XiaoMi-AI文件搜索系统
World File Search System越小
MRPW：带有采样权重∗
统计的核心挑战之一是从样本到人群概括。自然的第一步是调整样本和人群之间的已知，预期或假定差异1。但是，即使是这种基本的纠正水平也可能具有挑战性，尤其是当样本和人口在许多方面差异时（例如，社会调查中的年龄，性别，性别，教育，种族，地理和政治隶属关系）。加权是总结调整的一种方式：样本中的每个项目都有非负权重，该权重与人口中的代表成正比。人口估计。经典的调查权重出现了四个困难：重量，不确定性估计，小区域估计和回归建模。重量的构造很困难，因为现实世界调查需要针对许多因素进行调整，并且基于延伸后或采样估计概率的简单方法通常会导致高度嘈杂的权重。噪声较高的权重导致加权估计的效率损失：权重中存在的可变性越多，加权调查估计的效率就越小（Korn and Graubard，1999）。This in turn motivates more complicated approaches based on smoothing or modeling the weights, which can be done but at the cost of many choices in modeling and estimation (Little, 1991; Gelman and Little, 1998; Elliott and Little, 2000; Little and Vartivarian, 2003; Chen et al., 2006; Gelman, 2007; Chen et al., 2012, 2017; Xie et al., 2020; Si et al., 2020; Ben-Michael等人，2024年）。
基于深度学习模型的Al-Sn-Al结合强度研究
摘要：Al-Sn-Al晶圆键合是一种新型的半导体制造技术，在器件制造中发挥着重要作用，键合工艺的优化和键合强度的测试一直是关键问题，但仅通过物理实验来研究上述问题存在实验重复性强、成本高、效率低等困难。深度学习算法可以通过训练大量数据快速模拟复杂的物理关联，很好地解决了晶圆键合研究的困难。因此，本文提出利用深度学习模型（2层CNN和50层ResNet）实现不同键合条件下键合强度的自主识别，对比测试集结果表明ResNet模型的准确率为99.17％，优于CNN模型的91.67％。然后利用Canny边缘检测器对识别出的图像进行分析，结果显示晶圆的断裂面形貌为孔状结构，且晶圆表面孔移动面积越小，键合强度越高。此外，还验证了键合时间和键合温度对键合强度的影响，结果表明相对较短的键合时间和较低的键合温度可获得更好的晶圆键合强度。本研究展示了利用深度学习加速晶圆键合强度识别和工艺条件优化的潜力。
Christian Huber*、Benedikt George、Stefan J. Rupitsch、Helmut Ermert、Ingrid Ullmann、Martin Vossiek 和 Stefan Lyer 超声介导的空化
纳米粒子的声学特性（例如，运动超声成像 [4]）或机械特性（剪切波弹性成像 [5]）。SPION 携带的药物进入目标区域对恶性组织的影响较大，这是因为目标区域中的粒子空间密度高且停留时间长。在主动药物释放方面，非磁性聚合物基纳米粒子与 SPION [6] 不同，前者在聚焦超声 (FUS) 波场中会导致惯性空化，这与它们所谓的“声敏感性”有关。在这里，用超声检测空化的方法（“被动”或“主动”）允许监测，局部药物释放由空化触发 [7]。对于 SPION，在监测和局部药物释放的背景下，对超声诱导空化的潜在声敏感性尚未得到测试。因此，对 SPION 声敏感性的研究是本研究的主题。研究的本文中使用的 SPION 由德国埃尔兰根大学实验肿瘤学和纳米医学科 [2] 合成、表征、测试和生产，并在表 2 中进一步描述。单个氧化铁核的直径约为 10-15 纳米，但粒子往往会聚集成簇，直径约为 100 纳米。药物靶向应用中使用的粒子直径应小于 200 纳米，因为尺寸越小，穿透组织的能力越强，血液中的胶体稳定性越高。
