理解的系统，显示符号，向用户解释如何得出结论”(第 1 页)。现有研究 (例如Holzinger, 2018) 探讨了如何利用 AI 技术帮助企业做出更明智、更快的决策。然而，关于此类 AI 技术的“可解释性”因素的实证研究很少，而这些因素促使企业采用这些技术。这在撒哈拉以南非洲 (SSA) 尤其需要，因为那里人工智能的使用正在迅速增长，但监管仍不完善。
朝电子显微镜的量子图像处理
数字图像的处理不断获得数量和相关性，对数据存储，传输和处理能力的需求不断增加。传输电子显微镜仪器的最新进展，尤其是在检测器技术中，已经推动了各种方式的数据生产。例如，如今，人们可以通过利用直接电子检测器[1]来想象最多生成200tb/hr，需要智能方法来提取科学有意义的信息。尽管在人工智能（AI）和机器学习（ML）方法的帮助下，显微镜数据解释取得了很多进展[1,2]，但与增长的数据解释数据量相关的挑战仍然丰富。预计这将进一步加剧原位 /操作测量的气象升高以及数据挖掘，分析和其他计算需求的相关挑战。
朝电子显微镜的量子图像处理
数字图像的处理不断获得数量和相关性，对数据存储，传输和处理能力的需求不断增加。传输电子显微镜仪器的最新进展，尤其是在检测器技术中，已经推动了各种方式的数据生产。例如，如今，人们可以通过利用直接电子检测器[1]来想象最多生成200tb/hr，需要智能方法来提取科学有意义的信息。尽管在人工智能（AI）和机器学习（ML）方法的帮助下，显微镜数据解释取得了很多进展[1,2]，但与增长的数据解释数据量相关的挑战仍然丰富。预计这将进一步加剧原位 /操作测量的气象升高以及数据挖掘，分析和其他计算需求的相关挑战。
全球非正规劳动力 - 基金组织电子图书馆
非正规经济是一种全球普遍存在的现象：20 亿工人或 60% 的世界人口参与非正规部门。虽然非正规经济主要存在于新兴和发展中经济体，但它也是发达经济体的重要组成部分。虽然工人和企业可能选择在非正规部门经营以逃避税收或监管，但全球 85% 的非正规工人在小型生产单位从事不稳定就业，主要是因为正规部门缺乏机会。这具有重要的宏观经济后果。首先，非正规企业往往规模较小，生产率低，不为税基做出贡献。因此，非正规性较高的国家或地区也未能实现其潜力以下的增长。此外，他们没有征收足够的税款，无法向全体人口提供基本商品和服务，这加剧了非正规性。其次，与正规部门的同龄人相比，非正规工人更有可能贫困和赚取较低的工资，这既是因为他们缺乏社会保障和信贷渠道，也是因为他们往往受教育程度较低。第三，女性不仅比男性更有可能从事非正规就业，而且更有可能从事最不稳定、收入最低的非正规就业类别，部分原因是她们缺乏平等的教育和医疗服务机会。本书汇集了国际货币基金组织工作人员和学术研究人员最近对非正规就业的成因、特征和主要影响的研究。由于非正规就业与生产力、贫困和不平等有着密切而复杂的联系，它加深了我们对减少非正规就业对可持续和包容性发展至关重要的认识。在当前新冠肺炎疫情的背景下，这项研究更具现实意义，这场疫情对新兴和发展中经济体的非正规就业者打击尤为严重。我们已经知道，这场疫情有可能抹去过去十年在减少贫困和不平等方面取得的进展，并正在削弱政府向弱势非正规就业者和企业提供社会安全网的能力。设计和实施有效的政策来解决非正规就业问题，首先需要我们有能力对其进行衡量。这本身就很困难，因为非正规经济的参与者要么不想被发现，要么很难接触到。另一个挑战是，非正规性产生的原因多种多样，在国内和国外都可能表现为多种不同的形式。本书主要从三个方面对政策辩论做出了贡献。首先，它提出了一种新颖且一致的非正规经济衡量标准，可以衡量不同时期和不同国家的非正规经济。其次，它通过分析非正规性对生产力、劳动力市场和性别差距的影响，以及它与财政政策和金融包容性的相互作用，分析了非正规性对经济的驱动因素和后果。第三，虽然认识到没有一刀切的解决方案，但本书认为，政策可以有效地
![B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。 。 ，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在成对的e 1，cysets e 1，互相互互相关。 。 。 ，e m这样，e i \ xe2 \ x88 \ x88 f i对于所有i \ xe2 \ x88 \ x88 [m]。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd在H中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。为了完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的兴趣。](/simg/6/66b12590acfaebc9bf0ec40f52ef0eeec179ff5a.webp)
B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。 。 ，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在成对的e 1，cysets e 1，互相互互相关。 。 。 ，e m这样，e i \ xe2 \ x88 \ x88 f i对于所有i \ xe2 \ x88 \ x88 [m]。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd在H中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。为了完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的兴趣。
