XiaoMi-AI文件搜索系统
World File Search SystemAltman
深度学习的投影空间实施 -
我们的目的是评估低剂量（LD）PET图像和辛图中的全剂量（FD）PET图像合成的性能，而无需使用深度学习技术牺牲诊断质量。方法：回顾性使用140例患者的临床脑PET/CT研究。从FD列表模式PET数据中随机选择了5％的事件，以模拟现实的LD采集。促进了一个修改的3维U-NET模型，以分别从相应的LD辛图和图像中预测图像空间（PIS）中的投影空间（PSS）和FD图像中的FD曲目。使用5分评分方案评估了2个核医学专家的预测PET图像的质量。使用已建立的指标进行定量分析，包括峰值信噪比（PSNR），结构相似性指数指标（SSIM），区域性SUV偏置以及83个大脑区域中的第一，第二和高阶纹理放射线特征，用于测试和评估数据集中的83个大脑区域。结果：所有PSS图像均由核医学专家评分4或更高（良好至优秀）。PSNR和SSIM值分别为0.96±0.03和0.97±0.02，PSS分别获得了31.70±0.75和37.30±0.71的值。在所有大脑区域中计算出的平均SUV偏置分别为PSS和PI分别为0.24％±0.96％和1.05％±1.44％。与参考FD图像相比，PSS的平淡 - Altman图报告了PSS的最低SUV BI- AS（0.02）和方差（95％的置次间隔，-0.92至1 0.84）。PIS和PSS分别属于灰级共振矩阵类别的同质性放射线特征的相对误差分别为-1.07±1.77和0.28±1.4。结论：定性评估和定量分析表明，FD PET PSS提高了性能，从而提高了图像质量，而SUV偏置和方差较低，而SUV PET和差异要比FD PET PIS。
基础模型的机遇与风险 - arXiv
Rishi Bommasani* Drew A. Hudson Ehsan Adeli Russ Altman Simran Arora Sydney von Arx Michael S. Bernstein Jeannette Bohg Antoine Bosselut Emma Brunskill Erik Brynjolfsson Shyamal Buch Dallas Card Rodrigo Castellon Niladri Chatterji Annie Chen Crescent Crescent Daro 和 Chris Doncy Moussa Doumbouya Esin Durmus Stefano Ermon John Etchemendy Kawin Ethayarajh 李飞飞 Chelsea Finn Trevor Gale Lauren Gillespie Karan Goel Noah Goodman Shelby Grossman Neel Guha Tatsunori Hashimoto Peter Henderson John Hewitt Daniel E. Ho Jenny J Hong Hong J. Jag 和 Thomas H. Jaghil I. Pratyusha Kalluri Siddharth Karamcheti Geoff Keeling Fereshte Khani Omar Khattab Pang Wei Koh Mark Krass Ranjay Krishna Rohith Kuditipudi Ananya Kumar Faisal Ladhak Mina Lee Tony Lee Jure Leskovec Isabelle Levent Xiang Lisa Li Xuechen Li Tengyu Ma Ali Malik Dtch Mikwall Manning Mikwall Mikwane Eric Dtch. Suraj Nair Avanika纳拉扬 迪帕克·纳拉亚南 本·纽曼 艾伦·聂 胡安·卡洛斯·尼布尔斯 哈米德·尼勒福罗尚 朱利安·尼亚尔科 吉雷·奥古特 劳雷尔·奥尔 伊莎贝尔·帕帕迪米特里奥 朴俊成 克里斯·皮耶希 伊娃·波特兰斯 克里斯托弗·波茨 阿迪蒂·拉古纳坦 罗布·赖希 任洪宇 弗里达·荣 尤瑟夫·罗哈尼 罗希亚·瑞安 罗希亚·罗 多拉·瑞安 卡梅罗 R. 佐川诗织Keshav Santhanam Andy Shih Krishnan Srinivasan Alex Tamkin Rohan Taori Armin W. Thomas Florian Tramèr Rose E. Wang William Wang Bohan 吴家俊 吴玉怀 吴桑 谢志强 Michihiro Yasunaga Jiaxuan You Matei Zaharia Michael 张天一 张希坤 张宇恒 张鲁恒 周凯蒂 珀西梁*1
