XiaoMi-AI文件搜索系统
World File Search System排序
德克萨斯州道德委员会 2024 年游说者名单按...排序
Bardin Hill Investment Partners LP 收件人：Patricia Hurley 299 Park Avenue, New York NY 10171 (212)303-9400 67806 投资管理
药物机制自动优先排序知识网络的设计与应用
图 1：适应症来源和模型训练范式示意图 a) 适应症最初来自两个数据源，Wikidata 和 NCATS Inxight Drugs。Inxight Drugs 是一个数据聚合器，它汇编了来自多个来源的数据，包括 DrugBank 和 DrugCentral，从而产生了许多适应症。临床毒理基因组学数据库 (CTD) 包含超过 14,000 种适应症，全部来自文本挖掘，结果由人工确认。沿着化合物 - 治疗 - 疾病 - 逆子类 - 疾病路径的路径收缩总共产生 69,639 种适应症。b) 最初，20% 的已知适应症化合物被移除并放置在保留集中。剩余的 15% 的已知适应症化合物子集用于超参数调整和元路径选择。选定的 160 个元路径用于对不在保留集中的所有适应症进行模型训练，以验证模型。最后，所有迹象都被用来生成用于机械评估的最终模型。
集成机器学习算法和 MCDM 技术进行纯电动汽车优化排序
摘要。当今世界，世界各地的汽车行业都在简化电动汽车 (BEV) 的生产，以迈向创造无污染环境。BEV 被用作全球范围内减轻碳排放的替代策略。由于环境保护是长期可持续发展目标之一，因此需要从化石燃料转向可再生能源，同时这也引发了对电动汽车进行最佳选择的决策问题。本文考虑了 Faith Ecer 早期作品中基于十种替代 BEV 和十一项标准的决策问题。多标准决策的新型排序方法 MCRAT（按替代轨迹进行多标准排序）与三种不同的标准权重计算方法 AHP（层次分析法）、CRITIC（通过标准间相关性确定标准重要性）和 MEREC（基于标准去除效果的方法）一起使用。使用随机森林机器学习算法对获得的结果进行比较和验证。这项研究工作结合了多标准决策方法和机器学习算法，对电动汽车做出最佳决策，这种综合方法产生了最佳排名结果，并且它肯定会在未来的决策方法中开辟新的空间。
基于多目标优化的非支配排序遗传算法对风能潜力的评估 III
摘要：风能是一种丰富的可再生能源，近年来在世界范围内得到广泛应用。本研究提出了一种新的基于多目标优化 (MOO) 的风能系统遗传算法 (GA) 模型。所提出的算法包括非支配排序，其重点是最大化风力涡轮机的功率提取，最小化发电成本和电池寿命。此外，还分析了风力涡轮机和电池储能系统 (BESS) 的性能特征，特别是扭矩、电流、电压、充电状态 (SOC) 和内阻。完整的分析是在 MATLAB/Simulink 平台上进行的。将模拟结果与现有的优化技术（如单目标、多目标和非支配排序 GA II（遗传算法 II））进行了比较。从观察结果来看，非支配排序遗传算法 (NSGA III) 优化算法提供了卓越的性能，特别是更高的涡轮机功率输出、更高的扭矩率、更低的速度变化、更低的能源成本和更低的电池退化率。该结果证明，与传统的优化工具相比，所提出的优化工具可以从自激感应发电机（SEIG）中提取更高的功率。
检查点或 BRAF/MEK 抑制剂对黑色素瘤脑转移瘤的治疗排序
Paolo A. Ascierto，医学博士1MarioMandalà，MD，2,3 Pier Francesco Ferrucci，MD，Massimo Guidoboni，MD，5 Piotr Rutkowski，MD，Ph.D.，6 Virginia Ferraresi，Md Ika Richtig，医学博士，彼得罗·Quaglino（MD），MD，13CélesteLebbé，MD，Ph.D.，14 Hildur Helgadottir，MD，Ph.D。 AO，MD，博士，21 Alessandro Marco Minisini，MD，Ph.D.，22 Sabino de Placido，MD，Miguel F. Sanmamed，MD，Ph.D.，24 Milena Casula，Ph.D。 ICO Mallardo博士，1 Miriam Paone，MS，1 Maria Grazia Vitale，MD，1 Ignacio Melero，MD，Ph.D。Diana Giannarelli，MS，29 Giuseppe
根据年龄和血清状态制定的基于模型的 COVID-19 疫苗优先排序策略