医学领域的人工智能
卷积神经网络 (CNN) 逐渐被神经影像学界认可为图像分析的强大工具。尽管它们性能出色，但 CNN 功能的某些方面仍未得到人类操作员的充分理解。我们假设，通过研究 CNN 在输入已知特征的数据时的行为，可以提高应用于神经影像数据的 CNN 的可解释性。我们分析了 3D CNN 区分从扩散加权磁共振成像获得的原始和改变的全脑参数图的能力。改变包括线性改变每个脑体积中一个（单区域）或两个（双区域）解剖区域的体素强度，但不模仿任何神经病理学。通过进行十倍交叉验证并使用保留集进行测试，我们根据改变区域的强度评估了 CNN 的辨别能力，比较了后者的大小和相对位置。单区域 CNN 表明，修改的区域越大，实现良好性能所需的强度增加越小。双区域 CNN 的表现优于单区域 CNN，但在相应的单区域图像上进行测试时，只能检测到两个目标区域中的一个。利用训练数据的先验信息可以更好地理解 CNN 行为，尤其是在组合改变的区域时。这可以告知 CNN 模式检索的复杂性并阐明错误分类的示例，这对于病理数据尤其重要。所提出的分析方法可能有助于深入了解 CNN 行为并指导利用我们先验知识的增强检测系统的设计。
原创研究利用人工智能推进动机访谈训练：ReadMI
背景：动机访谈 (MI) 是一种基于证据的简短干预方法，已被证明在触发高风险生活方式行为的改变方面非常有效。MI 在临床环境中往往未得到充分利用，部分原因是培训有限且无效。为了更广泛地实施 MI，迫切需要改进 MI 培训流程，以便能够提供及时有效的反馈。我们的团队开发并测试了一种培训工具，即动机访谈对话实时评估 (ReadMI)，它使用自然语言处理 (NLP) 提供即时 MI 指标，从而满足对更有效 MI 培训的需求。方法：检查了 ReadMI 工具从 48 次由住院医师对模拟患者进行的访谈记录中生成的指标，以确定医生说话时间与其他 MI 指标之间的关系，包括开放式和封闭式问题的数量。此外，还进行了评分者间信度统计，以确定 ReadMI 对医生反应的分析的准确性。结果：医生花在谈话上的时间越多，医生参与 MI 一致面试行为的可能性就越小（r = −0.403，p = 0.007），包括开放式问题、反思性陈述或使用变化标尺。结论：ReadMI 生成特定指标，培训师可以与学生、住院医生或临床医生分享以获得即时反馈。考虑到医疗职业培训中针对性技能发展的时间限制，ReadMI 减少了依赖主观反馈和/或更耗时的视频复习来说明重要教学要点的需要。关键词：患者参与、医学教育、软件开发
禀赋结构、产业动态和经济增长
可持续的经济增长依赖于基础产业的健康发展。产业动态研究已经取得了巨大的进展，但在经济增长的背景下，特别是在高位数分解行业层面，许多重要方面仍未得到充分理解。以汽车行业和服装行业为例。两个行业在整个经济增长路径上的演变模式有何不同？哪个行业应该先扩张或衰退，为什么？主导产业能维持主导地位多久？是什么基本力量推动了这些动态？单个产业的动态和 GDP 总量增长之间有什么关系？这些问题对经济学家、政策制定者和私人投资者来说都很有趣。本文的目标是通过在增长框架内同时研究所有高位数行业的动态来阐明这些问题。我们利用美国制造业的 NBER-CES 数据集建立了四个关于产业动态的典型事实，该数据集涵盖了 1958 年至 2005 年 473 个 6 位数 NAICS 水平的行业。首先，资本密集度和生产率都存在巨大的跨行业异质性。其次，一个行业的增加值份额（或就业份额）通常呈现驼峰形的生命周期，即一个行业首先扩张，达到顶峰，最后衰落。第三，资本密集度越高的行业达到顶峰的时间越晚。第四，一个行业的要素密集度与经济要素禀赋的偏离越大，该行业在总体经济中的就业份额（或产出份额）就越小，这可以称为一致性事实。在 UNIDO 数据集中也发现了类似的模式，该数据集涵盖了 1963 年至 2009 年 166 个国家的两位数水平（23 个部门）。事实上，