B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。。，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ xe2 \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在Emubse em subse et emsetse。。。，e m，以至于所有i \ xe2 \ x88 \ x88 [m] e i \ xe2 \ x88 \ x88 f i。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd h中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。要完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的利益。
医疗保健领域的人工智能 - AIS 电子图书馆
医疗保健中的人工智能 Keng Siau siauk@mst.edu；Linrui Han lhvpc@mst.edu；Ru Lian rlnbw@mst.edu；Yitian Luo ylcb5@mst.edu；Zhihui Ruan zrr8p@mst.edu 我们生活在信息时代。人工智能 (AI) 和大数据极大地影响了我们的日常生活。近年来，医疗保健行业受益于技术的快速发展 (Siau & Shen, 2002, 2006)。人工智能技术也已应用于医疗保健的许多领域，例如临床实践、支持医院工作和疾病预防 (Wang & Siau, 2019; Stephanidis, 2019)。例如，临床决策支持系统 (CDSS) 可以通过多种方式协助医疗保健，包括诊断、治疗 (Lysaght、Lim、Xafis 和 Ngiam，2019 年)、警报系统、处方和药物控制 (Sutton 等人，2020 年)。此外，还开发了一些基于人工智能的机器人来执行常规任务，以支持医院专业人员 (Blechar 和 Zalewska，2019 年)。但在医疗保健中使用人工智能仍面临许多挑战。例如，道德挑战、隐私挑战以及无法解释的人工智能（即黑匣子）的问题 (Siau 和 Wang，2020 年)。这些挑战影响信任建立。本研究将研究人工智能在医疗保健行业的应用，并确定由道德和隐私挑战引起的问题。研究涉及访谈和调查。将进行定性案例研究，以研究如何在医疗保健行业中使用 AI 并提高医疗保健专业人员的工作效率。将对在医疗保健领域实施 AI 技术的 IT 和医疗保健公司的高管进行访谈。将使用调查对定性数据进行三角测量。研究 AI 在医疗保健中的应用对医疗保健行业至关重要，尤其是在我们正面临 COVID-19 造成的严重大流行的时候。这项研究的结果将使学者和专业人士受益。参考文献 Blechar, L., & Zalewska, P. (2019).机器人在改善护士工作中的作用。Pielegniarstwo XXI Wieku / Nursing in the 21st Century, 18(3), 174-182。Lysaght, T., Lim, H. Y., Xafis, V., & Ngiam, K. Y.(2019)。医疗保健中的人工智能辅助决策。亚洲生物伦理评论，11(3)，299-314。Siau, K. & Shen, Z.(2002)。供应链管理中的移动商务应用。互联网商务杂志，1(3)，3-14。Siau, K. & Shen, Z.(2006)。移动医疗信息学。医学信息学和医学互联网，31(2)，89-99。Siau, K. & Wang, W. (2020)。人工智能 (AI) 伦理：AI 伦理和道德 AI。数据库管理杂志，31(2)，74-87。Stephanidis, C. 等人。(2019)。七大 HCI 挑战。国际人机交互杂志 35(14)，1229-1269。Sutton, R. T.、Pincock, D.、Baumgart, D. C.、Sadowski, D. C.、Fedorak, R. N. 和 Kroeker, K. I.(2020)。临床决策支持系统概述：优势、风险和成功策略。Npj Digital Medicine，3(1)。Wang, W. 和 Siau, K. (2019)。人工智能、机器学习、自动化、机器人、工作的未来和人类的未来——回顾和研究议程。数据库管理杂志，30(1)，61-79。
在约束最小二乘过滤计算上开发高性能量子图像算法
摘要：计算机技术的最新开发可能导致量子图像算法成为热点。量子信息和计算给出了我们的量子图像算法的一些优势，这些算法处理了原始经典图像算法无法解决的有限问题。图像处理为量子图像的应用而哭泣。量子图像上的大多数作品都是理论上的，有时甚至是未抛光的，尽管量子计算机中的现实世界实验已经开始并正在繁殖。但是，正如计算机技术的开发有助于推动技术革命一样，从量子力学，量子信息和极其强大的计算机上提出了一种新的量子图像算法。引入了量子图像表示模型来构建图像模型，然后将其用于图像处理。为了重建或估计点扩散函数，采用了先验知识，并根据相反的处理获得非分类估计。使用最佳的平滑度度量来解决噪声的模糊功能。在约束条件上，确定最小标准函数并估计原始图像函数。对于某些运动模糊和某些噪声污染（例如高斯声音），所提出的算法能够产生更好的恢复结果。另外，应该注意的是，当存在噪声强度非常低的噪声攻击时，基于约束最小二乘过滤的模型仍然可以带来良好的恢复结果，并且具有很强的鲁棒性。随后，讨论实现量子电路和图像过滤的复杂性的仿真分析，并证明当噪声密度较小时，该算法对模糊恢复具有良好的影响。
通过自适应密集子图发现提取与脑疾病相关的连接组子图
图 1：信息子图提取的动机：（a）演示了从群体水平连接组数据中获取边推理矩阵的过程；（b）说明常用的社区检测结果（例如使用随机块模型）无法检测到任何信息子图；（c）显示现有密集子图发现结果的结果；（d）描述了一种理想的信息子图检测程序，该程序可以识别由信息边组成的有组织的、生物学上可解释的拓扑结构。（d）中的结果基于 ADSD 方法（详细信息请参阅结果部分）。
