XiaoMi-AI文件搜索系统
World File Search System新科
高对比度的“ Gaudy”图像改善了视觉皮层的深神经网络模型的训练
理解视觉系统的感觉转换的关键挑战是获得一个高度预测的模型，该模型将自然图像映射到神经反应。深神经网络（DNNS）为这种模型提供了有前途的候选人。但是，由于实验记录时间受到严重限制，DNN要求比神经科学家可以收集的训练数据多。这促使我们找到了用尽可能少的培训数据训练高度预测的DNN的图像。，我们提出了自然图像的高对比度，双核版本（Termed Gaudy图像），以有效地训练DNNS，以预测高阶的视觉皮质响应。在对真实神经数据的仿真实验和分析中，我们发现具有艳丽图像的训练DNN大大减少了准确预测对自然图像的响应所需的训练图像的数量。我们还发现，在训练之前选择的谨慎图像优于通过主动学习算法在训练期间选择的图像。因此，谨慎的图像过多地强调了自然图像的特征，这对于有效地训练DNN最重要。我们认为，艳丽的图像将有助于对视觉皮质神经元的建模，这有可能打开有关视觉处理的新科学问题。
Finerenone在2型糖尿病患者，慢性肾脏疾病和肝脏脂肪变性和纤维化标记的患者中的功效：富达亚组分析
1 Copenhagen Center for Arthritis Research (COPECARE), Center for Rheumatology and Spine Diseases, Center for Head and Orthopaedics, Rigshospitalet, Glostrup, Denmark 2 DANBIO Registry, Center for Rheumatology and Spine Diseases, Center for Head and Orthopaedics, Rigshospitalet, Glostrup, Denmark 3 Department of Clinical Sciences Lund,瑞典隆德大学斯科恩大学医院风湿病学4临床流行病学科，医学系索尔纳，卡罗林斯卡研究所，瑞典斯德哥尔摩，斯德哥尔摩，5 5号风湿病学研究院，风湿病学研究所和风湿病学系，1 st carlles of Medicine of Medicine of Charles novely of Charles novely of Charles of Charles of Charles of Charles of czech Crufence 6以及西班牙马德里马德里大学合并的医学学院。里斯本，葡萄牙里斯本：Reuma.PT注册表15医学和风湿病学部，赫尔辛基大学医院，赫尔辛基，芬兰赫尔辛基，芬兰16号炎症中心，风湿病学系，赫尔辛基大学医院，赫尔辛基，芬兰，芬兰赫尔辛基17号，苏里奇大学苏黎世苏里奇大学，苏里奇大学苏黎世大学医院。瑞士日内瓦，19 Izmir Katip Celebi大学，医学院，内科学系，丹麦哥本哈根大学哥本哈根大学，丹麦哥本哈根哥本哈根哥本哈根市伊兹米尔风湿病学系，哥本哈根哥本哈根，7，西班牙La Laguna的大学皮肤病学和精神病学系，卢布纳斯大学，卢布尔雅那大学医学中心，卢布尔雅那大学医学中心，卢布尔雅那大学，卢布尔雅那大学，卢布尔雅那9号，卢布尔杰纳大学（ICB），冰岛大学，冰岛雷克雅维克大学医学，冰岛大学医院11号风湿病学系，冰岛雷克雅未克11葡萄牙里斯本学校的学校； REMA.PT注册表14贝克斯科·沃格医院中心的风湿病学系，阿维罗和综合卫生研究中心，新星新大学新科学院。7，西班牙La Laguna的大学皮肤病学和精神病学系，卢布纳斯大学，卢布尔雅那大学医学中心，卢布尔雅那大学医学中心，卢布尔雅那大学，卢布尔雅那大学，卢布尔雅那9号，卢布尔杰纳大学（ICB），冰岛大学，冰岛雷克雅维克大学医学，冰岛大学医院11号风湿病学系，冰岛雷克雅未克11葡萄牙里斯本学校的学校； REMA.PT注册表14贝克斯科·沃格医院中心的风湿病学系，阿维罗和综合卫生研究中心，新星新大学新科学院。
法律和人工智能——我们将走向何方？
11 D. Mac Sithig 和 M. Siems，《中国社会信用体系：其他国家的典范？》(2019)《现代法律评论》1034，第1039-1040 12 同上，第1041 13 BBC 新闻，《亚马逊被虚假五星评论淹没——哪些？》报告 (2019 年 4 月 16 日) 可访问：https://www.bbc.co.uk/news/business-47941181。14 David Streitfeld，《Swarming a Book Online》，《纽约时报》（2013 年 1 月 20 日），网址：https://www.nytimes.com/2013/01/21/business/a-casualty-on-the-battlefield-of-amazons-partisan-book- reviews.html 。另请参阅 Alison Flood，《亚马逊删除希拉里·克林顿的《发生了什么》一星评论》，《卫报》（2017 年 9 月 14 日），网址：https://www.theguardian.com/books/2017/sep/14/amazon-redacts-one-star- reviews-of-hillary-clintons-what-happened 。15 Daniel Cossins，《歧视算法：人工智能 5 次表现出偏见》，《新科学家》（2018 年 4 月 12 日），网址：https://www.newscientist.com/article/2166207-discriminating-algorithms-5-times-ai-showed-prejudice/。另请参阅 Miranda Bogen，《招聘算法可能引入偏见的所有方式》，《哈佛商业评论》（2019 年 5 月 6 日），网址：https://hbr.org/2019/05/all-the-ways-hiring-algorithms-can-introduce-bias；
polyie：从聚合物中提取信息的数据集...
