XiaoMi-AI文件搜索系统
World File Search System数据研究
基于深度学习的人类心脏激活模拟...
摘要。精准心脏病学数字孪生的愿景是将专家知识和患者心脏病理生理数据与先进的计算方法相结合，以生成准确、个性化的治疗策略。在研究心脏电生理学时，孪生管道通常需要大量模拟，例如在探索个性化参数空间时或在大数据研究中扩展到大量虚拟患者时。在这些情况下，最先进的方法在计算上是昂贵的，即使应用相对较快的算法（例如 Eikonal 模型）。在这项工作中，我们研究了基于 U-Net 的模型在整个人体心室内电激发的性能。该方法通过在标准化的三维空间中表示心脏的解剖和电生理特性，提供了减少输入参数空间的优势。结果表明，该模型能够模拟 Eikonal 模拟方案并预测心脏激活时间图，平均准确度为 4.7ms RMSE，预测点性能有所提高，结果速度提高了 500 倍。这种新方法为大量人体心脏模型中个性化心脏传播模拟提供了有希望的结果。
千禧一代和Z世代的经济观点
摘要这项研究旨在使用世界价值调查的数据研究千禧一代（生于1981- 1996年）和Z一代（生于1997-2012）的经济价值和态度。通过将李克特量表的响应转换为二进制变量，该研究促进了对跨关键领域的两代人的比较分析，例如工作态度，财务满意度，对人的信任和更广泛的经济原则。调查结果表明，尽管两代人都重视工作并表现出谨慎的经济行为，但Z世代更加重视工作与生活的平衡和灵活性，这是由于其数字化养育和零工经济的驱动。千禧一代，由大衰退塑造，优先考虑工作稳定和财务安全。两个队列中的信任水平通常都较低，但是Z世代比千禧一代表现出更多的信任。此外，Z世代对竞争更有利，而千禧一代对收入平等的偏好更为偏爱。这些见解对于政策制定者，教育工作者和公司高管至关重要，以满足这些世代相传的队列的独特需求和偏好，从而促进经济稳定和社会凝聚力。
历史疫苗接种模式为新冠疫苗推广提供参考
由于新冠疫苗尚属新品，疫情引发的经济危机以及美国当前的种族和经济紧张局势，现有的疫苗接种障碍可能会进一步加剧。为了了解在新冠疫苗推广过程中可能需要在哪些方面开展额外的宣传和教育工作，我们使用 2016-18 年全国健康访谈调查 (NHIS) 的数据研究了成年人的历史疫苗接种模式。我们重点关注流感疫苗，因为无论年龄大小，所有成年人都建议接种流感疫苗，我们将人群分为三个风险组：非老年人（19-64 岁），患新冠重症风险较低；非老年人，患新冠重症风险较高；65 岁及以上的老年人，仅因年龄原因而处于高风险状态。疾病控制与预防中心 (CDC) 建议在疫苗推广过程中优先考虑老年人和其他有重症风险的人，因此我们会考虑这些人群过去使用疫苗的情况。 6 新冠疫情和流感的风险因素也存在相当大的重叠，因此流感疫苗接种模式
p a g e 1 | 15 SUSSEX SEDARC DTP学生申请
转向数据技能的应用程序应指大型数据集，链接的管理数据集（ADR UK-英国行政数据研究，它是ESRC的一部分）和/或大数据方法以及相关的创新分析方法。大而复杂的数据的使用必须是研究项目的实质重点。该转向的重点是开发研究人员，具有充分利用大量大量复杂数据的技能，以实现社会研究的目的。转向包括调查数据和“大数据”（社交媒体，行政，交易和地理空间数据）。这些学生可以使用定性和/或定量方法，并将为学生提供在整个学生中发展高级数据技能的机会。此转向中的项目可能会证明能够从一系列来源一起设计数据，了解诸如潜在偏见（尤其是在链接数据的情况下），检查和监视数据完整性以及策划数据并编写有效的统计程序代码，以确保可以重新审查研究成果，并重点介绍这些数据的数据，以确保研究成果可以重复使用这些数据，以确保研究成果可以重复进行这些数据，以确保研究成果的重新启动。
大城市变化：预计气候变化将推动城市中的群众营业额
