XiaoMi-AI文件搜索系统
World File Search System现实
ESMO网络研讨会：ESMO指南：现实世界案例 - 转移性乳腺癌2024
RodrigoSánchez-Bayona，医学博士博士医学肿瘤学，Octubre（西班牙马德里）ENSO年轻肿瘤学家委员会成员
工作场所中的神经技术：未来派现实
想象一个小工具，允许雇主通过隐藏在键盘或鼠标内的微小电极来监视其工人的脑电波，该电极发送实时显示以评估情绪，警觉性，压力和生产率水平。不久前，您认为这个概念太牵强了，无法认真考虑。但是神经科学和人工智能的进步正在融合 - 有人说，增长是“类固醇” 1-提供了负担得起且可广泛的神经技术设备，这些设备将很快成为普遍存在的工作环境的常规部分。我们研究了当今正在开发的神经技术的开创性工作场所应用，包括有可能帮助发现和帮助早期干预工作，以解决疲劳，倦怠，欺诈，欺诈，商业秘密盗用以及其他可严格的工作场所活动，以及提高生产力和工人的发展。，但也存在明显的固有道德风险，法律问题和忧虑，集中在可能不负责任地使用这种强大的技术。法律风险包括与生物识别数据收集，工作场所隐私以及感知或实际残疾歧视有关的风险，以及其他问题。随着科学和技术进入未知领域，雇主将不得不第一次解决这些法律问题，通常很少有先例或指导。
Cyberdemo：增强现实世界灵巧操纵的模拟人类示范
我们介绍了Cyberdemo，这是一种用于机器人模仿学习的新方法，该方法利用了模拟人类的策略来实现现实世界的任务。通过在模拟环境中纳入广泛的数据增强，CyberDemo在转移到现实世界中的传统现实世界中的表现优于传统的现实世界中的演示，从而处理了多样化的物理和视觉条件。无论其负担能力和在数据收集中的便利性如何，Cyberdemo Opper-pers-pers-pers-pers of-lip-term-term of基线方法在跨不同任务的成功率方面，并具有以前未见的对象的普遍性。例如，尽管只有人类的示范插入三瓣，但它仍可以旋转新型的四阀和五角谷。我们的研究证明了模拟人类示范对现实世界灵活操纵任务的重要潜力。更多详细信息可以在https://cyber-demo.github.io/
现实世界市场的复杂动态
Reijsbergen，Daniel，Shyam Shiam，BarnabéMonnot，Stefanos Leonardos，苏格兰海峡和Piliouras的Georgies。“交易信仰：以太坊的EIP-1iety-blockchain（区块链），2021。
Bukidnon的生物多样性保护现实
环境质量的下降是人口快速扩张和使用自然资源的不可避免的结果，对全球和局部生物多样性构成了严重的危险（Malcolm等，2006； Pimm等，2014）。必须平衡经济增长和生物多样性保护；但是，这可能很困难，需要确定和优先考虑生物多样性保护（Hughes，2017a）。Kitanglad和Kalatungan Mountain Ranges，被称为该省的神圣地点，并被联合国教科文组织认可，位于Bukidnon。该省是环境与自然资源部环境局在生物学上受到威胁的五条河流系统的所在地（Lubos，2023年）。棉兰老岛是菲律宾的著名群岛，以其丰富而独特的生物多样性而闻名。尽管承认该物种在该地区的生态意义，但仍需要采取进一步的保护措施来保护IT（Cruz等，2023）。
并发与并行，编程与现实生活之间 Marius BÎTCĂ 1*、Darinela ANDRONOVICI 1、Dumitraș MĂMĂLIGĂ 1
摘要。本科生或新手程序员经常在编程课程中受到高级和抽象概念的挑战。与构建顺序程序相比，并行和并发编程需要不同的、更复杂的控制流思维模型。现在，多核处理器已成为计算机和移动设备的标准，开发软件以利用这种额外的计算能力的责任现在落在了现代软件开发人员身上。关键词：性能、编程、线程、顺序程序、计算机体系结构。简介本文的目的是通过不仅提供定义和解释，还提供来自现实生活的例子，帮助读者理解什么是并行性和并发性，因为这样会更容易理解。有很多解释，但只有少数能让你对它们有一个很好的认识，其余的都让你感到困惑，然后你放弃理解这两个术语。你甚至不知道你不仅在编程时看到并发和并行性，而且在任何地方、任何时候都看到它。现实生活中的实现想象一下，一个人在图书馆工作，一堆新书到了。他的任务是按作者选择合适的书，然后将它们放到书架上。他完成这项任务的方式是遵循正确的步骤。他会从所有书中挑选出由同一作者写的书。将它们带到相应的位置后，他会将它们排列在书架上。为了使这个过程更有效率，他可以实施并行技术，使用两名工人并让他们同时工作。这样，他将减少两倍的时间。当然，如果他想使这项工作更有效率，他可以使用更多的工人。关于并行性，需要了解的一件重要事情是，有时您无法获得预期的性能提升，因为您可能会遇到瓶颈，这种情况发生在资源（书籍）繁忙且第二名工人无法选择所需书籍时，这就是为什么您可能会浪费与使用一名工人时相同的时间。现在，如果您想更好地优化，可以使用并发方法。因此，在进入这个主题之前，先定义什么是并发，因为很容易将并发与并行混淆，我们必须从一开始就尝试明确两者的区别： - 并行是指同时做很多事情。 - 并发是指同时处理很多事情。 并行 并行意味着在多个硬件（核心、机器等）上执行多个任务，这就是为什么这些任务并行运行并且尽可能快地执行。 并行计算机是一种在协作中使用同时处理元素的计算机或系统
