XiaoMi-AI文件搜索系统
World File Search System非负
RTPCR：QPCR数据分析 DACC：气候变化的检测和归因分析 接吻：保持简单的物种迁移模型 SGOF：多个假设测试 创建R对象的紧凑型哈希摘要 MLMTS：多元时间序列的机器学习算法 分析依赖量表的生物多样性变化与MOBR 机器：机器学习模型和工具 nmf：非负矩阵分解（NMF）的算法和框架 软件包'mobr' ddml：双/辩护机器学习 胚胎：通过期望最大化的稳健贝叶斯变量选择 'Google gemini'api 的接口 Jackstraw：无监督学习的统计推断 ODT：最佳决策树算法 具有组成反应的多元随机森林 软件包'joinet' rgbif.pdf OpenCV.pdf 软件包'mapme.biodoverity' MLR3DATA：“ MLR3'的机器学习数据集的收集 生存：使用机器学习的灵活生存分析工具 bio3d.pdf
描述各种方法用于实时PCR（定量PCR或QPCR）数据的统计分析和图形表示。'rtpcr'负责基于多达两个参考基因的实时PCR数据的扩增效率计算，统计分析和图形表示。通过考虑放大效率值的考虑，“ RTPCR”是由Ganger等人描述的一般计算方法开发的。（2017）和Taylor等。（2019），涵盖了livak和pfaffl方法。基于实验条件，“ RTPCR”包装的功能使用t检验（用于具有两级因子的实验），方差分析（ANOVA），协方差分析（ANCOVA）分析（ANCOVA）或重复测量数据分析以计算到calcu- colcu- flta delta delta delta delta delta ct方法（delta cta）或dela dela dela dela（re）（re）（re）。该功能进一步提供了平均值的标准误差和置信度间，采用统计平均比较并具有重要意义。为了促进功能应用，使用了不同的数据集作为示例，并解释了输出。“ RT- PCR”软件包还使用各种控制参数提供条形图。“ rtpcr”包装是用户友好且易于使用的，并提供了用于分析实时PCR数据的适用资源。
nmf：非负矩阵分解（NMF）
avg_nn_dist。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 Calc_beta_div。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 3 Calc_chao1。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。3 Calc_beta_div。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 Calc_chao1。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。3 Calc_chao1。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>4 Calc_comm_div。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 Calc_c_target。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 Calc_div。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>8 Calc_div。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。9 calc_pie。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 Calc_spie。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 Calc_s_c。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>12聊天。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>13 compare_samp_rarefaction。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14 fire_comm。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。15 get_delta_stats。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 get_mob_stats。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 get_null_comm。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22 Invchat。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23v_commmum。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 kncn_average。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。25 make_mob_in。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 MOBR。