XiaoMi-AI文件搜索系统
World File Search System评估器
多节数字轴计数器规范 - RDSO
轴计数器现场单元是轨道侧电子组件，它为轴检测器供电，用于检测通过的车轮，确定移动方向并保持车轮数量。它应该定期将计数和健康信息传输到中央评估器，或者能够与轨道段另一端的其他计数设备/数字轴计数器现场单元（轨道侧）通信。这可能是一个单独的单元，保存在现场或与评估器集成。
开发基于机器学习的远程医疗自动患者参与度评估器：算法开发和验证研究
背景：患者参与是行为健康护理中一项关键但具有挑战性的公共卫生优先事项。在远程医疗过程中，医疗保健提供者需要主要依靠口头策略而不是典型的非口头提示来有效地吸引患者。因此，典型的患者参与行为现在有所不同，并且医疗保健提供者对远程医疗患者参与的培训不可用或非常有限。因此，我们探索了机器学习在估计患者参与度中的应用。这可以帮助心理治疗师与患者建立治疗关系，并在远程心理健康会话期间增强患者对心理健康状况治疗的参与度。目标：本研究旨在检查机器学习模型在远程心理健康会话期间估计患者参与度的能力，并了解机器学习方法是否可以支持客户和心理治疗师之间的治疗参与。方法：我们提出了一种基于多模态学习的方法。我们独特地利用了心理学文献中经常使用的情感和认知特征对应的潜在向量来了解一个人的参与度。鉴于医疗保健中存在的标记数据约束，我们探索了一种半监督学习解决方案。为了支持远程医疗类似技术的开发，我们还计划发布一个名为“临床分析中的多模式参与检测”（MEDICA）的数据集。该数据集包括 1229 个视频片段，每个片段时长 3 秒。此外，我们还展示了针对该数据集进行的实验，以及真实世界的测试，以证明我们方法的有效性。结果：与最先进的参与度估计方法相比，我们的算法报告的均方根误差提高了 40%。在我们对 20 名患者心理治疗过程中的 438 个视频片段进行的真实世界测试中，与之前的方法相比，心理治疗师的工作联盟清单得分与我们的平均和中位参与度估计值之间存在正相关。这表明所提出的模型有可能提供与心理治疗师使用的参与度测量非常吻合的患者参与度估计值。结论：患者参与度已被确定为改善治疗联盟的重要因素。然而，在远程医疗环境中，对这一点进行测量的研究有限，因为治疗师缺乏做出自信评估的传统线索。所开发的算法试图在机器学习框架内建立以人为本的参与建模理论，以准确可靠地估计远程医疗中患者的参与程度。结果令人鼓舞，并强调了将心理学和机器学习结合起来以了解患者参与的价值。进一步
使用我们的VCISO PLA ORM
NIST网络安全框架评估器：将您的网络安全量与行业标准保持一致。零信任到期级评估者：评估您遵守零信托原则，确保每个访问请求的严格验证。端点安全评估：评估所有端点的安全性，可以利用可以利用的漏洞。社会工程评估：嵌入在Plaƞorm中的微观学习模块，通知您的员工黑客使用的新方法。该模块为100％符合GPDR，并且没有存储数据。
调整法学硕士评估员的立场偏见
大型语言模型 (LLM) 已显示出作为评估 AI 系统生成的答案质量的自动评估器的前景。然而，基于 LLM 的评估器在用于评估成对比较中的候选答案时表现出位置偏差或不一致性，无论内容如何，都会偏向第一个或第二个答案。为了解决这个限制，我们提出了 P ORTIA，这是一个基于对齐的系统，旨在模仿人类的比较策略，以轻量级但有效的方式校准位置偏差。具体来说，P ORTIA 将答案分成多个部分，同时考虑长度和语义，然后将它们合并回单个提示以供 LLM 评估。对 6 个 LLM 对 11,520 个答案对进行的大量实验表明，P ORTIA 显着提高了所有模型和比较形式的一致性率，平均相对提高 47.46%。它还使 P ORTIA 增强型 GPT-3.5 能够实现与 GPT-4 相当的与人类的一致率，并将 GPT-4 的一致率提高到 98%。后续的人工评估表明，P ORTIA 增强型 GPT-3.5 模型在与人类评估者的一致性方面甚至可以超越独立的 GPT-4，凸显了 P ORTIA 纠正立场偏见、提高 LLM 一致性和提高性能的同时保持成本效率的能力。
![arXiv:2310.01432v3 [cs.CL] 2024 年 12 月 9 日](/simg/g:\will\search\icon\source\e\e7ceb8e93071edf9a053df0cbcf1b011fa58d8b3.webp)
arXiv:2310.01432v3 [cs.CL] 2024 年 12 月 9 日
