XiaoMi-AI文件搜索系统
World File Search SystemHeterogeneous
消费者贷款，异质利率和不平等
个人面临就业，收入和费用冲击的巨大风险，这些风险因不完整的金融市场而加剧。减轻这些风险的一种方法是通过无抵押的消费者贷款，但是获得这些贷款的机会不平等，利率差异很大。本文使用巴西的信用注册表（SCR）和雇主 - 雇员数据（RAIS）研究从2013年到2019年的利率差异。数据包括超过一百万个人以及有关贷款金额，期限，风险水平和利率的详细信息。关键发现表明利率上有明显的差异。个人贷款平均为146％A.A.，而工资贷款为28％，个人贷款利率表现出更大的分散。重要的是，即使在考虑风险概况之后，低收入借款人也会面临更高的利率。借款人的最低工资的1-2倍比最低工资的20倍的借款人高28-44个百分点。较小的贷款，非正式就业和性别也有助于更高的利率，而金融素养则适度降低借贷成本。工资贷款虽然更实惠，但许多人（包括非正式工人）仍然无法访问。相似的不等式模式在这个细分市场中持续存在，尽管幅度较小。为了应对这些挑战，该研究探讨了财务改造的潜力，以减少信贷市场的不平等现象。核心重点是旨在增加银行业竞争的改革如何使消费者受益于年轻和低收入个人。2013年的贷款可移植性改革被强调为一项促进福利的亲竞争政策的一个例子。该研究介绍了信用市场的校准生命周期模型，以阐明降低利率差异的潜在影响。的发现表明，消除或最小化这些差异可能会导致重要的福利提升，尤其是对于贫困和非正式工人而言。例如，消除这些差异（不切实际的情况）可能会增加福利，相当于每年消费的2.6％，而最贫穷的分数则更大。本文还评估了扩大获得工资贷款的潜在好处，该贷款更便宜，但很大程度上仅限于公共部门的工人和退休人员。尽管这种扩张具有积极影响，但其影响受到面临最高财务脆弱性的非正式工人的限制。因此，本文强调了金融改革在减少消费不平等和改善巴西的福利方面的潜在影响。洞察力为寻求解决信贷市场财务限制的政策制定者提供了挑战。政策制定者必须优先考虑提高银行业竞争，扩大低收入和非正式工人的负担得起的信贷的竞争，并投资金融教育以增强消费者权能的竞争。
2025异构集成路线图（HIR）第8版...
Subramanian S. Iyer (Subu) 是加州大学洛杉矶分校的杰出教授，担任电气工程系 Charles P. Reames 特聘教授，并兼任材料科学与工程系教授。2023-4 年，他被任命为美国商务部国家先进封装制造计划主任，在那里他为国家封装势在必行奠定了基础战略。他是异构集成和性能扩展中心 (UCLA CHIPS) 的创始主任。在此之前，他是 IBM 研究员。他的主要技术贡献是开发了世界上第一个 SiGe 基 HBT、Salicide、电保险丝、嵌入式 DRAM 和 45nm 技术节点，用于制造第一代真正低功耗的便携式设备以及第一个商用中介层和 3D 集成产品。自加入加州大学洛杉矶分校以来，他一直在探索新的封装范式和设备创新，这些创新可能实现晶圆级架构、内存模拟计算和医学工程应用。他是 IEEE、APS、iMAPS 和 NAI 的研究员，也是
2025异质整合路线图（HIR）8th ...