现代AI如何发展到一般情报
想象一个世界可以像人类一样思考，学习和适应的世界 - 人工智能（AI）不仅限于特定任务，而可以概括在每个领域中。这个愿景不是科幻小说，而是人工通用情报（AGI）的承诺。agi是一种能够执行人类所能执行的任何智力任务的情报，它具有彻底改变我们生活中每个方面的潜力，从经济到教育，直到我们解决全球挑战人工通用情报（AGI）的方式是一种突破性的技术，可以彻底改变人类的生活。AGI系统旨在超越各种任务的人类智能。与当前狭窄的AI不同，该AI高度专门用于特定领域，AGI旨在达到人类认知中看到的灵活性和适应性水平。如果AGI成功开发，它有可能大大改善全球经济，帮助科学发现并增加资源的整体丰度。OpenAI首席执行官Sam Altman的最新声明表明，AGI的发展可能比预期的要近。到2025年，我们可以看到进入劳动力的Agi代理人，这表明进步正在加速。AGI的影响将扩展到生活的各个方面，从教育到行业，可能改变我们的工作，学习和与技术互动的方式。但是，AGI的创建也带来了重大风险。虽然AGI可以增强人类的能力并扩大创造力，但也可能被滥用或导致社会破坏。最大化AGI的好处和减轻风险之间的平衡对于其发展至关重要。必须确保AGI受益于所有人类，并且其治理被广泛，公平地共享。尽管与AGI相关的承诺和风险，但当前的AI系统远非实现这一目标。目前的AI技术仍然在很大程度上仅限于狭窄的应用程序，仅在特定任务中出色。在无人自主系统等领域的AGI需要很明显，因为这些系统需要高级智能才能有效运行。受人类学习过程启发的机器学习对于AGI的发展至关重要。随着机器的能力超过了人类在记忆和处理能力中的能力，在不久的将来，AGI可能会成为现实。
iPhone® 指南针的可靠性和并发有效性...
背景。几项水上运动（游泳、冲浪和站立式划桨冲浪）需要足够的胸部活动度（特别是旋转）才能完成相应的活动要求。由于缺乏方便可靠的测量技术，测量胸椎旋转度对临床医生来说是个问题。最近，智能手机已被用来量化身体各个关节的运动；然而，使用智能手机评估胸椎运动的研究似乎很少。因此，本研究的目的是确定 iPhone R ⃝ 应用程序（Compass）在评估健康个体胸椎旋转 ROM 时的信度（评估者内和评估者间）和效度。方法。本研究共招募了 30 名参与者。使用当前临床金标准、通用测角仪 (UG) 和智能手机指南针应用程序测量胸椎旋转 ROM。评分者内和评分者间信度通过组内相关系数 (ICC) 和相关 95% 置信区间 (CI) 确定。使用 Pearson 相关系数测量了 Compass 应用程序与 UG 的比较的有效性，并使用 Bland-Altman 图和 95% 一致性界限确定了一致性水平。结果。UG 和 Compass 应用程序测量均具有出色的评分者内信度 (ICC 0.94–0.98) 和评分者间信度 (ICC 0.72–0.89) 可重复性。然而，Compass
班级规模空间分析 2024-2025 - InfoHub
行政区 DBN 学校名称 第 1 组/第 2 组 2024-25 年 M 1 01M015 PS 015 Roberto Clemente 第 2 组 M 1 01M020 PS 020 Anna Silver 第 1 组 M 1 01M034 PS 034 Franklin D. Roosevelt 第 1 组 M 1 01M063 The STAR Academy - PS63 第 1 组 M 1 01M064 PS 064 Robert Simon 第 1 组 M 1 01M110 PS 110 Florence Nightingale 第 1 组 M 1 01M134 PS 134 Henrietta Szold 第 1 组 M 1 01M140 PS 140 Nathan Straus 第 1 组 M 1 01M142 PS 142 Amalia Castro 第 1 组 M 1 01M184 PS 184m Shuang Wen 第 2 组M 1 01M188 PS 188 岛屿学校组 1 M 1 01M292 果园学院组 1 M 1 01M315 东村社区学校组 1 M 1 01M332 大学社区中学组 1 M 1 01M361 儿童工作室学校组 1 M 1 01M363 社区学校组 1 M 1 01M364 地球学校组 1 M 1 01M378 全球领袖学校组 1 M 1 01M448 大学社区高中组 1 M 1 01M450 