大型语言模型 (LLM) 已显示出作为评估 AI 系统生成的答案质量的自动评估器的前景。然而，基于 LLM 的评估器在用于评估成对比较中的候选答案时表现出位置偏差或不一致性，无论内容如何，都会偏向第一个或第二个答案。为了解决这个限制，我们提出了 P ORTIA，这是一个基于对齐的系统，旨在模仿人类的比较策略，以轻量级但有效的方式校准位置偏差。具体来说，P ORTIA 将答案分成多个部分，同时考虑长度和语义，然后将它们合并回单个提示以供 LLM 评估。对 6 个 LLM 对 11,520 个答案对进行的大量实验表明，P ORTIA 显着提高了所有模型和比较形式的一致性率，平均相对提高 47.46%。它还使 P ORTIA 增强型 GPT-3.5 能够实现与 GPT-4 相当的与人类的一致率，并将 GPT-4 的一致率提高到 98%。后续的人工评估表明，P ORTIA 增强型 GPT-3.5 模型在与人类评估者的一致性方面甚至可以超越独立的 GPT-4，凸显了 P ORTIA 纠正立场偏见、提高 LLM 一致性和提高性能的同时保持成本效率的能力。
仅进行审查
目标。评估计算机辅助设计和计算机辅助制造（CAD-CAM）的咬合表面上的体积变化（CAD-CAM）咬合设备在咬合调整后完全数字工作流程制造的咬合设备，与用模拟工作流制造的设备相比。材料和方法。这项临床试点研究中包括了八名参与者，并接受了两个不同的咬合设备，这些设备由两个不同的工作流程制造，即完全模拟和完全数字化。在咬合调整之前和之后，扫描了每个咬合设备，以使用反向工程软件程序比较体积更改。此外，三名独立评估者使用视觉模拟量表和二分法评估评估了半定量和定性比较。进行了shapiro-wilk检验以验证正态分布假设，并使用对配对变量的依赖性t-student检验来确定统计上显着的差异（p值<0.05）。结果。从咬合设备的3维（3D）分析中提取均方根值。类似技术（0.23±0.10mm）的根平均值比数字技术（0.14±0.07mm）高，但是两种制造技术之间的差异在统计学上没有统计学意义（配对T-Student测试； P = 0.106）。与其他评估器相比，评估器3的数字（5.08±2.4）和类似物（3.80±3.3）技术之间的半定量视觉模拟量表值（5.08±2.4）和类似物（3.80±3.3）技术是显着的（p <0.001），评估器3的差异值在统计上显着差异值（p <0.05）。然而，三位评估者在62％的案件中就定性二分法评估达成了一致，至少两名评估者在100％的评估中达成了一致。结论。在完全数字工作流程后制造的咬合设备会导致咬合调整较少，因为它们可能是模拟工作流程后制造的咬合设备的有效替代方法。临床意义。在完全数字工作流程后制造的咬合设备可能比模拟工作流具有一些优势，例如减少置次调整，这可能会导致椅子的时间减少，从而增加患者和临床医生的舒适度。
通过强化学习的动态反馈
大型语言模型（LLM）在为增强学习（RL）任务设计奖励功能方面显示出巨大的潜力。但是，获得高质量奖励代码通常涉及人类干预，大量LLM查询或重复的RL培训。为了解决这些问题，我们提出了卡片，即迭代生成和改进奖励功能代码的LLM驱动奖励设计框架。具体来说，卡包括生成和验证代码的编码器，而评估器则提供动态反馈，以指导编码器改进代码，从而消除了对人类反馈的需求。除了过程反馈和轨迹反馈外，我们还引入了轨迹偏好评估（TPE），该评估（TPE）基于轨迹偏好评估当前的奖励函数。如果代码失败了TPE，则评估器会提供偏好反馈，避免在每次迭代时进行RL培训，并使奖励功能与任务目标更好地保持一致。对Meta-World和Maniskill2的经验结果表明，我们的方法在任务性能和令牌效率之间取得了有效的平衡，在所有任务中都优于或匹配基线。在12个任务中的10个任务中，卡表现出与经过专家设计的奖励训练的政策更好或可比的性能，我们的方法甚至超过了3个任务的Oracle。
Goh Lay Hoon博士 - 新加坡
1。首席研究员。NUHS合作促进与健康服务研究（HPHSR）2022年9月，SGD250,000，30/9/23-29/9/26/26。项目标题：使用数据驱动的方法在新加坡初级保健环境中转变慢性疾病护理管理。2。共同评估器。NUS教学增强补助金（TEG）2023。“医学，护理，药房和牙科本科生之间的跨学科教育”，20,000美元，从15/8/8/23-31/7/25。___________________________________________________________________电子邮件：mdcglh@nus.edu.sg lay_hoon_goh@nuhs.edu.sg.sg上次更新2024年6月11日
