XiaoMi-AI文件搜索系统
World File Search System隶属关系
![文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive](/simg/a/a18931ee1afd48d7d579d30bde6e7c6026fd7595.webp)
文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive
Article title: Sentiment Analysis Based on Machine Learning Algorithms: A Comprehensive Study Authors: song jiang[1], Ela Kumar[2] Affiliations: university of houston[1], k l deemed to be university[2] Orcid ids: 0009-0007-8363-7304[1] Contact e-mail: sjiang24@central.uh.edu License information: This work has been在Creative Commons Attribution许可下发布的开放访问http://creativecommons.org/licenses/4.0/，只要适当地引用了原始工作，就可以在任何媒介中不受限制地使用，分发和复制。可以在https://www.scienceopen.com/上找到条件，使用条款和发布政策。预印度语句：本文是预印本，未经同行评审，正在考虑，并提交给ScienceOpen的预印本进行开放的同行评审。doi：10.14293/pr2199.000601.V2预印本在线发布：2024年2月19日
根据分类隶属关系估算共识蛋白质组和代谢功能
摘要目的：元编码和元基因组测序使高度多样化的环境社区的表征能够表征。估计这些社区执行的代谢功能的挑战导致了几种最新方法的发展，其中大多数方法是根据特定基因标记量身定制的。但是，测序技术进步所产生的方法的增加，驱动了能够处理异质微生物社区数据的方法。预测通常取决于其内部分析管道，并受到基础数据库的影响，这些数据库将标记基因与特定功能注释联系起来。这限制了用户通过追踪内部数据和流程来评估预测质量的能力。最后，用户受这些方法提供的特定注释的约束（例如ec数），限制了他们根据中间结果进行进一步专业分析的能力。方法：ESMECATA预测分类学官员的共识蛋白质组及其相关功能。Esmecata的关键特征是其解释性和功能。为了支持异质测序数据的灵活整合，Esmecata利用了通过分析不同测序数据集的分析获得的分类学官方。为了深入了解每种分类学的知识并解释预测功能的相关性，Esmecata确定了在UNIPROT数据库中有记录的蛋白质组织能够辅助代表的给定官能中的分类学等级。根据阈值，将Uniprot蛋白质组的蛋白聚类并过滤，以创建共识蛋白质组。这些共有的蛋白质组会自动用功能信息（例如，EC数字，GO术语）注释，但它们也被设计为用于进一步的自定义注释工作流。功能注释在功能表中报道，该功能表可以充满分类的丰度，以产生全面的功能性文件。结果：ESMECATA预测已使用多个数据集验证，并将其与最新方法进行了比较。此外，它被应用于甲烷剂反应器的新型元编码数据集，表征了微生物群落和沼气在不同的时间点和进气条件上的产生。我们的结果证明了沼气之间的联系
作者：Caroline R. Weir隶属关系：Falklands Conservation，Jubilee Villas，Ross Road，Stanley，Falkland Islands版本：1.0日期：2024年11月20日
关键的生物多样性领域（KBA）是国际公认的地点，对生物多样性的全球持久性产生了重大贡献。识别KBA的全球标准列出了识别全球KBA的商定标准（IUCN，2016年）。kbas已划定了界限，并且可能作为一个单位可以管理，但是称为KBA的界限并未授予网站上的法律受保护的身份或管理活动。falllands保护（FC）已在福克兰群岛周围近岸水域进行了针对性的研究。虽然该物种的机会性记录偶尔在几十年中被报道，但第一个证据表明，该物种在福克兰群岛的定期发生，该物种在2017年5月出现，当时在对Sei Whales，Balaenoptera Borealis的试验研究中多次记录了目击事件（Weir，2017年）。整个2017年冬季，许多右鲸的存在，随后在2018年发生了类似的情况（Weir and Stanworth，2019年），导致了Darwin Plus Plus资助的项目的发作，其中包括监视整个澳大利亚冬季（6月至8月）（2019年8月至8月）的分销，丰度和种群结构（2019年和2020年8月和2020年）（DPLUS082：WEIRIR，2022：WEIRIR，2022）。在2022年和2023年，这项工作扩展到包括卫星跟踪，摄影测量和空中丰度调查（DPLUS126：Weir，在Prep。），其特定目标是收集相关信息以潜在地支持KBA评估。使用IMMA标准B2（聚集）和标准C1（生殖区域）提出了该区域。2022年12月，足球俱乐部向西南大西洋地区IMMA车间提交了“东北福克兰右鲸鱼越冬区（IMMA）”的提案。IMMA被定义为栖息地的离散部分，对海洋哺乳动物物种很重要，这些物种有可能被划定和管理进行保护。在审查后，东北福克兰右鲸鱼越冬区IMMA 2被海洋哺乳动物保护区工作队接受。IMMA进程旨在在基于地区的环境中提供有关海洋哺乳动物保护的优先事项的建议，以协助国家和国际保护工作，包括对KBA的识别。本文档提供了支持信息，还可以将福克兰东北部的沿海水域视为支持重要南部右鲸鱼季节性繁殖聚集的KBA。概述了如何根据定量KBA标准评估该物种，并在2017年至2024年之间在Falklands收集的FC数据集提供了其他信息，以支持该应用程序。
塞缪尔·史蒂文斯（Samuel Stevens）职位与隶属关系：博士候选人和...
