XiaoMi-AI文件搜索系统
World File Search System预测
预测分析可早期检测糖尿病风险
这项研究介绍了一个先进的预测分析框架，用于早期发现糖尿病风险，旨在通过整合复杂的机器学习算法来增强主动的健康监测。该模型经过精心训练，以各种患者的健康指标，包括人口统计和临床变量，例如年龄，体重指数，血压和葡萄糖水平。通过确定数据中的微妙模式和相关性，该模型促进了对患有糖尿病高风险的个体的早期识别。这种早期检测能力可以及时进行临床干预，有可能减轻疾病的进展并优化患者管理策略。该研究强调了该模型的鲁棒性和可扩展性，突出了其在临床环境中部署的重要潜力，这是预防医疗基础设施的关键组成部分。
LEAP亚季节预测Hackathon V2- 2025年1月
黑客马拉松目标：这项黑客马拉松挑战了数据科学专业的学生，在气候领域工作的专业人员以及有兴趣的社区成员，以建立创新的示范和机器学习解决方案，以供下季节的气候建模和预测。参与者将使用新发布的基准数据集Chaosbench（请在此处和此处阅读以获取描述），至1）说明当前预测工具的技能和局限性，2）探索此类预测对下游应用程序的价值，或3）3）通过集成机器学习，物理学和其他域知识来改善当前模型。团队可以用其他数据源来补充该数据集以丰富其项目。项目将根据现实世界中的相关性，机器学习与领域科学的创新整合，清晰的演示以及有效使用外部数据来评估。
AI 预测的 mTOR 抑制剂可减少癌细胞增殖并延长秀丽隐杆线虫的寿命
摘要：雷帕霉素 (mTOR) 激酶的机制靶点是促进健康和延长寿命的首要药物靶点之一。除雷帕霉素外，只有少数其他 mTOR 抑制剂被开发出来并被证明能够减缓衰老。我们使用机器学习来预测针对 mTOR 的新型小分子。我们选择了一种小分子 TKA001，基于对高靶向概率、低毒性、良好的物理化学性质和更好的 ADMET 特征的计算机预测。我们通过分子对接和分子动力学对 TKA001 结合进行了计算机建模。TKA001 在体外可有效抑制 TOR 复合物 1 和 2 信号传导。此外，TKA001 在体外可抑制人类癌细胞增殖并延长秀丽隐杆线虫的寿命，这表明 TKA001 能够在体内减缓衰老。
商业世界中人工智能的采用：当前趋势和未来预测
“合成数据”是一类人工生成的数据，而不是从对现实世界的直接观察中获得的数据。可以使用不同的方法生成数据，例如从真实数据中进行统计严格采样、语义方法和生成对抗网络，或者通过创建模拟场景来生成数据，其中模型和流程相互作用以创建全新的事件数据集。
预测性人工智能迫切需要问责 - cs.Princeton
6 Costanza-Chock、Sasha、Inioluwa Deborah Raji 和 Joy Buolamwini。“谁来审计审计员？对算法审计生态系统进行实地扫描后提出的建议。”2022 年 ACM 公平、问责和透明度会议论文集。2022；Wilson，Christo 等人。“构建和审计公平算法：候选人筛选案例研究。”2021 年 ACM 公平、问责和透明度会议论文集。2021。
创新的预测量子计算机建模
世纪，在量子级别上开发有效的工具是相当多的，以提高数据的确定性和互操作性。量子计算机以量子力学为基本的原理，即使我们正处于开发的开始，仍然有望带来惊喜。Quantum计算机是唯一可以实现指数加速经典compoter的计算模型。量子计算机当前面临的主要挑战包括增加或减少给定系统的量子数量，同时管理以保留量置的属性和量子系统的纠缠状态，以通过适当的量子算法执行数据操作。在本文中，我们将概述量子计算机，将描述加密的演变以及与量子计算机的计算性能，效率和预测性建模有关的理论。原型和量子模拟算法将提出改善新量子宇宙的寿命。
