XiaoMi-AI文件搜索系统
World File Search SystemDiffer
基于GPT的工具对理解标准化段落的不同影响
由于大型语言模型（例如生成预训练的变压器模型（GPT））的能力迅速提高，基于人工智能（AI）的工具已在大规模的教育中输入。但是，经验数据在很大程度上缺乏AI工具对学习的影响。在这里，我们确定了使用随机的交叉跨界在线研究（n = 195）对标准化美国大学测试（ACT）衍生的标准化美国大学测试（ACT）衍生的段落的阅读理解的影响的影响。所研究的四个工具是AI生成的摘要，AI-AI-ADERING概述，问答导师Chatbot和Socratic讨论聊天机器人。与我们的预注册假设一致，我们发现AI工具的差异效应是基线阅读理解能力的函数。AI工具在较低的参与者中显着提高了理解力，并且在较高表现的参与者中的理解力显着恶化。在特定工具方面，苏格拉底聊天机器人的表现最低，而摘要工具则最大的表现会恶化。这些发现表明，尽管AI工具具有增强学习的巨大潜力，但毯子的实施可能会对较高表现的学生造成意想不到的伤害，呼吁谨慎和开发人员和教育工作者进一步实证研究。
HBEAG阳性和HBEAG阴性慢性乙型肝炎之间的差异肝内整合HBV DNA模式短标题：综合HBV DNA P
Differential Intrahepatic Integrated HBV DNA Patterns Between HBeAg-Positive and HBeAg-Negative Chronic Hepatitis B Short title: Integrated HBV DNA profiles in hepatitis B Authors: Daryl T-Y Lau 1 , Elena S Kim 2 , Zhili Wang 3 , Wendy C King 4 , David E Kleiner 5 , Marc G. Ghany 6 , Amanda S Hinerman 4 , Yuanjie Liu 2，Raymond T. Chung 7，Richard K Sterling 8，Gavin Cloherty 9，Selena Y. Lin 3，Hsin-ni Liu 10，Ying-Hsiu Su 3,10 *，Haitao Guo 2 * 1肝脏中心，贝丝以色列伊斯兰教教士医学中心，哈佛医学中心，哈佛大学，霍克斯氏菌，美国摩布斯，美国2个部门，美国2 *癌症病毒学计划，UPMC Hillman癌症中心，匹兹堡大学医学院，美国匹兹堡，美国3月3日，美国Doylestown，美国匹兹堡大学匹兹堡大学公共卫生学院4个流行病学系4，美国匹兹堡大学公共卫生学院，美国国家癌症研究所5实验室5实验室，国家癌症研究所，国家癌症研究所。美国波士顿哈佛医学院，美国马萨诸塞州贝塞斯达，美国7 GI部，美国波士顿，8胃肠病学和肝病学，美国里士满大学，美国里士满，9个abbott Laboratories，9个胃肠病学和肝病学
差异化，成本领导或最终出现在中间？
为什么大多数企业也无法保留任何可能的竞争优势，即使他们是赚钱的市场或市场中的主要参与者？我们是否应该考虑当前的竞争优势作为不间断成功的公式，或者一切都是对主导范式的误解，将公司锁定为盈利的过去，不让他们看待未来并相应地留下利润前景？这项研究的目的是通过研究目前在快餐市场中真正发生的事情来挑战可能通过Porter的通用策略框架获得的可持续竞争优势的神话。这是通过评估麦当劳和星巴克在计划，积累和使用资源以及核心能力（或内部动力学）的产生（如果有的）中分别应用的成本领导力和差异化策略来完成的。，并且要寻求是否可能，是否可以将任何长期收入的可持续性与这些公司的最佳内部能力使用以及预期关键环境打击（或外部动态）的技能。作家对经典战略管理理论采取了疑问态度，并根据研究的结果，继续认为，没有这样的优势是永远可行的。在研究结束时，作者再次根据结果，提出了增加维持特定公司任何战略优势的可能性的方法。预计这些反思将鼓励在该领域进行更多的研究。关键字：战略，全球化，竞争优势简介
比较不同的制动策略，以改善基于电池级联的H桥逆变器的电动汽车的能量回收
电池电动汽车（BEV）是被认为是减少运输部门的温室气体排放并解决气候变化的解决方案之一[1]，[2]。BEV的足够市场渗透需要改善当前BEV的范围和成本[3]。因此，寻求提高电池的能量密度并提高牵引系统的整体效率。在这种情况下，本文遵循两个平行的改进轴：基于具有集成电池电池的级联的H桥逆变器（CHB-IB）[4] - [6]的创新电池子系统，以及能够在制动阶段增加能量回收率的能源管理策略的发展[7] - [10]。最近提出了一种基于CHB-IB的创新拓扑结构，以取代BEV的常规牵引系统。它由与集成电池电池组成的几个H桥转换器组成。他们为电动牵引力机提供最近的水平控制。以前的论文已经描述了这种新拓扑及其控制[11] - [13]。CHB-IB旨在履行电压源逆变器（VSI），电池管理系统（BMS）和充电器的角色。与常规拓扑相比，预计会有显着改善。先前的一项研究评估了新拓扑的效率[13]。在电牵引机的扭矩速度平面上确定了损耗图。