当 COVID-19 疫苗上市时，有限的初始供应将引发如何优先考虑可用剂量的问题，从而强调需要制定透明的、基于证据的策略，将疾病传播、风险、疫苗效力和现有人群免疫力方面的知识和不确定性联系起来。在这里，我们采用一种基于模型的方法来确定疫苗的优先次序，评估优先次序策略对累积发病率和死亡率的影响，并考虑年龄、接触结构和血清流行率等人口因素以及疫苗因素，包括不完善和随年龄变化的效力。该框架可用于评估和比较现有策略，也可用于得出最佳优先次序策略以最大限度地降低死亡率或发病率。我们发现，应优先为 20-49 岁的成年人接种阻断传播的疫苗，以最大限度地降低累积发病率，并优先为 60 岁以上的成年人接种以最大限度地降低死亡率。直接为 60 岁以上的成年人接种疫苗可最大限度地降低不阻断传播的疫苗的死亡率。我们还估计了使用个体血清学检测将剂量重新定向给血清阴性个体的潜在好处，从而改善每剂疫苗的边际影响。我们认为，这种基于血清学的疫苗接种方法可能会提高疫苗接种工作的效率，同时部分解决 COVID-19 负担和影响方面现有的不平等问题。
印度工业制造业循环经济推动因素分析：ELECTRE 方法排序流程
摘要 ：在循环经济时代，一个国家能否持续发展制造业对于整体经济发展至关重要。因此，为了使工业部门可持续发展和具有竞争力，必须在开发技术时考虑到循环经济。印度大部分制造公司属于中小企业，这些企业被认为是经济的基础，因为它们创造了该国相当一部分的国内生产总值。现代文明经济的基础是制造业。本文试图通过回顾科学文献，重新审视以制造业为基础的循环经济体系的理念。在印度工业的背景下，该研究确定了支持实施循环经济的推动因素。这些推动因素被分为六个集群。制定了一份调查问卷，并仔细审查了收集的数据，以确认这些支持因素的有效性。印度大多数制造业属于中小企业。调查问卷通过电子邮件发送给受访者，并对附近的工业进行了亲自访问。 Cronbach 的 alpha 计数用于评估重要推动因素的有效性。由制造业经理和技术人员组成的专家小组验证了这些推动因素对发展中国家采用循环经济的影响，为推动因素分配权重，并使用 ELECTRE 方法确定推动因素的最终排名。研究结果表明，技术 (ETE) 和金融 (EFI) 推动因素是印度工业部门采用循环经济的主要推动因素。通过这项研究，各行业能够更好地理解循环经济的推动因素并制定切实可行的实施计划。
碳捕获使用和存储部署的集群排序：第一阶段 - 背景和提交指南
提交意向书后，集群领导作为负责信息提交的实体，必须与 BEIS 签订保密协议 (NDA)。此保密协议将有助于确保在整个评估过程中能够有效地提供全面、可靠的支持信息，如本文件第 3 节所述。保密协议将为政府使用集群提交中提供的潜在敏感信息设定参数，同时考虑到国务卿的法定义务（包括根据《2000 年信息自由法》（FOIA）、《2018 年数据保护法》（DPA）、《通用数据保护条例》（GDPR）和《2004 年环境信息条例》（EIR））。
共识变异至功能评分，用于对疾病变异进行功能优先排序
1 计算与系统生物学，纪念斯隆凯特琳癌症中心 2 斯坦福大学遗传学系，美国加利福尼亚州斯坦福 3 斯坦福大学计算机科学系，美国加利福尼亚州斯坦福 4 Altius 生物医学科学研究所，华盛顿州西雅图 5 杜克大学统计遗传学和基因组学中心，美国北卡罗来纳州达勒姆 27710 6 约翰霍普金斯大学医学院生物医学工程系，美国马里兰州巴尔的摩 21205 7 约翰霍普金斯大学彭博公共卫生学院生物统计学系，美国马里兰州巴尔的摩 21205 8 约翰霍普金斯大学医学院表观遗传学中心，美国马里兰州巴尔的摩 21205 9 哈佛大学 THChan 公共卫生学院流行病学系 10 杰克逊实验室，美国缅因州巴尔港 11 缅因大学生物医学科学与工程研究生院，缅因州奥罗诺美国。 12 美国加利福尼亚州斯坦福市露西尔帕卡德儿童医院贝蒂艾琳摩尔儿童心脏中心基础科学与工程计划 13 美国加利福尼亚州斯坦福市卡内基科学研究所植物生物学系 14 美国马萨诸塞州伍斯特市马萨诸塞大学陈医学院生物信息学与整合生物学项目 15 美国加利福尼亚州圣地亚哥市 Illumina 人工智能实验室 16 美国北卡罗来纳州达勒姆市杜克大学医学院生物统计学生物信息学系整合基因组学分部 17 美国北卡罗来纳州达勒姆市杜克大学计算生物学生物信息学项目 18 美国加利福尼亚州斯坦福市斯坦福大学病理学系 19 美国马萨诸塞州剑桥市布罗德研究所诺和诺德基金会疾病基因组机制中心 20 美国加利福尼亚州斯坦福市斯坦福大学斯坦福心血管研究所 21 布罗德麻省理工学院和哈佛大学研究所，美国马萨诸塞州剑桥 22 哈佛大学陈曾熙公共卫生学院生物统计学系 23 威尔康奈尔医学院生理学、生物物理学和系统生物学系 24 格斯特纳斯隆凯特琳生物医学科学研究生院
基于机器学习的晶圆排序产量预测基于晶圆接受测试数据
Delta Rsquare Delta Rsquare All features (614) 1.75% 0.341 2.63% 0.139 Top 500 features 1.73% 0.354 2.56% 0.129 Top 400 features 1.73% 0.372 2.02% 0.148 Top 300 features 1.71% 0.343 2.22% 0.197 Top 200 features 1.73% 0.393 2.34% 0.22前100个功能1.61％0.405 1.95％0.21 Top 50个功能1.59％0.423 2.00％0.334 TOP 25特征1.62％0.42 2.29％0.372