在洛杉矶。在2023 - 4年，他担任美国商务部的任务，担任国家高级包装制造计划的主任，在那里他为国家包装命令制定了基础战略。他是异质整合和性能缩放中心（UCLA芯片）的创始主任。在此之前，他是IBM研究员。他的主要技术贡献是开发了世界上第一个SIGE基础HBT，盐盐，电气保险丝，嵌入式DRAM和45NM Technology节点，用于使第一代真正的低功率便携式设备以及第一个商业插入器和第一个商业插入器和3D集成产品。自加入UCLA以来，他一直在探索新的包装范式和设备创新，这些范式可能会启用晶圆尺度架构，内存模拟计算和医学工程应用程序。他是IEEE，APS，IMAPS和NAI的院士，也是IEEE EDS和EPS的杰出讲师。他是IIT孟买的杰出校友，并于2012年获得了IEEE DANIEL NOBLE奖章，并获得了2020年IMAPS Daniel C. Hughes Jr Memorial Award和2021年IMAPS杰出教育家奖。艾耶教授也是班加罗尔IISC的Makrishna Rao访问主教教授。
2025 Wehia（冬季）经济学与异质相互作用剂的经济学研讨会
与异质科学学会与异质相互作用药物（ESHIA）组织了与异质相互作用剂（WEHIA）的经济学年度研讨会（WEHIA）。自2003年第一次会议以来，年度Wehia代表了一个独特的机会，可以作为由异质互动代理组成的复杂系统介绍和讨论有关经济和金融市场各个方面的最新研究。研讨会旨在促进用于分析经济和金融问题的方法和方法中的多样性。The past workshops have been held across most European countries ( https://sites.google.com/view/eshia-site/past-conferences-and-events ) Founded in 2006, ESHIA ( https://sites.google.com/view/eshia-site/home ) aims to provide a unique medium of communication for multidisciplinary approaches, either empirical or theoretical, to the study of complex社会经济问题。它打算促进思想的交叉施肥以及在包括经济学，社会科学物理学和计算机科学在内的多样化科学学科中发展的概念和技术的交流。Eshia的重点尤其是模拟和综合新兴现象和集体行为，以了解真正的复杂经济和社会系统。Eshia特别热衷于展示基于代理的计算/建模与金融/经济学问题（例如市场微观结构设计，政策分析，系统性风险和金融工程）的组合。代理，异质性和相互作用是这种多学科方法的关键概念，在应对自然界中复杂性的重要问题，并为社会经济系统研究提供了一种新颖的驱动力。
通过能力感知共享超网络学习灵活的异构协调
合作性异构多智能体任务要求智能体以灵活和互补的方式行事，以最大程度地利用其多样化能力。针对这一挑战的基于学习的解决方案涵盖两个端点之间的范围：i）共享参数方法，通过为每个智能体分配一个 ID，在单一架构内编码多样化行为，这种方法样本效率高，但行为多样性有限；ii）独立方法，为每个智能体学习单独的策略，以样本和参数效率为代价实现更大的多样性。先前针对异构多智能体团队学习的研究已经探索了这一范围的中间地带，即为不同类别的智能体学习共享参数或独立策略，从而在多样性和效率之间实现折衷。然而，这些方法仍然没有推理智能体能力对行为的影响，因此不能推广到未知的智能体或团队组成。受到迁移学习和元强化学习最新研究的启发，并在基于特征的任务分配的先前研究的基础上，我们提出了能力感知共享超网络 (CASH)，这是一种用于异构协调的新型软权重共享架构，它使用超网络明确推理持续代理能力和局部观察。直观地说，CASH 允许团队学习共享的决策策略（由共享编码器捕获），这些策略可以通过共享超网络根据团队的个人和集体能力轻松调整。我们在两个异构协调任务和三个标准学习范式（模仿学习、基于价值和策略梯度强化学习）中进行了详细的实验，展示了我们的设计如何与底层学习范式无关。结果表明，CASH 产生了适当多样化的行为，在训练和零样本泛化期间的任务性能和样本效率方面始终优于基线架构。值得注意的是，CASH 仅使用基线使用的 20% 到 40% 的可学习参数就实现了这些改进。我们所有的代码都可以在 https://github.com/kfu02/JaxMARL 上找到。
使用能力感知共享超网络学习灵活的异构协调
合作的异构多智能体任务要求智能体以灵活和互补的方式行事，以最大限度地利用其多样化的能力。针对这一挑战的基于学习的解决方案涵盖两个端点之间的范围：i）共享参数方法，通过为每个智能体分配一个 ID，在单一架构内编码不同的行为，这种方法具有样本效率，但行为多样性有限；ii）独立方法，为每个智能体学习单独的策略，以样本和参数效率为代价实现更大的多样性。先前针对异构多智能体团队的学习工作已经通过学习智能体类别的共享参数或独立策略探索了这一范围的中间地带，从而允许在多样性和效率之间进行折衷。然而，这些方法仍然没有推理智能体能力对行为的影响，因此不能推广到看不见的智能体或团队组成。受到最近迁移学习和元强化学习研究的启发，并在基于特征的任务分配的先前研究的基础上，我们提出了能力感知共享超网络 (CASH)，这是一种用于异构协调的新型软权重共享架构，它使用超网络明确推理持续代理能力和局部观察。直观地说，CASH 允许团队学习共享的决策策略（由共享编码器捕获），这些策略可以通过共享超网络根据团队的个人和集体能力轻松调整。我们对两个异构协调任务和三个标准学习范式（模仿学习、基于价值和策略梯度强化学习）进行了详细的实验，展示了我们的设计如何与底层学习范式无关。结果表明，CASH 生成了适当多样化的行为，在训练和零样本泛化过程中，其任务性能和样本效率始终优于基线架构。值得注意的是，CASH 仅使用基线使用的可学习参数的 20% 到 40% 就实现了这些改进。我们所有的代码都可以在 https://github.com/kfu02/JaxMARL 上找到。
2025异构集成路线图（HIR）第8版...