通过差异隐私探索AI驱动的医疗保健中的准确性和隐私权衡
摘要：随着新出现的AI能力增加在医疗保健领域中，侵犯用户隐私的潜力，道德问题和最终对用户的危害是威胁到这些能力成功且安全采用这些能力的最重要的关注点。由于这些风险 - 滥用这些高度敏感的数据，不适当的用户概况，缺乏足够的同意和用户不认识都是所有因素必须牢记以实现“在建立这些功能”时实现“逐个设计”，以实现医疗目的。本文旨在查看该领域最高的隐私和道德问题，并提供建议以减轻其中一些风险。我们还提出了差异隐私的技术实施，以证明将噪声添加到健康数据中如何显着改善其隐私，同时保留其效用。
是一种新算法，用于通过移动键盘输入模式在密码更新期间通过移动键盘输入模式区分授权用户
摘要 - 本研究通过开发TKIP -RUB（转换键盘输入模式以识别用户行为）算法在密码更新期间将合法用户与冒险者区分开的挑战。文献综述表明，包括EPSB方法在内的现有算法在基于移动键盘输入的情况下识别用户行为的准确性有限。旨在通过回答问题来增强身份验证系统的研究：转换历史输入模式是否可以提高用户识别的准确性和可靠性？假设提出的算法将在准确性和精确度上显着优于现有方法。为了评估这一点，使用143位用户更新密码的用户的登录尝试进行了实验研究，从而产生了629个记录的数据集（486个培训，143个测试）。将TKIP-RUB算法集成到移动身份验证系统中，以分析用户行为并生成预测模式。结果表明，尽管EPSB算法的准确度达到9.091％，但TKIP-RUB算法达到53.147％，代表了五倍的提高。这证明了TKIP-RUB算法在提高识别率，安全性和积极的预测精度方面具有较高的有效性。
SIRT1保护措施通过策划抗氧化反应并抑制细胞衰老
抽象的脂肪组织是一种重要的内分泌器官，可调节哺乳动物的代谢，免疫反应和衰老。健康的脂肪细胞促进组织稳态和寿命。sirt1是一种保守的NAD +依赖性脱乙酰基酶，通过脱乙酰化和抑制PPAR-γ来负调节成型分化。然而，在小鼠中淘汰小鼠中的米氏干细胞（MSC）不仅会导致成骨的缺陷，而且还导致脂肪组织的丧失，这表明SIRT1在脂肪分化方面也不受欢迎。在这里，我们报告说，MSC中SIRT1功能的严重损害在成脂分化过程中引起了明显的缺陷和衰老。仅在脂肪生成过程中抑制SIRT1时观察到这些，而不是在脂肪生成分化之前或之后施加SIRT1抑制时。细胞产生高水平的活性氧
用KRASG12D或KRASG12V突变的AMHR2-CRE小鼠中妇科肿瘤发展的差异
不同的KRAS变体如何影响体内肿瘤的启动和进展。我们假设KRAS G12D或KRAS G12V突变启动肿瘤形成的能力取决于上下文。AMHR2-CRE小鼠在组织中发育到输卵管，子宫和卵巢中的组织中表达CRE重组酶。我们使用这些小鼠来有条件地表达KRAS G12V/ +或KRAS G12D/ +突变。具有基因型AMHR2-CRE PTEN（FL/ FL）KRAS G12D/ +（G12D小鼠）的小鼠具有异常的卵泡结构，并在18周内开发了低级浆液卵巢癌，其渗透率为100％。相比之下，具有基因型AMHR2-CRE PTEN（FL/ FL）KRAS G12V/ +（G12V小鼠）的小鼠具有正常的卵泡结构，其中约90％的子宫肿瘤具有类似于平滑肌瘤和Leiomyosarcomarcoma的组织学特征多样的组织学特征。颗粒细胞肿瘤也在G12V小鼠中发展。 使用RNA测序和反相蛋白阵列分析鉴定出G12D和G12V小鼠子宫组织中细胞信号途径的差异。 我们发现CTNNB1，IL1A，IL1B，TNF，TGFB1，APP和IL6在G12V小鼠中的活性高于G12D小鼠。 这些小鼠模型将有助于研究由KRAS G12V/ +或KRAS G12D/ +突变驱动的信号传导途径的差异，以帮助开发针对特定的KRAS突变变体的靶向疗法。 由KRAS G12V/ +突变驱动的我们的平滑肌瘤模型也将有助于解密从平滑肌瘤到平滑肌肉瘤的恶性发展。颗粒细胞肿瘤也在G12V小鼠中发展。使用RNA测序和反相蛋白阵列分析鉴定出G12D和G12V小鼠子宫组织中细胞信号途径的差异。我们发现CTNNB1，IL1A，IL1B，TNF，TGFB1，APP和IL6在G12V小鼠中的活性高于G12D小鼠。这些小鼠模型将有助于研究由KRAS G12V/ +或KRAS G12D/ +突变驱动的信号传导途径的差异，以帮助开发针对特定的KRAS突变变体的靶向疗法。由KRAS G12V/ +突变驱动的我们的平滑肌瘤模型也将有助于解密从平滑肌瘤到平滑肌肉瘤的恶性发展。
训练稳定的神经普通微分方程-Indiento
神经普通微分方程（神经odes）是一个深层神经网络的新家族。本质上，神经极是一个微分方程，其向量场是神经网络。将神经颂作为机器学习模型的一部分，使该模型比标准模型更有效。的确，可以使用伴随灵敏度方法来训练模型的神经ode块，该方法计算梯度下降方法的梯度，以避免经典的反向传播的计算成本。我们对这一领域的贡献是对神经ode块的稳定性和合同性的研究，是一个微分方程，目的是设计训练策略，以使整体机器学习模型稳健且稳定，以抗对抗攻击。此海报基于[1]，[2]和[3]。