战术显控系统人机交互中的特征整合设计研究 - 包装工程
编码特征作为预测结果，邀请用户进行认知情况调 研。从用户调研数据的计算结果可知，用户对不同特 征编码的认知存在一定的共性，有共同的认知习惯。 1 ）就属性语义来看，认知效率主要受色相、明 度、饱和度、尺寸、位置、形状的影响。色相：国军 标对色彩的应用有明确的规范，在进行色相编码时， 应考虑用户对专用色彩属性的认知习惯，严格遵守色 彩使用规范。对于没有硬性规定的色彩，也应以用户 过往的知识、经验为基础进行编码设计。如，在界面 设计中，一般认为红色表示危险，黄色表示警告，绿 色表示安全。明度：实验表明，在深色背景下，明度 越高信息等级越高。战术显控系统复杂性较高，合适 的明度编码设计适合应用于信息层级设计，能够有效 降低用户的学习成本。饱和度：饱和度取决于该色中 含色成分和消色成分（灰色）的比例。含色成分越大， 饱和度越大；消色成分越大，饱和度越小 [14] 。高饱和 度的色彩编码方式更能引起视觉关注，帮助用户集中 注意力。形状：在战术显控系统中，涉及形状属性的 元素主要为图形和符号，包括通用类和特殊类。在进 行形状编码时，现有图符应遵循沿用的原则，新的图 符应结合现实形态、行业背景进行设计，以符合用户 认知习惯、缩短学习过程，提高交互效率。尺寸：根 据实验结果显示，信息尺寸的大小与信息的重要等级 成正比，信息越重要，尺寸越大。位置：用户对显示 屏上的信息关注度依次为中间、左上方、右上方、左 下方、右下方 [15] 。在进行界面布局时，应注意信息等 级与其在界面中位置的一致性，同时要保证同类信息 的位置编码统一。 2 ）就情感语义来看，战时用户的生理和心理负 荷较高，任务情景的不确定性易增加用户的操作压 力 [5] 。在进行交互界面设计时应考虑信息编码元素的 情感性。从实验结果来看，影响情感语义的特征主要 为形状和色彩。尖锐的形态容易让用户产生较大的心 理压力，而圆润浑厚的形状更容易使用户平静。在进 行形状编码时，可采用倒角的设计手法。根据蒙赛尔 色彩体系对色彩要素的划分及实验结果，战术显控系 统的主色可以选用冷色调，明度、饱和度不宜过高， 以避免色彩刺激增加用户的焦虑感。而对于重点信息 和即时变化类信息，可采用高明度或高饱和度的色 彩，以提高用户的警觉性。
优化路创遮阳帘的电池寿命 (048561)
为了减轻传感器流量对 Caséta 和 RA2 Select 系统中遮阳帘电池寿命的影响，有以下几种设计方案可供选择：1. 订购带有“插入式”或“面板”电源的 Triathlon 遮阳帘，或改为订购 Sivoia QS 无线遮阳帘。注意：Triathlon 遮阳帘不能现场从电池供电转换为有线供电（插入式或电源面板），因此此选项仅在订购遮阳帘之前可用。2. 尽量减少系统中使用的 Caséta 运动传感器或 Radio Powr Savr 占用传感器的数量；传感器越少，对遮阳帘电池寿命的影响就越小。根据经验，将系统限制为不超过 4 个传感器将导致遮阳帘电池寿命减少 25% 或更少。3. 不要将 Caséta 运动传感器、Radio Powr Savr 占用传感器或由它们控制的负载控制设备添加到 Caséta 或 RA2 Select 系统。这些设备仍将由传感器控制，根据房间的占用状态自动关闭和（可选）打开灯，但它们不能通过移动应用程序、预定事件或与第三方系统集成进行控制。