XiaoMi-AI文件搜索系统
World File Search System模型
关于在人工智能模型背景下处理个人数据的某些数据保护问题的第 28/2024 号意见
在此背景下，考虑到这些技术引发的数据保护问题，爱尔兰监管机构要求 EDPB 根据 GDPR 第 64(2) 条就一般适用事项发表意见。该请求涉及在人工智能（“AI”）模型的开发和部署阶段处理个人数据。该请求更详细地询问：（1）何时以及如何将 AI 模型视为“匿名”；（2）控制者如何证明合法利益作为开发和（3）部署阶段的法律依据的适当性；（4）在 AI 模型的开发阶段非法处理个人数据会对 AI 模型的后续处理或运行产生什么影响。
耶鲁大学/GRA ACC模型：可用于自然的新独特工具；解释器
科学家用来解释生态系统中捕获和存储的碳量的数学工具很少考虑动物的影响。这源于这样的假设：由于动物比生态系统中的植物和微生物要稀有得多，因此它们的潜在影响应该是最小的。然而，现场研究已经开始表明，这种假设可能不是准确的，如2023年3月下旬的《自然气候变化》杂志发表的《自然气候变化可以扩大自然气候解决方案》中所示。这导致了一个新的询问领域，称为碳循环（ACC）。
供应链金融模型
* 本文受益于 Jay Choi、Bruno Jullien、Todd Keister、Cyril Monnet、Volker Nocke、Yoshiaki Ogura、Jean Tirole、Yu Zhu 以及 2023 年京都数字化和宏观审慎政策研讨会、韩国延世大学平台经济学研讨会、2023 年瑞士夏季货币、银行、支付和金融研讨会、日本应用经济学会 2023 年秋季会议以及西南财经大学（成都）、复旦大学（上海）、南京大学（南京）各种研讨会的参与者的评论。其余错误由我们自己承担。胡感谢中国自然科学基金（拨款 72003041）、上海市浦江计划（拨款 21PJC011）和上海国际金融与经济研究所的资金支持。 Watanabe 感谢日本学术振兴会 (JSPS KAKENHI)（拨款编号 JP23H00054、JP22K20161 和 JP23K17286）和村田科学基金会的资金支持。Zhang 感谢中国教育部（拨款编号 #IRT 17R24 和 #2023JZDZ018）的资金支持。† 复旦大学世界经济研究所；hu bo@fudan.edu.cn。‡ 京都大学经济研究所；watanabe.makoto.2d@kier.kyoto-u.ac.jp。§ 复旦大学中国经济研究中心；junzh 2000@fudan.edu.cn。
快速热量仪仿真的生成模型
模拟在粒子和核物理学中起重要作用。它被广泛用于DECOTER设计和实验数据和理论模型之间的比较。在特定上，模拟依赖于蒙特卡洛方法，需要显着的计算资源。尤其是，这种方法不能扩展以满足高光度大型强子对撞机（HL-LHC）运行期间预期的大量数据所产生的增长需求。使用众所周知的仿真软件Geant4捕获的粒子碰撞和相互作用的详细模拟需要数十亿个CPU小时，构成了LHC实验的一半以上的计算源[1，2]。更具体地说，对热量表中粒子阵雨的详细模拟是计算最高的步骤。已经开发了利用重复使用先前计算或测量物理量的思想的模拟方法，以减少计算时间[3，4]。这些方法从专门进行到单独的实验中，尽管它们比完整的模拟更快，但它们的速度不够快或缺乏准确性。因此，粒子物理社区需要使用新的更快的模拟方法来建模实验。模拟热量计响应的可能方法之一是使用深度学习技术。，特别是最近的工作[5]提供了证据，表明可以使用生成性副本网络来效果模拟粒子阵雨。虽然实现了超过100 000倍的速度，但设置非常简单，因为输入粒子为
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
数学常数的统一共振模型
数学常数（例如π，E和φ）长期以来一直被认为是天然系统中几何，生长和自组织的基础。然而，常规数学将这些数字视为独立领域的新兴特性（几何，微积分和数字理论），而不是统一框架内的内在共振状态。动态新兴系统（代码）的手性提出，这些常数不是任意的，而是在主要驱动的共振字段中作为必要的相锁定结构出现。
机器学习模型，以预测...
4 md.devendran@gmail.com摘要：慢性肾脏病（CKD）是一个重大的全球健康问题，通常导致肾脏衰竭，需要昂贵的医疗治疗，例如透析或移植。早期检测CKD对于及时干预和改善患者预后至关重要。 该项目旨在开发基于机器学习的预测模型，以便在早期诊断CKD。 通过利用一系列临床特征，例如年龄，血压，血糖和其他相关的生物标志物，我们采用机器学习算法，包括决策树，随机森林和支持向量机（SVM），以预测患者开发CKD的患者的可能性。 本研究中使用的数据集包括具有各种肾脏状况的患者的病历，并应用了诸如归一化和缺失数据处理的预处理技术以确保模型的鲁棒性。 使用诸如准确性，精度，召回和F1得分等指标评估模型的性能，以确保可靠的预测。 这种方法不仅旨在提高诊断准确性，而且还提供了一个数据驱动的解决方案，以帮助医疗保健专业人员做出明智的决策。 该项目的结果可以有助于更好地管理CKD，最终有助于减轻医疗保健系统的负担并改善患者护理。早期检测CKD对于及时干预和改善患者预后至关重要。该项目旨在开发基于机器学习的预测模型，以便在早期诊断CKD。通过利用一系列临床特征，例如年龄，血压，血糖和其他相关的生物标志物，我们采用机器学习算法，包括决策树，随机森林和支持向量机（SVM），以预测患者开发CKD的患者的可能性。本研究中使用的数据集包括具有各种肾脏状况的患者的病历，并应用了诸如归一化和缺失数据处理的预处理技术以确保模型的鲁棒性。使用诸如准确性，精度，召回和F1得分等指标评估模型的性能，以确保可靠的预测。这种方法不仅旨在提高诊断准确性，而且还提供了一个数据驱动的解决方案，以帮助医疗保健专业人员做出明智的决策。该项目的结果可以有助于更好地管理CKD，最终有助于减轻医疗保健系统的负担并改善患者护理。
基于二维稀疏心脏磁共振成像的三维双心室心脏形状重建和建模的神经变形模型
我们提出了一种新颖的神经可变形模型 (NDM)，旨在从二维稀疏心脏磁共振 (CMR) 成像数据中重建和建模心脏的三维双心室形状。我们使用混合可变形超二次曲面对双心室形状进行建模，该超二次曲面由一组几何参数函数参数化，能够进行全局和局部变形。虽然全局几何参数函数和变形可以从视觉数据中捕捉到总体形状特征，但可以学习局部变形（参数化为神经微分同胚点流）来恢复详细的心脏形状。与传统可变形模型公式中使用的迭代优化方法不同，可以训练 NDM 来学习此类几何参数函数、来自形状分布流形的全局和局部变形。我们的 NDM 可以学习以任意尺度加密稀疏心脏点云并自动生成高质量的三角网格。它还可以隐式学习不同心脏形状实例之间的密集对应关系，以实现准确的心脏形状配准。此外，NDM 的参数直观，医生无需复杂的后处理即可使用。大型 CMR 数据集上的实验结果表明，NDM 的性能优于传统方法。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。