XiaoMi-AI文件搜索系统
World File Search System构建
构建以用户为中心的AI数据透明度方法
数据是AI开发的基石。AI经常使用从网络上刮下来的数十个数据点进行训练和微调，批量购买或由大量人类注释者贡献。知道用于培训模型的数据集中的内容以及如何编译它们，对于安全和负责的AI系统的开发和部署至关重要。AI数据透明度是指关于在整个AI生命周期3中如何使用数据的开放性，重点是上游数据组件：培训数据，微调，调整，参考数据和基准测试。4尽管具有数据的重要性，但大多数领先的AI公司一直不愿透露用于训练和测试其模型5的数据集的详细信息，这有助于称为“不断增长的数据透明度危机”。6斯坦福基金会模型透明度指数评估了提供许多AI工具和服务的骨干的主要基础模型，这表明与透明度7的其他方面相比，使用的数据透明度非常低。最近的ODI研究检查了媒体中强调的最近“ AI事件”链接的一系列模型的数据透明度，并确定了数据透明度信息的同样较低的存在，以及访问此信息的关键障碍。8
构建具有IRAE和诊所特征的nom图，以预测接受抗PD-1治疗的晚期G/GEJ腺癌患者的存活
方法：组装了255名被诊断为晚期G/ GEJ腺癌的成年患者的数据集。将影响整体生存（OS）至显着程度的IRAE识别为候选变量，并将其整合为候选变量，以及其他12个候选变量。These included gender, age, Eastern cooperative oncology group performance status (ECOG PS) score, tumor stage, human epidermal growth factor receptor 2 (HER2) expression status, presence of peritoneal and liver metastases, year and line of anti-PD-1 treatment, neutrophil-to-lymphocyte ratio (NLR), controlling nutritional status (CONUT) score, and Charlson comorbidity index （CCI）。为了减轻与伊拉斯有关的时机偏见，采用了具有里程碑意义的分析。使用最小绝对收缩和选择算子（LASSO）回归进行了变量选择以查明明显的预测因子，并应用了方差障碍因子来解决多重共线性。随后，使用正向似然比方法进行了COX回归分析来开发生存预测模型，排除未能满足比例危害（PH）假设的变量。该模型是使用整个数据集开发的，然后通过Bootstrap重新采样进行内部验证，并通过另一家医院的同类进行外部验证。此外，创建了一个列图来描述预测模型。
引用了原始发表的论文（记录的版本）：Thurakkal，S.，Feldstein，D.，Perea Causin，R。等（2021）。构建bl
黑色磷纳米片（BPNSS）由于其独特的物理化学特性而在石墨烯以外的2D材料中是新星。[38–47]在黑色磷（BP）晶体中，不同的BP层通过弱的范德华相互作用堆叠在一起，并且磷原子通过在层中通过SP 3杂交共价键相互联系，在每个phos-Phors-Phorus Atom上留下了一对单独的电子。[48] BPNSS沿扶手椅方向显示出重复的蜂窝结构，并沿着Zigzag方向进行双层布置，从而在BPNS中产生强大的面内各向异性电子和光学特性。[49–51] BPNSS显示了从0.3 eV（bulk bp）到2.0 eV（单层）的厚度依赖性直接带盖的广泛范围。它们的光学响应由激子主导，在几百meV范围内表现出结合能。[52,53]更重要的是，单层BP具有1000 cm 2 v-1 s-1的电荷载体迁移率，而在野外效应晶体管中，良好的ON/OFF ON/OFF比率为10 3-10 4。[54]由于这些令人兴奋的特性，BPNS在光催化，生物医学，能源存储和转换以及电子和光电设备中显示了潜在的应用。[55–61]但是，在环境条件下，BPNS的稳定性较差限制了其实际应用，这主要是因为在氧气和/或水存在下，磷原子化学降解为氧化磷。在不同的钝化策略中，通过共价或非共价方法（方案1）构建异质结构可以帮助获得具有各种架构和功能的基于BPN的异质结构。[62–66]到目前为止，已经证明了不同的方法，例如化学官能化[67-72]和金属氧化物或离子载体质层涂层[73-75]，作为改善BPNS环境稳定性的有效方法。基于BPN的异质结构可以提供BPNS的大面积钝化，结合属性
提取特征，构建推荐系统......