旨在自动从科学文献中提取信息的科学信息提取（Sciie）比以往任何时候都变得更加重要。但是，没有用于聚合物材料的Sciie数据集，这是我们日常生活中普遍使用的重要材料类别。为了弥合这一差距，我们介绍了P oly IE，即用于聚合物材料的新科学数据集。p oly IE是从146个全长聚合物学术文章中提出的，这些文章用不同的命名实体（即材料，性质，瓦斯，条件）以及域专家的n个关系进行注释。p oly IE提出了由于实体的多种词汇格式，企业之间的歧义和可变长度关系所带来的独特挑战。我们评估了最先进的实体提取和关系提取模型，即分析其优势和劣势，并突出了这些模型的一些困难案例。据我们所知，P oly IE是第一个用于聚合物材料的Sciie基准，我们希望它将导致社区从事这项挑战任务的更多研究。我们的代码和数据可在以下网址提供：https：//github.com/jerry3027/polyie。
网站：https://muzzledtruth.com/
您好，我于 2009 年 3 月 2 日至 2023 年 12 月 31 日担任 CDPH 公共事务办公室（现为通讯办公室）的信息官 2。在 CDPH 任职的最后 18 个月期间，我多次与 CDPH 领导层分享了贝塞拉部长关于 COVID-19 疫苗相关风险的说法。我还通过电子邮件将疫苗不良事件报告系统 (VAERS) 数据（来源 2）发送给了 CDPH 管理层。这些数据表明有数千人死亡、住院、紧急护理就诊和医生办公室就诊。这些数据还显示了接种 COVID-19 疫苗后出现严重伤害的人数，即过敏反应、贝尔氏麻痹、流产、心脏病发作、心肌炎/心包炎、永久性残疾、血小板减少/血小板减少、危及生命、严重过敏反应和带状疱疹。我注意到，根据 2003 年 8 月 22 日《新科学家》杂志的一篇文章（来源 3），早在 2003 年，针对医护人员的天花疫苗接种计划就在两人死亡后停止。我还注意到，一些医学学科专家表示，VAERS 数据仅反映了少数实际伤亡。在撰写这份备忘录之前，我并不知道 LifeSite News 在 2022 年 6 月 7 日报道了一些相同的数据（来源 4）。
Ming Yin
媒体报道 当作家使用人工智能帮助工作时，他们接受的报酬较低，《新科学家》。2024 年 6 月 Yin 获得 NSF CAREER 奖，普渡大学计算机科学新闻。2024 年 5 月 实现有意的人类与人工智能互动，ACM Ubiquity。2024 年 3 月 NSF 资助研究所研究人工智能驱动的网络安全，普渡大学新闻。2023 年 5 月 普渡大学计算机科学研究人员在 AAAI 上发表了四篇论文，普渡大学计算机科学新闻。2023 年 2 月 基于人工智能的打击虚假新闻的可信度指标，普渡大学计算机科学新闻。2022 年 10 月 团队合作总是完成任务的最有效方式吗？世界经济论坛。2021 年 10 月 哪些任务最适合团队，哪些应该单独完成？雅虎！科技。2021 2021 年 10 月 机器学习的公平性：普渡大学加入美国国家科学基金会 100 万美元人工智能公平性计划，普渡大学计算机科学新闻。2021 年 3 月 Neville、Tan 和 Yin 将在数据科学女性会议上发表演讲，普渡大学计算机科学新闻。2019 年 2 月 未来的工作形态，自然新闻专题。2017 年 10 月
人工智能对护理决策的贡献：范围审查协议
摘要：背景：人工智能 (AI) 技术和问题解决方法正在成为协助护理必不可少的正式工具。鉴于它们具有改善工作流程和指导决策的潜力，已经开展了多项研究；然而，人们对它们的影响知之甚少，尤其是对决策的影响。目标：本研究的目的是绘制关于人工智能在护理决策中的应用的现有研究。通过此审查协议，我们旨在绘制关于人工智能在护理决策中的应用的现有研究。方法：根据乔安娜·布里格斯研究所 (JBI) 提出的框架进行了范围界定审查。搜索策略针对每个数据库/存储库进行定制，以确定相关研究。所包含的文章是数据提取的目标，由两名独立研究人员进行。如果出现差异，将咨询第三位研究人员。结果：本审查包括定量、定性和混合方法研究。根据 JBI 为范围界定审查定义的三个步骤，考虑了原始研究、系统评价、论文、意见文本和灰色文献。结论：本次范围界定审查综合了有助于推动新科学发展的知识，并为患者、护理人员和决策领导者找到重要且有价值的结果。本审查还旨在鼓励开发可能对决策 AI 工具开发有用的研究路线。