大多数：运动预测的多模式场景象征化
许多现有的运动预测方法都依赖于符号感知输出来生成代理轨迹，例如边界框，路图信息和traf-fight。这种符号表示是现实世界的高级表现，它可能会使运动预测模型容易受到感知错误的影响（例如，在检测开放式录音障碍时失败），而缺少场景中的显着信息（例如，糟糕的道路条件）。另一种范式是从原始传感器中端到端学习。但是，这种方法缺乏解释性，需要大量的培训资源。在这项工作中，我们提出将视觉世界的标记化为一组紧凑的场景元素，然后利用预先训练的图像基础模型和LiDAR神经网络以开放式播音方式进行编码所有场景元素。图像基础模型使我们的场景令牌可以编码开放世界的一般知识，而LiDAR神经网络编码几何信息。我们提出的表示形式可以有效地用几百个令牌编码多帧多模式观察，并且与大多数基于变压器的体系结构兼容。为了评估我们的方法，我们使用了带有凸轮嵌入的Waymo开放运动数据集。通过Waymo开放运动数据集进行的实验表明，我们的方法会导致对最先进的表现的显着改善。
实时预测小区域的温度相关过量死亡率：朝着操作框架
摘要开发用于实时监控和预测环境健康影响的创新工具对于有效的公共卫生干预措施和资源分配策略至关重要。尽管对此类通用工具的需求先前是由负责发出预期警报的公共卫生计划者和地区当局的回应，但尚未开发出一种全面，稳健和可扩展的实时系统，用于预测与温度有关的当地尺度中与温度相关的多余死亡。填补了这一空白，我们提出了一个灵活的操作框架，用于将公开可用的天气预报与特有基于小普查区域的温度变性风险功能耦合，后者是使用最先进的环境流行病学模型得出的。利用欧洲领先的气象中心的高分辨率温度数据预测，我们展示了一种实时应用，以预测2022年7月在英格兰和威尔士的热浪期间的过量死亡率。在不同的交货时间内由小地理区域的预期温度相关的多余死亡组成的输出可以自动化以在各种时空尺度上生成地图，从而促进预防措施和提前对公共卫生资源的分配。此处讨论的实际案例示例证明了预测（预期的）与热量相关的过量死亡的应用，但该框架也可以适应其他与天气相关的健康风险和不同的地理位置区域，但提供了有关气象暴露的数据，以及潜在的健康状况均可用于校准相关风险功能。拟议的框架迫切需要预测全球公共卫生系统的短期环境健康负担，尤其是在低收入和中等收入地区，在这种情况下，对减轻不良暴露的迅速反应和对极端温度的影响通常受到可用资源的限制。
机械系统预测和健康管理 (PHM) 中采用的人工智能 (AI) 算法的性能指标
摘要。近年来，人工智能 (AI) 算法在预测和健康管理 (PHM) 领域的应用研究，特别是用于预测受状态监测的机械系统的剩余使用寿命 (RUL) 的研究，引起了广泛关注。为 RUL 预测建立置信度非常重要，这样可以帮助运营商和监管机构就维护和资产生命周期规划做出明智的决策。在过去十年中，许多研究人员设计了指标或指标来确定 AI 算法在 RUL 预测中的性能。虽然大多数常用的指标（如平均绝对误差 (MAE)、均方根误差 (RMSE) 等）都是从其他应用程序中改编而来的，但一些定制指标是专门为 PHM 研究而设计和使用的。本研究概述了应用于机械系统 AI 驱动的 PHM 技术的关键绩效指标 (KPI)。它介绍了应用场景的详细信息、在不同场景中使用特定指标的适用性、每个指标的优缺点、在选择一个指标而不是另一个指标时可能需要做出的权衡，以及工程师在应用指标时应该考虑的一些其他因素。