自2022年12月1日，该公司开发的自然语言处理聊天机器人是自然的语言处理聊天机器人，其用户群体受欢迎，在第一个月的一个月内赢得了一百万美元。虽然是最受欢迎的，但Chatgpt只是由处理模型提供动力的许多其他生成程序中的一个：在Dall-E等生成艺术程序和稳定的扩散中；代表一波新的人工智能技术浪潮到达互联网海岸的波峰。由于世界的精确，例如印刷机，广播，报纸的出现，他们经常引起他们的愤怒和赞美。以类似的方式，Chatgpt就其含义和潜在用途产生了一系列讨论。已经从一个学术角度研究了Chatgpt的迅速影响，从对其在研究作者身份的可疑作用[1]中的不赞成，在辨别人类生成的摘要中的困难是从Chatgpt生成的摘要[2]；尽管该技术可以通过帮助较弱的作家[3]来使运动环境民主化，而三分之一的医疗保健研究人员对其应用偏向偏向[4]。其对医学奖学金的影响很明显，尤其是在自信地造成虚假事实[5]或造成不准确性的情况下[6]的情况下；提出一定程度的谨慎和人类的判断[7] [7] [8]。虽然许多这样的研究，社论和评论已经发表了有关Chatgpt在专业环境中的影响，但与一般看法有关。自发布以来，很少有大数据研究研究到聊天机器人周围的首次公开话语。现有关于早期采用者的大规模数据研究表明，对这项技术的压倒性积极情绪[9]，尽管恐惧涉及其对现有工作的影响[10]；早期的情绪涉及对其潜在应用的兴奋，尽管对道德问题有危险信号[11]。其他研究还发现，当用作聊天机器人时，与普通专业人士相比，当用作聊天机器人时，会产生更高的质量和更多的善解人意回复[12]，并且对其在教育中的应用[13]及其用户友好界面作为信息合并器[14]充满热情。此类技术有可能通过现有的专业领域削减一部分，从而提出了历史上的弯曲点，以捕捉人工智能的公共时尚主义者。以这种动力建立，我们旨在分析围绕Chatgpt首次公开看法的旺盛和情感。我们询问所有英语推文的语料库数据集，其中包含2022年12月1日至2023年3月1日（n = 4,251,662）的Chatgpt关键字，以提出两个研究问题：首先，哪些最大的问题或主题是最大的参与？第二，最高频的关键字是什么？它的情感是什么？我们的第一个目标是通过运行突出的峰模型（突出> 20,000）来实现的，并确定与提到计数尖峰相关的主题。我们的第二个目标确定了由价（正，中性，负面）评级的最高频率关键字，
人工智能对印度的影响
很多以前与成功经营企业相关的费力且劳动密集型的工作正在被人工智能自动化，这正在迅速改变零售业。零售店的人工智能应用程序可以帮助企业通过可视化各种定价策略的可能影响来为其产品定价。为此，系统会收集有关其他项目、促销活动、销售数字和其他数据的信息。该研究的目的是了解人工智能对零售业的影响。在印度安得拉邦维杰亚瓦达，研究考虑了来自不同零售企业的 145 个样本。调查中同时使用了原始数据和二手数据。使用因子分析对研究进行了评估。数据研究表明，大多数受访者都知道人工智能在印度零售业中的使用。研究还指出，大多数零售机构都在其商业模式中使用人工智能。人工智能在印度零售业的订单处理、运输和库存管理方面尤其有用。研究还发现，大多数零售业主都意识到人工智能对其业务的影响，并且他们正在其商业模式中实施人工智能技术，以满足行业不断变化的需求。关键词：人工智能、机器学习、自动化、零售、商业 1. 介绍
全球可持续发展研究所
我们在第一年就迅速制定了创新研究项目和跨学科团队。IGS 为波士顿大学教师的气候虚假信息研究（传播学院、MET、工程学院）、健康公平和大数据研究（地球与环境、公共卫生学院）以及能源公平和健康研究（公共卫生学院）提供了资金。我们推出了《能源可视化》来传播数据驱动的能源公平故事，而影响测量和分配计划则扩大了对企业碳排放目标的研究。我们很高兴赢得了研究可再生能源供应链（基金会）、气候与健康（联邦政府）、低碳建筑的绿色就业（行业）、电动汽车的采用（国际）、数据中心的社会环境层面（国际）和快速充电电池技术（行业）的能源公平项目的资源。这些新项目为波士顿大学的研究人员和其他机构的合作者带来了 890 万美元的资金。今年，我们的教师领导和核心教师发表了 132 篇以可持续发展为重点的同行评审文章、研究论文和书籍或章节。为了确保我们的研究成果能够影响政策和行业，我们与国家可再生能源实验室和施耐德电气建立了正式的合作伙伴关系。
