XiaoMi-AI文件搜索系统
World File Search SystemKiley
请引用本文为：Kiley，Michael T.（2020）。 “财务状况和经济活动：机器学习的见解”，财务和经济
财务状况的决定因素 - 这一发现与Gilchrist和Zakrajsek（2012）等债券差异的预测能力的直接检查一致 - 而这些措施在ML -FCI中获得了相对较小的权重。此外，ML -FCI对利率水平的重量很小，这一发现类似于NFCI构造中的发现。这一发现很难与利率水平在货币政策中的核心作用保持一致，并且可能反映了许多因素，包括平衡实际利率的趋势变化（例如，Holston等，2017; Kiley，2020a＆2020b）。5在文献中记录了转换的作用，例如，在商业周期事实的分析以及Hodrick和Prescott（1997）过滤器中（例如，Cogley和Nason，1995； Hamilton，2018）。
替代策略：它们如何工作？他们将如何帮助？
1除通货膨胀外，还可以指定化妆策略以弥补过去和长期目标（例如产出，就业或（概念）利率）中其他变量的过去。2参见，例如，伯南克（1999）； Reifscheinder和Williams（2000）； Svensson（2001）; Eggertsson和Woodford（2003）； Kiley and Roberts（2017）； Hebden和Lopez-Salido（2018）； Bernanke，Kiley和Roberts（2019）；以及Mertens和Williams（2019）。尽管化妆策略在学术辩论中的普及，但历史记录是央行实际的化妆策略的薄弱。一个值得注意的例外是Riksbank在1930年代大萧条期间针对价格水平的尝试。有关这一集的说明，请参见Berg and Jonung（1999）。
对 Plan S 新战略的回应
据我们了解，关于该提案草案的磋商原定于 2023 年 11 月至 2024 年 4 月进行。我们原计划准备一份董事会回应草案，在 2 月 26 日的会议上进行讨论。然而，与挪威研究理事会和 CoAlition S 的 Robert Kiley 就程序进行的磋商导致我们在 1 月 31 日之前就收到了回应请求。随后，我们获悉，CoAlition S 指定 Research Consulting Ltd. 与 CWTS Netherland 合作，在 2024 年设计一项在线调查，为我们提供另一种回应选择。我们怀疑，对此感到困惑的不只有我们。考虑到这些不确定性，我们选择将我们的意见直接发送给 CoAlition S 秘书处，并希望我们下面的论点能够得到应有的考虑。
国防部业务系统现代化...
美国人，r eadiness and Magement s upport的ubCommittee，在华盛顿特区的Rmed S Ervices上。小组委员会在上午9:31在罗素参议院办公大楼SR – 232a开会。参议员约翰·少尉（小组委员会主席）主持。委员会成员在场：参议员，Thune和Akaka。委员会工作人员在场：Leah C. Brewer，提名和听证会员。在场的多数工作人员：Ambrose R. Hock，专业工作人员；专业工作人员Gregory T. Kiley；专业工作人员Sandra E. Luff； Derek J. Maurer，专业工作人员；小斯坦利·奥康纳（Stanley R. O'Connor），专业工作人员。少数族裔工作人员在场：彼得·K·莱文（Peter K. Levine），少数民族委员会；专业工作人员迈克尔·J·麦考德（Michael J. McCord）。在场的员工助理：David G. Collins和Benjamin L. Rubin。委员会成员的助手在场：Darcie Tokioka，Akaka参议员的助理；和威廉·尼尔森（Bill Nelson）参议员的助理威廉·K·苏蒂（William K. Sutey）。
国防部授权拨款...