我很高兴在2024年11月13日至15日在COSA举行的COSA 51年度科学会议上介绍我们的研究。我是早期的职业肿瘤学家，主要对癌症护理对患者和社会的价值感兴趣。我目前的研究重点是晚期癌症的姑息治疗的时间负担，那里的时间有限，生存时间的很大一部分通常专门用于接收，通勤和协调癌症护理，否则称为癌症治疗的“时间毒性”。我介绍了我们的海报：“癌症是我的生命”：2024年COSA ASM上晚期GI癌的时间毒性的耐心观点。我们的工作是从患有晚期癌症患者的角度来看，时间毒性的第一个基础定性分析之一，也是第一个探索探索大都市和区域性位置的澳大利亚人的探索。美丽的黄金海岸是来自所有学科的1000多名癌症临床医生的理想场所，以围绕该主题聚集：弥合差距，建立进步，分解差异。有一个明显的渴望来解决获得医疗保健方面的全球和本地问题，由主题演讲者丹妮尔·罗丹（Danielle Rodin）博士（加拿大玛格丽特癌症中心）和罗宾·Zon（ASCO总裁）（美国的ASCO总裁）精美地强调了。包括盖尔·加维（Gail Garvey AM）（昆士兰州大学）和一位/梅·梅·伊普（A/A/A Prof）的一系列强大的当地研究人员在广泛的讨论中增加了他们的专业知识，这些讨论描述了不平等，同时对某些挑战性问题的解决方案充满乐观的态度。值得注意的会议包括涵盖生活质量，预后不良，患者报告的结果和实施科学的那些会议，所有这些都与我们小组在
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
三级医院工作人员医疗保健中的人工智能评估 Daniel, Aondona David 1 , Akwaras Nndunno Asheku 1 , Yohanna Stephen 2 , Gyuse Ngueikyor Abraham 3 , De-kaa Niongun Lawrence Paul 1 , Swende Ladies Terrumun 1 ,俄亥俄州立大学 1、Grace Nwunuji 学校 4、马太福音 1 开放获取引用：Daniel、Aondona David、Akwaras Nndunno Asheku、Yohanna Stephen、Gyuse Ngueikyor Abraham、Deka Niongun Lawrence Paul、Swende Laadi、俄亥俄州立大学、格雷斯州立大学努努吉，马修酋长。三级医院员工对人工智能在医疗护理方面的知识、实践、认知和期望的评估。健康科学杂志。 2024；34(4):313。 doi：http://dx.doi.org/ 10.4314/ejhs.v34i4.7 接收日期：2024 年 3 月 2 日 接受日期：2024 年 6 月 23 日 发布日期：2024 年 7 月 1 日 版权所有：© 2024 David D.A., et al.这是一篇根据知识共享署名许可条款分发的开放获取文章，允许在任何媒体上不受限制地使用、分发和复制，前提是注明原始作者和来源。资金：无 竞争利益：作者声明不存在竞争利益。隶属关系和通讯：
对三级医院工作人员医疗保健中人工智能的评估 Daniel, Aondona David 1 , Akwaras Nndunno Asheku 1 , Yohanna Stephen 2 , Gyuse Ngueikyor Abraham 3 , De-kaa Niongun Lawrence Paul 1 , Swende Ladi Terrumun 1 , 俄亥俄州州立大学 1、Grace Nwununji 4、马太福音 1 开放获取引文：Daniel、Aondona David、John Stephen、Gyuse Ngueikyor Abraham、Deacon Lawrence Paul、Swende Laadi、俄亥俄州立大学、Rev. Grace Nwunuji、Ocheifa Ngbede Matthew。对三级医院工作人员对医疗保健人工智能的知识、实践、感知和期望的评估。埃塞俄比亚健康科学杂志。2024；34(4):313。 doi：http://dx.doi.org/ 10.4314/ejhs.v34i4.7 收到日期：2024 年 3 月 2 日 接受日期：2024 年 6 月 23 日 出版日期：2024 年 7 月 1 日 版权所有：© 2024 David D.A.，等人。本文根据知识共享署名许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，只要注明原作者和出处。资金：无 竞争利益：作者声明本手稿不存在竞争利益。所属及通讯:
婴儿认知启发的机器基准，用于识别代理，隶属关系，信念和意图
人类婴儿具有出色的能力来推理驱动他人行为的基本和无形原因。这些能力是人类一生的人类社会认知的核心。人工智能（AI）系统在实现同样的常识性社会知识方面仍然缺乏。最近关注社会认知和心理理论的基准已经开始解决人类和机器社会智力之间的差距，但他们并未完全考虑使用Multiple互动代理来理解场景所需的社会推理。在此类基准测试的基础上，我们提出了八项新任务，该任务着重于不同的早期社会竞争，如婴儿的行为实验所示。我们使用自我监督的变压器模型作为对我们新任务的基线测试，此外，我们在以前的社会认知基准上评估了该模型。与其他数据驱动的模型相比，我们的模型在以前的基准测试中显示出改进的性能，但它在我们的新任务上表现出色，从而揭示了仅通过视觉数据学习复杂的Soial Sots相互作用的挑战。