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
身体表现强烈预测了老年糖尿病患者的现实世界中的全因死亡率风险：M
1生物学，生态与地球科学系，卡拉布里亚大学，意大利列德，2个生物学与环境科学与工程系（BESE），阿卜杜拉国王科学技术大学（KAUST），瑟瓦尔，沙特阿拉伯，瑟瓦尔，阿拉伯，3 sdaia-kaust excell of Date Science and Artopi Intelligence, Thuwal, Saudi Arabia, 4 Institute of Chemical Biology, Ilia State University, TBBI, Georgia, 5 Scientific Direction, IRCCS INRCA, Ancona, Italy, 6 Diabetology Unit, IRCCS INRCA, Ancona, Italy, 7 Unit of Geriatric Medicine, IRCCS Inca, Cosenza, Cosenza, Cosenza,意大利，加拉布里亚大学药学，健康和营养科学系8号，意大利列德尔大学，临床与分子科学系9 IRCCS INRCA，意大利Ancona，12号医学与外科科学系，博洛尼亚大学，博洛尼亚大学，意大利，意大利，13个总方向，IRCCS INRCA，ANCONA，意大利，意大利Ancona，14实验室和精密医学诊所，IRCCS INRCA，IRCCS INRCA，ANCONA，ANCONA，ANCONA，意大利，意大利> >1生物学，生态与地球科学系，卡拉布里亚大学，意大利列德，2个生物学与环境科学与工程系（BESE），阿卜杜拉国王科学技术大学（KAUST），瑟瓦尔，沙特阿拉伯，瑟瓦尔，阿拉伯，3 sdaia-kaust excell of Date Science and Artopi Intelligence, Thuwal, Saudi Arabia, 4 Institute of Chemical Biology, Ilia State University, TBBI, Georgia, 5 Scientific Direction, IRCCS INRCA, Ancona, Italy, 6 Diabetology Unit, IRCCS INRCA, Ancona, Italy, 7 Unit of Geriatric Medicine, IRCCS Inca, Cosenza, Cosenza, Cosenza,意大利，加拉布里亚大学药学，健康和营养科学系8号，意大利列德尔大学，临床与分子科学系9 IRCCS INRCA，意大利Ancona，12号医学与外科科学系，博洛尼亚大学，博洛尼亚大学，意大利，意大利，13个总方向，IRCCS INRCA，ANCONA，意大利，意大利Ancona，14实验室和精密医学诊所，IRCCS INRCA，IRCCS INRCA，ANCONA，ANCONA，ANCONA，意大利，意大利> >
将扩散模型缩放到现实世界3D激光雷达场景完成
计算机视觉技术在自动驾驶汽车的感知堆栈中起着核心作用。使用此类方法来感知给定数据的车辆周围环境。3D激光雷达传感器通常用于从场景中收集稀疏的3D点云。然而，根据人类的看法，这种系统努力鉴于那些稀疏的点云，因此很难塑造现场的看不见的部分。在此问题中，场景完成任务旨在预测LiDAR测量中的差距，以实现更完整的场景表示。鉴于最近扩散模型作为图像的生成模型的有希望的结果，我们建议将其扩展以实现单个3D LIDAR扫描的场景。以前的作品使用了从LiDAR数据提取的范围图像上使用扩散模型，直接应用了基于图像的扩散方法。差不多，我们建议直接在这些点上操作，并介绍尖锐的和降解的扩散过程，以便它可以在场景规模上有效地工作。与我们的方法一起，我们提出了正规化损失，以稳定在denoising过程中预测的噪声。我们的实验评估表明，我们的方法可以在单个LIDAR扫描中完成场景，作为输入，与最新场景完成方法相比，产生了更多详细信息的场景。我们认为，我们提出的扩散过程公式可以支持应用于场景尺度点云数据的扩散模型中的进一步研究。1
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。