XiaoMi-AI文件搜索系统
World File Search SystemLuo
dvpose：自动数据收集和数据集，用于6D姿势估算机器人手术仪器
Greene，N.，Luo，W。＆Kazanzides，P。DVPOSE：自动化数据收集和数据集，用于6D姿势估算机器人手术工具的姿势，在2023年国际医学机器人技术研讨会（ISMR）（ISMR）（2023）（2023），1-7。
在ST段升高的心肌梗塞中多不饱和脂肪酸衍生的黄脂素的预后和治疗意义在ST段升高的心肌梗塞中多不饱和脂肪酸衍生的黄脂素的预后和治疗意义
Zhiyong du，Yingyuan Lu，Ying MA，Yunxiao Yang，Wei Luo，Sheng Liu，Ming Zhang等。2025。在ST段升高心肌梗塞中多不饱和脂肪酸衍生的黄脂素的预后和治疗意义。
![arxiv：2110.03580v2 [cs.lg] 2024年12月30日](/simg/g:\will\search\icon\source\3\3c616b1efecb7edb9f04112a9aceda9b1150c30f.webp)
arxiv：2110.03580v2 [cs.lg] 2024年12月30日
强化学习（RL）研究代理如何在未知环境中以奖励反馈来表现。环境通常被建模为马尔可夫决策过程（MDP）。在标准设置中，假定MDP是静态的，即，随着时间的推移，状态过渡内核和瞬时奖励函数仍保持固定。在这个假设下，具有强大理论保证的众多综合和统计上有效的算法已得到发展（Jaksch等人。，2010年； Lattimore和Hutter，2012年； Dann and Brunskill，2015年； Azar等。，2017年； Jin等。，2018，2020b）。但是，即使腐败仅限于一小部分回合，这些保证也可能会完全破裂。为了模拟MDP中的对抗性损坏，已经对一个称为对抗MDP的框架进行了敏锐的研究。在对抗性MDP中，允许对手在每回合中任意选择奖励功能，同时保持过渡内核固定（Neu等人。，2010b，a; Dick等。，2014年； Rosenberg and Mansour，2019年，2021年； Jin等。，2020a; Neu和Olkhovskaya，2020年； Lee等。，2020年； Chen and Luo，2021年；他等人。，2021; Luo等。，2021）。在此框架下，可以建立强大的次线性遗憾界限，这几乎与固定的奖励案例相匹配。值得注意的是，Jin和Luo（2020）； Jin等。（2021b）开发了在对抗奖励案例中实现近距离限制的算法，同时在静态案例中保留了依赖实例依赖的界限，这表明几乎可以在没有价格的情况下处理对抗奖励。
研究葡萄糖异构化与三个异质碳基
Xinni Xiong A，Iris K.M. div> Yu A，B，Danie C.W. div> tsang a， *，liz len a，zhish su，changwei d，ship D，H。Clar，D dd>Xinni Xiong A，Iris K.M. div>Yu A，B，Danie C.W. div> tsang a， *，liz len a，zhish su，changwei d，ship D，H。Clar，D dd>Yu A，B，Danie C.W. div>tsang a， *，liz len a，zhish su，changwei d，ship D，H。Clar，D dd>
博士Francesco Iannuzzo 博士
Y. Duan、F. Iannuzzo 和 F. Blaabjerg，“一种用于功率半导体器件的新型集中电荷建模方法”，IEEE 电力电子学报，2020 年 4 月 ♦ Y. Chang、H. Luo 和 F. Iannuzzo、A. Garcia-Bediaga、W. Li、X. He、F. Blaabjerg，“具有低杂散电感和平衡热应力的紧凑型夹层压装 SiC 功率模块”，IEEE 电力电子学报，2020 年 3 月 ♦ PD Reigosa、H. Luo 和 F. Iannuzzo，“通过功率循环老化对 1.2 kV SiC MOSFET 短路稳定性的影响”，IEEE 电力电子学报，2019 年 11 月 ♦ L. Ceccarelli、RM Kotecha、AS Bahman、F. Iannuzzo 和 HA Mantooth， “使用多步条件映射仿真策略基于任务概况的 SiC MOSFET 功率模块寿命预测”，IEEE 电力电子学报，2019 年 10 月。