基于CVAE的因果表示从视网膜底面图像学习与年龄相关的黄斑变性（AMD）预测
摘要 - 关于相对较差的预后和急性视力障碍，分析与年龄相关的黄斑变性或AMD是视网膜疾病分析中最重要的任务之一。尤其是，构建分析和预测湿AMD的方法，其特征是由于新血管形成而导致新科学家造成的快速RPE损害，数十年来一直是许多眼科医生的一项艰巨任务。最近，随着ML/DL框架和计算机视觉AI的进步，这些先前的努力现在导致了AMD预测和机制分析的急剧增强。具体来说，使用基于注意机制的CNN或XAI方法的使用在预测AMD状态和可靠解释方面会导致更高的性能。在最先进技术的使用中，这项研究实施了一种新型的潜在因果表示学习框架，以进一步增强基于AI的模型，以了解仅访问视网膜底面图像的复杂因果AMD机制，同时构建了更可靠的AMD预测模型。结果表明，基于有效的卷积VAE和GAE的显式潜在因果建模可以导致基本AMD机制的成功因果关系，同时返回基本的因果因素，这些因素可以可靠地可靠地区分正常的基础和AMD底层图像，例如诊断预测。
现代化野外消防以保护我们的消防员
我们国家对抗野火的关键是一支由数万名州和联邦野外消防员组成的专业队伍，他们冒着生命危险保卫美国超过 15 亿英亩的火灾多发土地。1,2 数千名额外的当地消防员也被要求保护野外城市交界处的社区， 3 这些地区目前总共居住着近三分之一的美国人口。4 PCAST 旨在寻找科学和技术机会，使野外消防工作更安全、更有效。这一领域的进展可以补充和扩大拜登-哈里斯政府已经采取的行动，通过提高工作工资和分类水平 5 以及将《财政年度 (FY) 23 综合拨款法》中包含的野外火灾扑灭和预防资金增加 14% 来加强消防队伍。6 我们的建议强调了可以利用现有技术解决的迫切需求，以及对新科学技术的战略性长期投资，以确保我们的消防员不必用昨天的工具来应对明天的火灾。森林管理和类似的长期野火预防投资对于减轻未来消防员的负担也至关重要。但改善野火响应所需的技术已准备好提供帮助。因此，在本报告中，我们有意将重点放在野火响应的关键方面，这些方面在技术和组织上都停留在上个世纪。本报告中建议的几项行动可以立即采取，以支持当今全国野外消防员和弱势群体的需求，同时我们还将采取此处建议的长期行动，以确保在未来几十年内持续关注野外消防科学和技术发展。
在合成生物学时代重新审视生物陷入困境
摘要简介：生物技术和跨学科研究的快速进步正在增强对生物学进行全面工程的能力，为创建生物工程植物，药品和商品的努力做出贡献，这些植物，药品和商品承诺可持续性和创新性。目标：这种快速发展的生物技术景观正在促使人们专注于对生物安全框架的审查，以减轻州和非国家参与者对生物技术的有害剥削。关于生物安全和工程生物学研究的生物安全性，已经存在数十年了，因为人们对这种和相关领域的进步如何为恶意参与者提供了新的能力。本文使用工程生物学的研究进展示例考虑了生物安全性问题。方法：作者探索了跨学科生物技术研究与发展的风险评估和缓解，使用了国家合成生物学时代的国家生物探索研究中开发的框架。结果：合成生物学评估框架的重点是使用先进方法和技术增强或创建新型病原体和毒素的风险。工程生物学领域继续以挑战当前风险评估框架的速度继续前进。结论：这个框架可能很有能力评估影响传统生物学剂的新科学技术进步。但是，风险评估框架可能对不适合常规生物学代理的技术的适用性有限，并且导致经济或更广泛的国家安全问题。最后，绝大多数话语主要集中在风险上，而不是利益上，而在将来的评估中进行分析对于平衡科学进步与降低风险是至关重要的。