根据通知，小组委员会于上午 9:32 在 Russell 参议院办公大楼 SR-232A 室开会，参议员 John Ensign（小组委员会主席）主持会议。出席的委员会成员：参议员 Ensign、Cornyn、Thune、Akaka 和 Clinton。出席的委员会工作人员：提名和听证会书记员 Leah C. Brewer。出席的多数党工作人员：专业工作人员 William C. Greenwalt；专业工作人员 Gregory T. Kiley；法律顾问 David M. Morriss；专业工作人员 Lucian L. Niemeyer。出席的少数党工作人员：少数党法律顾问 Peter K. Levine；专业工作人员 Michael J. McCord。出席的工作人员助理：Andrew W. Florell、Bridget E. Ward 和 Pendred K. Wilson。出席的委员会成员助理：参议员 Sessions 助理 Arch Galloway II；参议员 Ensign 的助理 Alexis Bayer；参议员 Cornyn 的助理 Russell J. Thomasson；参议员 Thune 的助理 Bob Taylor；参议员 Akaka 的助理 Darcie Tokioka；参议员 Bill Nelson 的助理 William K. Sutey，参议员 Ben Nelson 的助理 Eric Pierce；以及参议员 Clinton 的助理 Andrew Shapiro。
人工智能与知识产权：第一部分——人工智能与版权法的互操作性
根据通知，委员会于上午 10:04 在雷伯恩众议院办公大楼 2141 室开会，由达雷尔·伊萨 (Darrell Issa) 阁下 [小组委员会主席] 主持。出席的成员：众议员伊萨、菲茨杰拉德、本茨、古登、克莱恩、凯利、莫兰、李、弗莱、佐治亚州的约翰逊、纳德勒、刘、罗斯、希夫、洛夫格伦、迪恩和艾维。出席人员还有：众议员杰克逊·李。I SSA 先生。委员会将开始议事。我欢迎我们的嘉宾和各位议员参加无疑将是众多人工智能听证会中的第一场。在准备这次听证会时，我的工作人员知道我最喜欢的一个关于人工智能的笑话，这个笑话我在人工智能成为本委员会的直接议题之前就讲过了，那就是人工智能就是议员们在他们的工作人员准备开场陈述时所拥有的。所以，是的，今天我们站在两个快速发展的领域的交汇处，即生成人工智能和必须与之适应的现有版权法。生成人工智能技术的出现引发了新形式创意作品的创作、分发和消费的深刻变革。当我们与政府及其监管权力一起踏上法律之旅时，至关重要的是，我们必须探索生成人工智能与版权法之间的复杂关系，认识到未来的挑战和机遇。生成人工智能在创新和艺术表达方面具有巨大的潜力。它使创作者能够探索新的领域，用人工智能生成的内容激发他们的想象力。然而，随之而来的力量也带来了责任，即对网络上的负面活动和被践踏的版权法的责任。版权法旨在保护知识产权。
劳工部 2024 年独立承包商规则
2024 年 1 月 10 日，美国劳工部 (DOL) 发布了一项规则，确定了根据《公平劳动标准法》(FLSA) 划分工人是雇员还是独立承包商的标准，该法是一部联邦法律，为大多数私营和公共部门雇员制定了最低工资和加班补偿标准。准确的雇员分类非常重要，因为《公平劳动标准法》提供的权利和保护仅适用于雇员，而不适用于独立承包商。将个人错误地归类为独立承包商不仅可能导致个人遭受经济损失，还可能导致联邦和州政府的税收损失。DOL 认为，新规则将为雇主提供统一的指导，并且与解释《公平劳动标准法》的司法先例更加一致。批评者认为，新规则可能会阻止使用合同工，并将迫使公司审查其当前的承包商关系，以确保他们正确分类了工人并避免可能的不合规行为。一些国会议员也批评了这项规则。 3 月，参议员 Bill Cassidy 和众议员 Kevin Kiley 提出联合决议——SJ Res. 63 和 HJ Res. 116——根据《国会审查法》规定不批准该规则。不过，其他议员坚持认为，该规则将恢复对应被视为雇员而非独立承包商的工人的基本保护。本法律侧边栏提供了《公平劳工标准法》的背景信息，审查了 2024 年 3 月 11 日生效的规则，审查了不批准的联合决议，并讨论了第 118 届国会中将修订《公平劳工标准法》的其他拟议立法，以确定个人何时可被视为独立承包商而非雇员。
数字资产对金融稳定的影响