东区社区学校组 1 M 1 01M458 福赛斯卫星学院组 1 M 1 01M515 下东区预科高中组 1 M 1 01M539 科学、技术和科学新探索组2 M 1 01M650 Cascades 高中 1 组 M 1 01M696 Bard 高中 大学预科 1 组 M 1 01M839 Tompkins Square 中学 1 组 M 2 02M001 PS 001 Alfred E. Smith 1 组 M 2 02M002 PS 002 Meyer London 1 组 M 2 02M003 PS 003 Charrette 学校 1 组 M 2 02M006 PS 006 Lillie D. Blake 2 组 M 2 02M011 PS 011：Sarah J. Garnet 小学 1 组 M 2 02M033 PS 033 Chelsea 预科 2 组 M 2 02M040 PS 040 Augustus Saint-Gaudens 2 组 M 2 02M041 PS 041 Greenwich Village 组1 M 2 02M042 PS 042 Benjamin Altman 组 1 M 2 02M047 47 美国手语和英语 S 组 1 M 2 02M051 PS 051 Elias Howe 组 2
Mar.2024 / vol.185 < / div>
在2022年，日本铁路系统成立150周年，我有机会聆听许多专家的技术观点，并表达我的观点。我发现的是与可靠的公共交通，对数字社会响应以及如何改善信息社会中的运输技术的普遍意识。这是关于流动性应如何在老龄化和迅速缩小的人群中为可持续社会做出贡献的讨论的基础。在成立150周年之后计划的有关运输技术的特刊也是一系列文章，这些文章专门描述了Mitsubishi Electric Corporation在运输系统上的技术研究，以应对重要的开发问题，例如可持续管理，节能技术，这些技术考虑了碳中性，自动化，自动化，自动化和维护，维护和维护，无线技术和自动培训的运营以及Post-Cornoation Corna erarona的应用。这些是当前技术的最新摘要。在150周年的一系列讨论中，我介绍了“ SF原型”的想法，并提出了一个相当奇怪的建议，即值得关注未来30年中如何在科幻小说中描绘出在未来30年中消灭铁路系统的技术，以讨论铁路的可持续发展问题。当时不太明显，但是由于大流行的影响，生成的AI目前正在吸引更多的关注。如何改变未来是作为实际问题，而不是科幻小说。在反乌托邦科幻电影中看到的如《终结者》和《前机械师》，西方社会似乎非常关注和警惕AI以及我们生活空间中机器人的扩散。实际上，人工智能社区的代表，例如OpenAI的首席执行官Sam Altman，Google DeepMind的首席执行官Demis Hassabis以及其他科学家Demis Hassabis博士对公众对他们促进的高级AI的使用表示了强烈的关注，并且令人惊讶地暗示了某些限制对发展的速度。相比之下，日本很少工程师似乎在上面表达出严重的关注，因为他们着重于使用该技术来提高生产力和满足个人客户需求的积极方面，并看到毫不犹豫地推动其进步的重要性。电台上的一位评论员说，这可能是因为我们的先进技术形象是基于Astro Boy和Doraemon，这是最著名的日本动画片，它描绘了技术社会的光明未来。尽管这不是基于可靠证据的论点，但我认为这是一种直观正确的观点。
阿西洛马人工智能原则
早上好。主席布里格林、排名成员坦格曼和委员会的其他杰出成员，感谢你们邀请我参加今天的听证会。我叫安东尼·阿吉雷，是加州大学圣克鲁斯分校的教授，也是未来生命研究所的联合创始人和联席主任，该研究所是一个非营利组织，汇集了学术界、企业界和非营利组织的杰出人物，研究、讨论和分享有关人工智能等重大社会塑造新技术影响的见解。除了今天的证词外，我还想就我们准备的关于 H.140 和 H.263 的具体评论进行记录。突然间，从几年前开始，机器学习和人工智能系统无处不在——从驾驶路线到不久后将自动驾驶的汽车，包括识别人脸、翻译文本、识别语音方向、组织新闻提要、击败国际象棋和围棋大师、撰写文本和协助科学研究的系统。 2017 年 1 月，该研究所在加利福尼亚州阿西洛马召开了一次会议，召集人工智能和相关领域的推动者讨论一个紧迫的问题：鉴于机器学习和人工智能能力和应用的近期爆炸式增长，我们如何确保人工智能不仅功能强大，不仅有利可图，而且对消费者、用户和整个社会都有益。我们为这个小组设定了一项具体任务：寻找、制定、辩论并希望采用一套可以指导技术人员、政策制定者和其他人实现这一目标的原则。