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 27 plot.mob_out。 。 。 。 。26 MOBR。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 plot.mob_out。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28个图。mob_stats。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 plot_abu。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 plot_comm_div。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>32 plot_n。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>33 plot_rerefaction。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>34稀疏。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>36 subset.mob_in。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>40 TANK_COMM。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。40
使用非负矩阵分解对婴儿大脑进行分割
1 计算机科学系，计算机与信息科学学院，诺拉宾特阿卜杜勒拉赫曼公主大学，利雅得 11671，沙特阿拉伯；nosalghamdi@pnu.edu.sa 2 科技创新学院，扎耶德大学，迪拜 19282，阿拉伯联合酋长国；fatma.taher@zu.ac.ae 3 路易斯维尔大学生物工程系，路易斯维尔，肯塔基州 40292，美国；hekand01@louisville.edu (HK)；a.sharafeldeen@louisville.edu (AS)；aaelna02@louisville.edu (AE)；ahmed.soliman@louisville.edu (AS)；y.elnakieb@louisville.edu (YE)； ahmahm01@louisville.edu (AM) 4 信息技术系，计算机与信息学学院，曼苏拉大学，曼苏拉 35516，埃及 5 电气、计算机与生物医学工程系，阿布扎比大学，阿布扎比 59911，阿拉伯联合酋长国；mohammed.ghazal@adu.ac.ae * 通信地址：aselba01@louisville.edu † 这些作者对这项工作做出了同等贡献。
b'abstract。出租车型迁移\ xe2 \ x80 \ x93Cumpumption模型，该模型占信号依赖性动物（由U T d d .U.V //，V T D V UV给出的信号依赖性动物），以适当平滑的功能w \ xc5 \ x920； 1 /！ r> 0 on .0; 1/，但除0 .0/> 0的0.0/ d 0外。为了适当地应对所包括的扩散变性，本研究分别研究了线性方程的诺伊曼问题v d v c r .a.x; t / v / c b.x; t/v并建立了一个关于非负溶液的点阳性下限如何取决于最初数据和质量的质量以及a和b的集成性特征。此后，在仅在两个组件中合适的常规初始数据是非负态的，这是在上述方程式上的全局解决方案的衍生过程中的关键工具。除此之外，这些解决方案还可以稳定在某种平衡方面，并且由于差异的变性，作为定性效应，这是一种定性效应，第二个成分的初始较小性的标准被确定为该极限状态在空间上是非构成状态的足够。”
b'abstract。出租车型迁移\ xe2 \ x80 \ x93cumpumption模型，占信号依赖性元素的核算，如u t d d d .u.v //，v t d v uv给出，以适当平滑的函数w \ xc5 \ x920； 1 /！r，以至于.0上> 0; 1/，但除0 .0/> 0的0.0/ d 0外。为了适当地应对包括扩散的变性性，本研究分别检查了线性方程的Neumann问题v T d v c r .a.x; t / v / c b.x; t/v并建立了一个关于非负溶液的点阳性下限如何取决于最初数据和质量的质量以及a和b的集成性特征。此后，这是在衍生上上述方程的全局解决方案的衍生结果的关键工具，在正时为正时平滑而经典，这仅仅是假设在两个组件中适当的常规初始数据是非负的。除此之外，这些溶液被认为是稳定在某些平衡方面的，并且由于差异的变性，作为定性效应，是一种定性效应，第二个组件的初始小度的标准被确定为该极限状态的原始状态足以使其在空间上是非固有的。”
b'abstract。出租车型迁移\ xe2 \ x80 \ x93Cumpumption模型，该模型占信号依赖性动物（由U T d d .U.V //，V T D V UV给出的信号依赖性动物），以适当平滑的功能w \ xc5 \ x920； 1 /！ r> 0 on .0; 1/，但除0 .0/> 0的0.0/ d 0外。为了适当地应对所包括的扩散变性，本研究分别研究了线性方程的诺伊曼问题v d v c r .a.x; t / v / c b.x; t/v并建立了一个关于非负溶液的点阳性下限如何取决于最初数据和质量的质量以及a和b的集成性特征。此后，在仅在两个组件中合适的常规初始数据是非负态的，这是在上述方程式上的全局解决方案的衍生过程中的关键工具。除此之外，这些解决方案还可以稳定在某种平衡方面，并且由于差异的变性，作为定性效应，这是一种定性效应，第二个成分的初始较小性的标准被确定为该极限状态在空间上是非构成状态的足够。”