推荐引用 推荐引用 罗云芳;杨涛；李庆安；刘强；以及崔希玲，“利用生成人工智能揭露 ESG 夸大之词”（2024 年）。 ICEB 2024 会议论文集（中国珠海）。 7. https://aisel.aisnet.org/iceb2024/7
引言近年来，金融业遇到了一种普遍存在的挑战，即漂绿行为。漂绿行为是一种夸大或歪曲公司对环境影响的做法，以给人留下公司比实际更注重环保的印象 (Huang & Chen, 2015)。当环境、社会和治理 (ESG) 报告等正式公共信息加剧信息不对称并增加市场混乱的风险时，就会发生这种情况 (Liu et al., 2024)。夸大其词是漂绿行为的一种常见形式，事实证明，它通过扭曲可持续发展目标的实现和评估来阻碍可持续发展目标的实现 (Cojoianu et al., 2020)。这通常表现为使用过于积极的语言来描述公司的环境、社会或治理绩效，而没有提供足够的支持数据或证据。因此，检测和解决 ESG 报告中的夸大其词至关重要。人工智能 (AI) 正在塑造世界，尤其是像 ChatGPT 这样的生成式人工智能 (GenAI) 的快速发展。金融领域的一些研究已经开始利用人工智能来解决 ESG 报告中的问题。例如，一些研究比较了传统和人工智能驱动的 ESG 评级 (Hughes 等人，2021)。一些研究调查了人工智能对漂绿和可持续发展报告的影响 (Moodaley & Telukdarie, 2023)。Yang 等人 (2021) 发现 ESG 披露降低了公司债券信用利差，降低了风险并增强了投资者信心，而 Biju 等人 (2023) 使用 MAXQDA 软件将 ESG 的情绪得分与漂绿的看法联系起来。这些研究表明了在分析 ESG 报告中应用人工智能的可能性和潜力。因此，本研究受到启发，充分利用人工智能，尤其是 GenAI，来评估 ESG 报告中的夸大行为 (Jain 等人，2023)。尽管先前的研究已经研究了审查和评估 ESG 报告的各种技术，但识别夸大断言的难度仍然没有得到充分研究，尤其是在使用最先进的人工智能技术时。此外，即使公司可能在其 ESG 报告中使用“极端”、“完整”或“最高”等形容词，但这并不总是意味着他们夸大了他们的成就；事实上，一些公司可能在这方面表现出色。因此，仅依靠 ESG 报告中的术语无法彻底确定公司是否夸大了他们的主张。GenAI 的优势在于能够通过分析上下文细节来辨别是否有合理的理由怀疑夸大。本研究旨在通过利用 GenAI 来检测 ESG 报告中的夸大描述，从而弥补这一差距，从而更准确、更稳健地评估企业可持续发展绩效。我们采用三种不同的即时工程策略，即零样本、少量样本和思路链 (COT) 来分析一组 ESG 报告。此外，我们还将该方法与传统文本分析技术和人类智能进行交叉验证。这
引用：He H, Liu B, Luo H, et al . 大数据和人工智能发现针对没有 3D 结构的蛋白质的新型药物并克服无法用药的靶点。Stroke & Vascular Neurology 2020; 0 . doi:10.1136/svn-2019-000323
摘要 靶向药物的发现很大程度上依赖于靶蛋白的三维结构，当未知蛋白质靶点的三维结构时，设计其对应的靶向药物非常困难。某些蛋白质（即所谓的不可成药靶点）尽管三维结构已知，但却缺乏针对它们的药物。随着蛋白质数据库中存储的晶体/低温电子显微镜结构越来越多，发现靶向药物的可能性大大增加。此外，通过识别先前不可成药的靶点的隐藏变构位点，也很有可能将之前的不可成药靶点转变为可成药靶点。本文主要介绍目前可用的针对未知三维结构的蛋白质发现新化合物的先进方法，以及如何将不可成药的靶点转变为可成药的靶点。
开发工程细胞外囊泡-...
Xin Luo 1,2,*、Kathleen M. McAndrews 1,*、Kent A. Arian 1、Sami J. Morse 1、Viktoria Boeker 1、Shreyasee V. Kumbhar 1、Yingying Hu 1、Krishnan K. Mahadevan 1、Kaira A. Church 1、Sriram Chitta 3、Nicolas T. Ryujin 1、Janine Hensel 1、Jianli Dai 1、Dara P. Dowlatshahi 1、Hikaru Sugimoto 1、