人工智能在通信中的应用*
本研究探讨了人工智能媒体和传播研究的概况，并提出了文献总体结构的视角。本研究通过文献计量数据研究了 1982 年至 2021 年期间发表的 459 项科学研究，这些研究自 2016 年以来进一步增加。发表论文最多的国家是美国，占 25.1%。土耳其在 54 个国家中排名第 28，有 4 篇出版物。267 篇文章出版物分布在 96 种不同的期刊上。通过测试此分布与布拉德福德定律的兼容性，确定了八种满足人工智能传播文献需求的核心期刊。新媒体与社会在该榜单上排名第一。研究涵盖的主题集中在新闻、自然语言处理、人机交互、社交媒体机器人、公共关系和广告。摘要和关键词中最常用的概念是“自动化新闻”、“计算新闻”、“机器人新闻”、“道德”、“假新闻”。 最常被引用的期刊是《数字新闻》。被引用出版物的半衰期值为七年。结果揭示了传播研究中的人工智能趋势和传播文献的总体结构。此外，有人建议，有关文献过时和核心期刊的结果将有助于图书馆订阅和期刊收藏的创建。
![arXiv:2209.03177v1 [eess.IV] 2022 年 9 月 7 日](/simg/g:\will\search\icon\source\f\fa3ee8171c3333978c39d246479d5573a87f0728.webp)
arXiv:2209.03177v1 [eess.IV] 2022 年 9 月 7 日
摘要。可以使用医学成像数据研究人体解剖学、形态学和相关疾病。然而，由于管理和隐私问题、数据所有权和获取成本，医学成像数据的访问受到限制，从而限制了我们了解人体的能力。解决这个问题的一个可能方法是创建一个模型，该模型能够学习，然后根据特定的相关特征（例如年龄、性别和疾病状况）生成人体的合成图像。最近，以神经网络形式出现的深度生成模型已用于创建自然场景的合成二维图像。然而，由于数据稀缺以及算法和计算限制，生成具有正确解剖形态的高分辨率三维体积图像数据的能力受到阻碍。这项工作提出了一个生成模型，该模型可以扩展以生成解剖学正确、高分辨率和逼真的人脑图像，并具有进行进一步下游分析所需的质量。生成无限量数据的能力不仅能够实现大规模人体解剖学和病理学研究，而不会危及患者隐私，而且还能显著推动异常检测、模态合成、有限数据下的学习以及公平且合乎道德的人工智能领域的研究。代码和训练模型可在以下网址获取：https://github.com/AmigoLab/SynthAnatomy。
简要探讨人类大脑图谱的选择对 ASD 分类模型性能的影响
本研究使用功能性磁共振成像 (fMRI) 数据研究了脑图谱选择对自闭症谱系障碍 (ASD) 模型分类准确性的影响。脑图谱（例如 AAL、CC200、哈佛-牛津和 Yeo 7/17）用于定义 fMRI 分析的感兴趣区域 (ROI)，在帮助研究人员研究 ASD 患者的连接模式和神经动态方面发挥着至关重要的作用。通过系统回顾，我们检查了不同图谱在各种机器学习和深度学习框架中对 ASD 分类的表现。结果表明，图谱选择显著影响分类准确性，较密集的图谱（例如 CC400）提供更高的粒度，而较粗的图谱（例如 AAL）提供计算效率。此外，我们讨论了结合多个图谱以增强特征提取的动态，并探索了在不同数据集中选择图谱的含义。我们的研究结果强调了标准化图谱选择方法的必要性，并强调了未来的研究方向，包括整合新的图谱、先进的数据增强技术和端到端深度学习模型。这项研究为优化基于 fMRI 的 ASD 诊断提供了宝贵的见解，并强调了解释图谱特定特征对于更好地理解 ASD 中的大脑连接的重要性。