b'abstract。出租车型迁移\ xe2 \ x80 \ x93cumpumption模型，占信号依赖性motilies的占主导地位，如u t d d d .u.v //，v t d v uv所述，用于适当平滑的函数w \ xc5 \ x920; 1 /！r，以至于.0上> 0; 1/，但除0 .0/> 0的0.0/ d 0外。为了适当地应对包括扩散的变性性，本研究分别检查了线性方程的Neumann问题v T d v c r .a.x; t / v / c b.x; t/v并建立了一个关于非负溶液的点阳性下限如何取决于最初数据和质量的质量以及a和b的集成性特征。此后，这是在衍生上上述方程的全局解决方案的衍生结果的关键工具，在正时为正时平滑而经典，这仅仅是假设在两个组件中适当的常规初始数据是非负的。除此之外，这些溶液被认为是稳定在某些平衡方面的，并且由于差异的变性，作为定性效应，是一种定性效应，第二个组件的初始小度的标准被确定为该极限状态的原始状态足以使其在空间上是非固有的。”
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
用于药物重新定位的非负张量分解
计算药物重新定位旨在确定现有药物在治疗其并非针对的疾病方面的潜在应用。这种方法可以大大加快传统的药物发现过程，减少药物开发所需的时间和成本。张量分解使我们能够整合多种药物和疾病相关数据，以提高预测性能。在本研究中，提出了一种用于药物重新定位的非负张量分解 NTD-DR。为了捕捉药物-靶标、药物-疾病和靶标-疾病网络中的隐藏信息，NTD-DR 使用这些成对关联构建一个表示药物-靶标-疾病三重态关联的三维张量，并将它们与药物、靶标和疾病的相似性信息相结合以进行预测。我们将 NTD-DR 与最近的最先进方法在受试者工作特征 (ROC) 曲线下面积 (AUC) 和精确度和召回率曲线下面积 (AUPR) 方面进行了比较，发现我们的方法优于竞争方法。此外，五种疾病的案例研究也证实了 NTD-DR 预测的可靠性。我们提出的方法在前 50 个预测中识别出比其他方法更多的已知关联。此外，NTD-DR 识别的新关联通过文献分析得到验证。
![b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。](/simg/b/ba28460dd1b06d9996628290aa73355077ae7e14.webp)
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
b“极值图论的一个核心问题是确定给定图 H 在 \xef\xac\x81x 大小的图中诱导副本的最大数量。这个问题最早由 Pippenger 和 Golumbic [13] 研究，近年来已成为广泛研究的主题 [2, 3, 7, 8, 11, 18]。本文重点关注有向图的类似问题。准确地说，设 H 是有向图。有向图 G 中 H 的诱导密度，表示为 i ( H, G )，是 G 中 H 的诱导副本数量除以 | V ( G ) | | V ( H ) | 。对于整数 n ，设 i ( H, n ) 为所有 n 顶点有向图 G 中 i ( H, G ) 的最大值。H 的诱导性定义为为 i ( H ) = lim n \xe2\x86\x92\xe2\x88\x9e i ( H, n )。当 i ( H, n ) 对于 n \xe2\x89\xa5 2 递减时，此极限存在。只有极少数有向图的可诱导性是已知的。一类重要的例子是有向星号。对于非负整数 k 和 \xe2\x84\x93 ，让有向星号 S k,\xe2\x84\x93 为通过对具有 k + \xe2\x84\x93 叶子的星号的边进行有向图，使得中心具有出度 k 和入度 \xe2\x84\x93 。有向星形是所有边都具有相同方向的定向星形，即星形 S k,\xe2\x84\x93 ，使得 k = 0 或 \xe2\x84\x93 = 0。S 2 , 0 和 S 3 , 0 的可诱导性由 Falgas-Ravry 和 Vaughan [5] 确定。为了解决 [5] 中的一个猜想，Huang [10] 扩展了他们的结果，确定了对所有 k \xe2\x89\xa5 2 的 S k, 0 的可诱导性，表明它是通过对入度为 0 的部分进行不平衡的弧爆破而渐近获得的。注意，由于任何有向图的可诱导性等于通过反转所有弧得到的有向图的可诱导性，因此可以考虑有向星号 S k,\xe2\x84\x93 ，使得 k \xe2\x89\xa5 \xe2\x84\x93 。特别地，Huang 的结果还确定了对所有 \xe2\x84\x93 的 S 0 ,\xe2\x84\x93 的可诱导性。 [10] 的结果未涵盖的最小定向星是 S 1 , 1 ，即三个顶点上的有向路径。Thomass\xc2\xb4e [16，猜想 6.32] 猜想 i ( S 1 , 1 ) = 2 / 5，这是通过四个顶点上的有向环的迭代爆炸获得的。
南非负责任地使用人工智能预防犯罪
通信和信息技术的创新被认为是南非减少犯罪和暴力努力的积极发展，全国各地部署了“智能”闭路电视（CCTV）摄像机、随身摄像机（BWC）、自动车牌识别（ANPR）甚至空中无人机。1 与证人陈述或事件报告的不同（这些证人陈述或事件报告可能受到语言或文化障碍的影响，或受不可告人的动机和个人目的的影响），监视技术和人工智能（AI）生成的信息被广泛视为可靠的证据来源，有助于侦查、调查和预防犯罪。2 鉴于执法部门的资源严重受限，技术驱动的解决方案为南非警察局（SAPS）和大都会警察局（MPS）等国家机构提供了加强犯罪预防干预措施有效性的关键工具。