该项目处理加州大学圣地亚哥分校 Julian McAuley 提供的亚马逊数据集。该项目旨在使用潜在狄利克雷分配 (LDA) 提取亚马逊文本评论中讨论的特征。此外，一旦提取出特征，就会构建一个推荐器。为了实现这一点，该项目提出了各种模型，如主题聚类推荐、无约束矩阵分解和基于内容的过滤。首先，清理数据集并进行数据探索以观察数据中的各种趋势。根据评论的评分，创建词云以确定数据集中每个单词的重要性。在初步数据探索之后，使用潜在狄利克雷分配 (LDA) 提取数据集中讨论的主题。[8,10] 最后，使用这些主题，在主题聚类推荐、无约束矩阵分解和基于内容的过滤等不同模型的帮助下构建推荐器。根据召回率和平均绝对误差等指标，将选择最佳模型。关键词：亚马逊，推荐器，LDA，主题建模，基于内容的过滤，矩阵分解 1.简介 互联网是重要的信息来源。过去几年，电子商务领域取得了长足的发展。几乎所有我们需要的东西都可以在网上轻松获得。亚马逊、eBay 和 Flipkart 等网站在电子商务中发挥着至关重要的作用。亚洲、非洲/中东和拉丁美洲地区超过 60% 的人口愿意在线购物 [7]。据观察，2017 年第一季度，电子商务销售额达到 1057 亿美元 [10]。如果大多数人依赖电子商务网站购物，那么概述网站上发布的有关产品的评论就很重要。其他各种客户都会阅读有关在线发布的任何产品的评论。根据现有的评论和可用的评论数量，客户往往会决定是否购买该产品。网站上任何产品的评论对于决定网站或产品的成功都起着非常重要的作用。
构建成功的海上自主生态系统
自主驾驶或遥控驾驶船舶的引航：操作概念（ConOps）需要考虑从远程操作中心（ROC）操作的引航员，以及如何满足港口当局的安全、法律和环境保护要求；远程引航的可接受性和信任度；关键的安全问题是建立和维护 SA 以及处理紧急情况，例如失去连接或放弃 ROC，导致推力或转向功能丧失；还需要考虑船舶本身、燃料和货物的风险。当要求引航员控制 MASS 时，例如过渡到远程操作以进入港口，需要考虑责任或义务变化方面的潜在法律影响。
利用数据和人工智能构建更美好的未来：白皮书
建立患者信任和加强医疗领域数据基础设施的工作示例包括由英国健康数据研究机构资助的 INSIGHT，该项目使用匿名眼部扫描数据，由 ODI 共同开发的多元化数据信托咨询委员会监督。ODI 还强调了隐私增强技术 (PET) 在确保安全、合乎道德的数据访问方面的作用。例如，在 PET 解释器中，联合学习（由牛津大学 CURIAL-Lab 团队展示）使 AI 模型能够跨多个数据源进行训练，从而无需共享数据即可筛查患者是否感染 COVID-19，从而增强隐私和协作。OpenSafely 支持在可信研究环境中链接患者健康记录。数据分析师可以使用此功能来揭示大量疾病、合并症和患者人口统计数据的模式。精心策划的数据基础设施是 AI 功能和部署必须依赖的基础。
利用人工智能构建网络弹性
网络安全是一个相对较新的领域，不像医学或工程等其他传统领域那样存在了那么久。因此，它多年来一直没有获得其他领域享有的同等水平的资源和支持。尽管如此，近几十年来重大的技术进步对网络安全专业人员的需求很高。鉴于高技能网络安全资源的稀缺，组织很难找到和维持这样的资源，并确保他们提升自己的技能以匹配对手日益先进的技术和战术。使用人工智能 (AI) 和量子计算等新兴技术意味着网络安全专业人员需要不断提升自己的能力以跟上最新威胁。