这将最大限度地减少传感器通信对窗帘电池寿命的影响（例如，4 个传感器将导致窗帘总电池寿命减少 10% 或更少）。4. 在 RA2 Select 系统中：a. 改用有线入墙占用传感器，例如 Maestro MS-OPS2H（开关/传感器）或 MSCL-OP153MH（调光器/传感器）设备。这些设备不会与系统通信，但将提供传感器功能并与 RA2 Select 入墙负载控制的美感相匹配。b. 将系统升级到 RadioRA 2，并使用下页第 4.2 节中概述的多通道策略。
Generative-Ai，学习助理？影响高层学生技术接受的因素
摘要：这项研究调查了影响泰国大学学生在泰国大学学生中采用生成工具的因素，并采用技术接受模型（TAM）作为理论框架。通过结构方程建模（SEM）分析了来自10位不同泰国大学健康科学，科学和技术，社会科学和人文科学和人文科学，社会科学和人文科学，社会科学和人文和职业领域的数据。收集数据的仪器是问卷。结果表明，预期的收益，对技术的有用性，对技术的态度和行为意图都显着影响学生对生成AI的采用。有趣的是，感知到的易用性与感知的有用性，具有挑战性的常规TAM假设呈负相关。这项研究强调了解决语言障碍，促进创新文化的必要性，并建立了道德准则，以促进教育中负责任的AI使用。尽管有固有的局限性，但这项研究有助于我们理解教育环境中的AI采用，并有助于为公平访问和负责任的创新提供策略。结果表明，使用工具更容易使用，而精益人似乎在其学习过程中看到的价值越小。可以暗示，随着生成性AI的直观，学习者认为他们的帮助不太有用。这些发现挑战我们通常在TAM模型中做出的一些假设。它还指出了学习者的特征，这会影响他们的学习偏好和期望。另一个发现显示了语言障碍对非母语英语说话者的影响，从而阻碍了用户在AI服务中的体验。此外，大学在促进AI整合学习的作用和生成AI的道德实施。提供一个支持AI实验，重新设计学习的支持环境，使学习者和教师教师能够调查如何在学科跨学科应用生成AI，并制定道德使用指南，大学在将AI的有效和负责任的集成在下一个教育景观中起着至关重要的作用。
父母身份以及大脑和细胞年龄的标记
最近的研究表明，怀孕和父母身份的转变对人类大脑结构特征有显著影响。在这里，我们介绍了一项全面的研究，研究了父母身份和出生/父亲的孩子数量与 36,323 名英国生物库参与者（年龄范围为 44.57 – 82.06 岁；52% 为女性）的大脑和细胞衰老标志之间的关联。为了评估父母身份对大脑的整体影响，我们在 T1 加权磁共振图像上训练了一个 3D 卷积神经网络，并在保留的测试集中估计了大脑年龄。为了研究区域特异性，我们使用 FreeSurfer 提取了皮质和皮质下体积，并运行了层次聚类以根据协方差对区域体积进行分组。来自 DNA 的白细胞端粒长度 (LTL) 被用作细胞衰老的标志。我们采用线性回归模型来评估孩子数量、大脑年龄、区域大脑体积和 LTL 之间的关系，并包括交互项以探究关联中的性别差异。最后，我们将大脑测量值和 LTL 作为二元分类模型中的特征，以确定大脑和细胞老化的标志是否可以预测父母身份。结果显示，无论男女，出生/父亲的孩子数量越多与大脑年龄越小之间存在关联，女性的影响更大。基于体积的分析显示，纹状体和边缘区域存在母体效应，而父亲则没有。我们没有发现孩子数量与 LTL 之间存在关联的证据。父母身份分类显示大脑年龄模型的 ROC 曲线下面积 (AUC) 为 0.57，而使用区域大脑体积和 LTL 作为预测因子的模型显示 AUC 为 0.52。我们的研究结果与之前针对中老年父母的基于人群的研究一致，揭示了父母经验与基于神经影像的大脑健康替代指标之间存在微妙但重要的关联。该研究结果进一步证实了对父母在怀孕和产后进行的纵向队列研究的结果，可能表明父母身份的转变与大脑健康的长期影响有关。