加州大学洛杉矶分校材料科学与工程系任职。直到最近，他被任命为美国商务部国家先进封装制造计划主任，在那里他为国家封装势在必行奠定了基础战略。他是异构集成和性能扩展中心 (UCLA CHIPS) 的创始主任。在此之前，他是 IBM 研究员。他的主要技术贡献是开发了世界上第一个 SiGe 基 HBT、Salicide、电子保险丝、嵌入式 DRAM 和 45nm 技术节点，用于制造第一代真正低功耗便携式设备以及第一个商用中介层和 3D 集成产品。自加入加州大学洛杉矶分校以来，他一直在探索新的封装范例和设备创新，这些范例和设备创新可能实现晶圆级架构、内存模拟计算和医学工程应用。他是 IEEE、APS、iMAPS 和 NAI 的研究员，也是 IEEE EDS 和 EPS 的杰出讲师。他是孟买印度理工学院的杰出校友，2012 年荣获 IEEE 丹尼尔·诺布尔新兴技术奖章，2020 年荣获 iMAPS 丹尼尔·C·休斯 Jr 纪念奖，2021 年荣获 iMAPS 杰出教育家奖。Iyer 教授还是班加罗尔印度理工学院 Ramakrishna Rao 教授客座教授。业余时间，Subu 会学习梵文。
通过异构 OATP 预测 OATP1B1 抑制剂...
会损害另一种药物的吸收，从而导致可能致命的药理作用。由于有关 OATP 抑制机制的信息有限，并且不同研究中的实验性 OATP 抑制数据不一致，因此预测 OATP 介导的 DDI 具有挑战性。本研究引入了异构 OATP-配体相互作用图神经网络 (HOLIgraph)，这是一种新颖的计算模型，它将分子建模与图神经网络相结合，以增强对药物诱导的 OATP 抑制的预测。通过将配体（即药物）分子特征与来自严格对接模拟的蛋白质-配体相互作用数据相结合，HOLIgraph 的表现优于仅依赖配体分子特征的传统 DDI 预测模型。HOLIgraph 在预测 OATP1B1 抑制剂时实现了超过 90% 的中位平衡准确度，明显优于纯基于配体的模型。除了改善抑制预测之外，用于训练 HOLIgraph 的数据还可以表征参与抑制药物-OATP 相互作用的蛋白质残基。我们确定了某些优先与抑制剂相互作用的 OATP1B1 残基，包括 I46 和 K49。我们预计此类相互作用信息将对未来对 OATP1B1 的结构和机制研究很有价值。科学贡献。HOLIgraph 通过将对接模拟得出的蛋白质-配体相互作用纳入图神经网络框架，为 DDI 预测引入了一种新范式。这种方法得益于 OATP1B1 的最新结构突破，与仅依赖配体特征的传统模型有很大不同。通过实现高预测准确性和揭示机制见解，HOLIgraph 为药物设计和 DDI 预测中的计算工具设定了新的轨迹。
通过细胞中的人类陶氏病患者样品产生异质原纤维，并采用疾病褶皱的亚种群