这个过程从阅读和综合所有现有的人工智能政策提案开始——这是当时可以做的事情，然后在会议前几周撰写和辩论具体的可能性，然后亲自讨论和完善它们几天。这超出了我们的预期。我们能够制定 23 项原则，并得到整个领域的一致支持。他们得到了来自谷歌 DeepMind、Facebook、OpenAI、谷歌大脑、苹果等公司人工智能研究负责人的支持，总共超过 1000 名人工智能研究人员，以及科技行业的领导者，如埃隆·马斯克和萨姆·奥特曼，学术界人士，从已故的斯蒂芬·霍金到 Stuart Russell 和 Peter Norvig，他们实际上编写了人工智能教科书，还有许多非营利组织和政策界人士。我们之所以能够获得这种程度的支持和共识，是因为这个问题具有重大意义
媒体 - 娱乐与艺术 - 合法性 - 审判 -
1个低音（2023）‘萨蒂亚·纳德拉（Satya Nadella）说，山姆·阿尔特曼（Sam Altman）将领导微软的新室内AI团队”，《时代》杂志，https://time.com/6337503/6337503/sam-altman-altman-altman-aintman-coins-microsoft-ai/-2 deffenbaugh 2 deffenbaugh（2024）'Amazon oprifit in 2.75亿美元，$ 4亿美元的投资，商务日报，https://www.investors.com/news/technology/amazon- hanthropic-inthropic-investment-iai/3 IoT Analytics研究（2023）生成AI市场报告2023-2030，2023-2030，https：// iot-sance.com.com.com.com.com/lead-ranadics.com/leading-generation-rismerife no no no no no no no no no no no kak and kak and kak and kak and kak and kake Big Tech'，MIT技术评论，https://www.technologyreview.com/2023/12/05/1084393/make-no-mistake-ias-ai-is-is-is-is-is-by-big-tech/-big- tech/5 mccabe（2024）‘联邦贸易委员会启动调查A.I。由科技巨头交易，《纽约时报》，https：//www.nytimes.com/2024/01/25/technology/ftc-ai-microsoft-amazon-google.html 6参见上文。7 Hern (2024) ‘Microsoft deal with AI startup to be investigated by UK competition watchdog', The Guardian, https://www.theguardian.com/business/article/2024/jul/16/microsoft-deal-with-ai- startup-to-be-investigated-by-uk-competition-watchdog 8 McCabe (2024) ‘Federal贸易委员会将调查询问由科技巨头交易，《纽约时报》，https://www.nytimes.com/2024/01/25/technology/technology/ftc-ai-microsoft-microsoft-amazon-google.html 9 elsaadi（2024）（2024）使用Instagram和Facebook porte nowsercence of Sav a abc abc abc of instagram和Facebook save nation n sab abc abc of instagram and abc abc abc of。 https://www.abc.net.au/news/2024-06-10/instagram-facebook-train-train-train- meta-ai-tools-no-opt-no-opt-no-australia/103958308 10 tan（2024）‘当服务条款变为A.I时的服务条款时，14见上文。