在高波动时期，数字生态系统中的资产价值迅速增长。数字金融体系是否会给金融稳定带来新的潜在挑战？本文使用美联储分析传统金融体系脆弱性的框架探讨了这个问题。数字资产生态系统最近被证明是极其脆弱的。然而，不利的数字资产市场冲击对传统金融体系的溢出效应有限。目前，数字资产生态系统并未在生态系统之外提供重要的金融服务，并且与传统金融体系的互联互通有限。本文描述了如果数字资产生态系统变得更加系统化，未来可能对金融稳定构成风险的新出现的脆弱性，包括大型稳定币之间的挤兑风险、加密资产的估值压力、DeFi 平台的脆弱性、日益增强的互联互通以及普遍缺乏监管。关键词：数字资产、稳定币、DeFi、金融稳定、金融脆弱性、系统性风险 _________________ Azar：纽约联邦储备银行（电子邮件：pablo.azar@ny.frb.org）。Baughman、Carapella、Gerszten、Lubis、Perez-Sangimino、Rappoport、Scotti、Swem、Vardoulakis、Werman：联邦储备委员会（电子邮件：garth.a.baughman@frb.gov、francesca.carapella@frb.gov、jacob.e.gerszten@frb.gov、arazi.a.lubis@frb.gov、jp.perez-sangimino@frb.gov、david.e.rappoport@frb.gov、chiara.scotti@frb.gov、nathan.f.swem@frb.gov、alexandros.vardoulakis@frb.gov、aurite.l.werman@frb.gov）。这篇论文此前由美联储委员会于 2022 年 8 月作为 FEDS 说明发布。作者感谢他们的美联储同事，特别是 Ken Armstrong、Joseph Cox、Michael Kiley、David Mills、Kelley O’Mara 和 Michael Palumbo 的有益评论。他们还感谢 Grace Chuan 的出色研究协助，以及 Christopher Anderson 和 Sara Saab 分享他们的加密资产市场分析。本文介绍了初步调查结果，并分发给经济学家和其他感兴趣的读者，仅用于激发讨论和征求评论。本文表达的观点为作者的观点，不一定反映纽约联邦储备银行、联邦储备系统理事会或联邦储备系统的立场。任何错误或遗漏均由作者负责。
为学生在技能型经济中取得成功做好准备......
众议院，早期儿童、小学和中学教育小组委员会，教育和劳动力委员会，华盛顿特区。小组委员会根据通知，于上午 10:15 在雷伯恩众议院办公大楼 2175 号举行会议，由 Aaron Bean 先生 [小组委员会主席] 主持。出席人员：代表 Bean、Thompson、Owens、McClain、Kiley、Williams、Foxx、Bonamici、Hayes、DeSaulnier 和 Norcross。出席工作人员：Cyrus Artz，工作人员主任；Nick Barley，副通讯主任；Mindy Barry，总法律顾问；Hans Bjontegard，立法助理；Isabel Foster，新闻助理；Daniel Fuenzalida，工作人员助理； Sheila Havenner，信息技术总监，Amy Raaf Jones，教育与人类服务政策总监；Marek Laco，专业职员；Georgie Littlefair，RJ Martin，专业职员；Hannah Matesic，副职员主任；Hannah Matesic，副职员主任；Audra McGeorge，通讯主任；Eli Mitchell，立法助理；Rebecca Powell，职员助理；Brad Thom-as，教育与人类服务政策副主任；Maura Williams，运营总监；Ni'Aisha Banks，少数族裔实习生；Nekea Brown，少数族裔运营总监；Scott Estrada，少数族裔专业职员；Rashage Green，少数族裔教育政策和法律顾问主任；Christian Haines，少数族裔总法律顾问；Stephanie Lalle，少数族裔通讯主任；Raiyana Malone，少数族裔新闻秘书；Kota Mizutani，少数族裔副通讯主任；少数族裔工作人员主任 Veronique Pluviose；少数族裔实习生 Olivia Sawyer；少数族裔实习生 Maile Sit；少数族裔工作人员助理 Clinton Spencer IV；少数族裔实习生 Jamar Tolbert；少数族裔实习生 Adrianna Toma；少数族裔 IT 部门 Banyon Vassar；少数族裔实习生 Natalia Wilson。主席 BEAN。女士们，先生们，早上好。欢迎来到贵国首都。这里是幼儿小学和中学教育小组委员会。委员会现在——将开始会议。出席人数达到法定人数。如果没有异议，主席有权随时宣布休会。我们很高兴您能来这里，在座的各位也感谢您。我们今天的听证会将非常精彩。我认为这是一个活跃的话题，是我们国家面临的挑战，我们将深入研究这个问题，看看我们能做些什么。我们
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。