1化学与生物化学系，加利福尼亚州圣塔芭芭拉分校，圣塔芭芭拉分校，美国加利福尼亚州93105。2西北大学化学系，埃文斯顿，60208，伊利诺伊州，美国。3马萨诸塞州阿默斯特大学阿默斯特大学生物学系和应用生命科学研究所，美国马萨诸塞州01003。4伊萨卡康奈尔大学系统工程系，美国纽约州14853，美国。5分子，蜂窝和发育生物学系，加利福尼亚州圣塔芭芭拉分校，圣塔芭芭拉，93105，美国加利福尼亚州。6加利福尼亚大学圣塔芭芭拉分校的心理与脑科学系，美国加利福尼亚州93105，美国加利福尼亚州。 7化学工程系，加利福尼亚大学圣塔芭芭拉分校，圣塔芭芭拉，93105，美国加利福尼亚州。 8 ACERT（国家生物医学高级技术中心），化学与化学生物学系，康奈尔大学，伊萨卡，14853，纽约，美国。 9微生物学系，免疫学和病理学系，科罗拉多州立大学，柯林斯堡，80521，美国公司。6加利福尼亚大学圣塔芭芭拉分校的心理与脑科学系，美国加利福尼亚州93105，美国加利福尼亚州。7化学工程系，加利福尼亚大学圣塔芭芭拉分校，圣塔芭芭拉，93105，美国加利福尼亚州。 8 ACERT（国家生物医学高级技术中心），化学与化学生物学系，康奈尔大学，伊萨卡，14853，纽约，美国。 9微生物学系，免疫学和病理学系，科罗拉多州立大学，柯林斯堡，80521，美国公司。7化学工程系，加利福尼亚大学圣塔芭芭拉分校，圣塔芭芭拉，93105，美国加利福尼亚州。8 ACERT（国家生物医学高级技术中心），化学与化学生物学系，康奈尔大学，伊萨卡，14853，纽约，美国。 9微生物学系，免疫学和病理学系，科罗拉多州立大学，柯林斯堡，80521，美国公司。8 ACERT（国家生物医学高级技术中心），化学与化学生物学系，康奈尔大学，伊萨卡，14853，纽约，美国。9微生物学系，免疫学和病理学系，科罗拉多州立大学，柯林斯堡，80521，美国公司。9微生物学系，免疫学和病理学系，科罗拉多州立大学，柯林斯堡，80521，美国公司。
Tongsheng Geng、Marcos Amaris、Stéphane Zuckerman、Alfredo Goldman、Guang Gao 等人。一种基于配置文件的人工智能辅助异构架构动态调度方法。国际并行编程杂志，2022 年，50 (1)，第 115-151 页。 10.1007/s10766-021-00721-2。hal-03606185
虽然异构架构在高性能计算系统中越来越受欢迎，但其有效性取决于调度程序将工作负载分配到合适的计算设备上的效率，以及通信和计算如何重叠。随着不同类型的资源集成到一个系统中，调度程序的复杂性也相应增加。此外，对于在不同异构资源上具有不同问题规模的应用程序，最佳调度方法可能会有所不同。因此，我们引入了一种基于配置文件的人工智能辅助动态调度方法，以动态和自适应地调整工作负载并有效利用异构资源。它结合在线调度、应用程序配置文件信息、硬件数学建模和离线机器学习估计模型，实现异构架构的自动应用设备特定调度。硬件数学模型提供粗粒度计算资源选择，而配置文件信息和离线机器学习模型估计细粒度工作负载的性能，在线调度方法动态自适应地分配工作负载。我们的调度方法在事件驱动的运行时系统中对控制规则应用程序、2D 和 3D Stencil 内核（基于 Jacobi 算法）和数据不规则应用程序稀疏矩阵向量乘法 (SpMV) 进行了测试。实验结果表明，PDAWL 的表现与产生最佳结果的 CPU 或 GPU 相当或远远优于后者。关键词：异构多核计算、工作负载平衡、自适应建模、机器学习辅助调度、并行计算