培训'，《纽约时报》，https：//www.nytimes.com/2024/06/06/26/technology/terms-service-aibia-ai-training.html 11 Ingram（2024）（2024） https://www.nbcnews.com/tech/tech/tech-news/doj-antitrust-chief-say-say-ai-companies-must---赔偿 - 赔偿 - 赔偿 - 劳斯特-rcna154720 12 elsaadi（2024）（2024年）‘使用Instagram和Facebook 2007年培训人工智能工具的META使用Instagram和Facebook帖子https://www.abc.net.au/news/2024-06-10/instagram-facebook-train-train- meta-ai-tools-no-opt-no-opt-ut-australia/103958308 13见上文。15新闻/媒体联盟（2022）Google如何滥用其作为强大新闻发布者和伤害新闻业的市场主导平台的地位，https://www.newsmediaalliance.org/wp- content/oploads/2022/2022/2022/09/nma-white-paper_redpaper_revise_revise_revise_revise-revise-revise-sept-20222.17 Agarwal（2023）“有声读物叙述者担心苹果用他们的声音训练AI'，有线，https://www.wired.com/story/story/paptory/apple/apple-spotify-audiobook-narrators-narrators-narrators-narrators-aii-contract/？ 4F48-B976-E7DA7A982E4D.1724031522764 18 ROTH（2024）“ Adobe的新服务条款说，它不会使用您的工作来训练AI， https://www.theverge.com/2024/6/6/18/24181001/adobe-updated-terms-of-service-wont-train-train-ai-ai-on-on-work
多重网格方法
1. N. Jacobson，例外李代数 2. L. ,,.f, Lindahl 和 F. Poulsen，调和分析中的薄集 3. I. Satake，半单代数群的分类理论 4. F. Hirzebruch、WD Newmann 和 SS Koh，可微流形和二次型（已绝版） 5. I. Chavel，一秩黎曼对称空间（已绝版） 6. R B. Burckel，C(X) 在其子代数中的特征 7. BR McDonald、AR Magid 和 KC Smith，环理论：俄克拉荷马会议论文集 8. Y.-T. Siu，分析对象的扩展技术 9. SR Caradus、WE Pfaffenberger 和 B. Yood，Calkin 代数和 Banach 空间上的算子代数 10. E. 0. Roxin，P.-T. Liu 和 RL Sternberg，《微分博弈与控制理论》11. M Orzech 和 C. Small，《交换环的 Brauer 群》12. S. Thomeier，《拓扑及其应用》13. J. M Lopez 和 KA Ross，《Sidon 集》14. WW Comfort 和 S. Negrepontis，《连续伪度量》15. K. McKennon 和 JM Robertson，《局部凸空间》16. M Carmeli 和 S. Malin，《旋转和洛伦兹群的表示：导论 1》7. GB Seligman，《李代数中的合理方法》18. DG de Figueiredo，《泛函分析：巴西数学学会研讨会论文集》19. L. Cesari、R. Kannan 和 JD Schuur，《非线性泛函分析和微分方程：密歇根州立大学会议论文集》20， JJ Schaffer，赋范空间中的球面几何 21. K. Yano 和 M Kon，反不变子流形 22. WV Vasconcelos，二维环 23. RE Chandler，豪斯多夫紧化 24. SP Franklin 和 BVS Thomas，拓扑学：孟菲斯州立大学会议论文集 25. SK Jain，环理论：俄亥俄大学会议论文集 26. BR McDonald 和 RA Mo"is，环理论 II：第二届俄克拉荷马会议论文集 27. RB Mura 和 A. Rhemtulla，可排序群 28. JR Graef，动力系统的稳定性：理论与应用 29. H.-C. Wang，齐次分支代数 30. E. 0. Roxin，P.-T. Liu 和 RL Sternberg，《微分博弈与控制理论 II》31. RD Porter，《纤维丛导论》32. M Altman，《承包商和承包商方向理论与应用》33. JS Golan，《模块类别中的分解和维度》34. G. Fairweather，《微分方程的有限元 Galerkin 方法》35. JD Sally，《局部环中理想的生成元数目》36. SS Miller，《复分析：纽约州立大学布罗克波特分校会议论文集》37. R. Gordon，《代数的表示理论：费城会议论文集》38. M Goto 和 FD Grosshans，《半单李代数》39. AI A"uda，NCA da Costa 和 R. Chuaqui，《数理逻辑：第一届巴西会议论文集》
辅助开具抗抑郁药的下一代测试 Predictix ®
1. Khan A、Fahl Mar K、Faucett J 等。安慰剂反应的增强是否影响了抗抑郁药临床试验结果？数据来自美国食品药品监督管理局 1987-2013 年。世界精神病学。2017 年；16：181-92。2. Saragoussi D、Chollet J、Bineau S、Chalem Y、Milea D。抗抑郁药在重度抑郁症治疗中的转换模式：一项全科医学研究数据库 (GPRD) 研究。Int J Clin Pr。2012 年；66：1079-87。3. 美国精神病学协会。重度抑郁症患者治疗实践指南。2010 年。4. 英国国家健康与护理卓越研究所。概述 | 成人抑郁症：识别与管理 | 指导 |NICE。NICE 指导。 2018。https://www.nice.org.uk/guidance/cg90。访问日期：2020 年 1 月 20 日。5. Cleare A、Pariante CM、Young AH 等。使用抗抑郁药治疗抑郁症的循证指南：2008 年英国精神药理学协会指南的修订版。《精神药理学杂志》。2015 年；29：459-525。6. Stahl SM。《基本精神药理学：处方指南》。第 7 版。2020 年。7. 英国国家健康与护理卓越研究所。抑郁症。成人抑郁症的治疗和管理。2009 年。8. Relling MV、Klein TE。CPIC：药物基因组学研究网络的临床药理遗传学实施联盟。临床药理学与治疗。 2011；89：464-7。9. Whirl-Carrillo M、McDonagh EM、Hebert JM 等。个性化医疗的药物基因组学知识。临床药理学与治疗学。2012；92：414-7。10. Thorn CF、Klein TE、Altman RB。PharmGKB：药物基因组学知识库。方法分子生物学。2013；1015：311-20。11. FDA 批准的药物。FDA/CDER 资源页面；美国食品药品监督管理局网站。2020 年。https://www.fda.gov/drugs。访问日期：2021 年 10 月 20 日。12. 欧洲药品管理局。网站。2020 年。https：/ema.europa.eu/en。访问日期：2021 年 10 月 20 日。13. Qaseem A、Barry MJ、Kansagara D 等。重度抑郁症成年患者的非药物治疗与药物治疗：美国内科医师学会临床实践指南。《实习医生年鉴》。2016；164：350-359。14. Taliaz D、Spinrad A、Barzilay R 等。使用机器学习和整合的遗传、临床和人口统计数据优化对抗抑郁药物反应的预测。《精神病学翻译》。2021；11：381。15. Rush AJ、Fava M、Wisniewski SR 等。缓解抑郁症的序列治疗替代方案 (STAR*D)：基本原理和设计。《临床对照试验》。2004；25：119-142。 16. Fava M、Rush AJ、Trivedi MH 等。缓解抑郁症的序列治疗替代方案 (STAR*D) 研究的背景和原理。《北美精神病学与临床》2003;26:457-94。17. Mrazek DA、Biernacka JM、McAlpine DE 等。抑郁症的治疗结果：药物基因组学研究网络抗抑郁药物药物基因组学研究。《临床精神药理学杂志》2014 年 6 月;34(3):313-7。18. Bertrand Saudreau、Amit Spinrad、Redwan Maatoug 等。个性化抗抑郁药处方对重度抑郁症患者基于遗传学、社会人口统计学和临床数据的影响：一项临床试点研究。药理学和药物基因组学 2022；4(1): 122-129。doi: 10.31488/jpp.105。