XiaoMi-AI文件搜索系统
World File Search SystemMerkle
参考引起的多能干细胞系，用于大...
A reference induced pluripotent stem cell line for large-scale collaborative studies Authors and affiliations: Caroline B. Pantazis 1* , Andrian Yang 2-5* , Erika Lara 1* , Justin A. McDonough 6* , Cornelis Blauwendraat 1,7* , Lirong Peng 1,8,9* , Hideyuki Oguro 6,10 , Jitendra Kanaujiya 6,10 , Jizhong Zou 11 , David Sebesta 12 , Gretchen Pratt 12 , Erin Cross 12 , Jeffrey Blockwick 12 , Philip Buxton 12 , Lauren Kinner-Bibeau 12 , Constance Medura 12 , Christopher Tompkins 12 , Stephen Hughes 12 , Marianita Santiana 1 , Faraz Faghri 1,7,8 , Mike A. Nalls 1,7,8，Daniel Vitale 1,7,8，Shannon Ballard 1,7,8，Yue A. Kirwan 4,5，Venkat Pisupati 5,14，Steven L. Coon 15，Sonja W. Scholz 16,17，Theresa Priebe 18，MiriamÖttl18，Jian Dong 18，Marieke Meijer 18，Lara J.M.Janssen 18，Vanessa S. Lourenco 18，Rik van der Kant 18,19，Dennis Crusius 20，Dominik Paquet 20,21，Ana-Caroline Raulin 22，Guojun Bu 22，Aaron Held 23，Brian J.Wainger 23，Brian J.Wainger 24，Rebecca M.C.Gabriele 25，Jackie M Casey 25，Selina Wray 25，爸爸Abu-Bonsrah 26,42，Clare L. Parish 26，Melinda S. Beccari 27，Don W. Cleveland 27，Emmy Li 27，Indigo V.L.罗斯28，马丁运动28，劳林·海因里希30岁， Richa Basundra 32，Sarah Cohen 32，Richa Khanna 33： 35，Bruce R. Concinal 34，Katherine Johnson 22，莉莉·萨拉法（Lily Sarrafha）39，蒂姆自动相应的汽车
人工智能（AI）和数据驱动的康复
参考文献 114 1. Canoy D, Tran J, Zottoli M, Ramakrishnan R, Hassaine A, Rao S 等人。英国全科医生注册的 200 万名男性和女性中心脏代谢疾病多重患病率与全因死亡之间的关联。BMC Med。2021；19(1)：258。117 2. Janssen I、Clarke AE、Carson V、Chaput JP、Giangregorio LM、Kho ME 等人。系统回顾了成分数据分析研究，研究了睡眠、久坐行为和身体活动与成人健康结果之间的关联。Appl Physiol Nutr Metab。120 2020；45(10 (Suppl. 2))：S248-S57。 121 4. Medina-Inojosa JR、Grace SL、Supervia M、Stokin G、Bonikowske AR、Thomas R 等人。心脏康复剂量降低死亡率和发病率：一项基于人群的研究。美国心脏学会杂志。2021；10(20)：e021356。124 3. Wahid A、Manek N、Nichols M、Kelly P、Foster C、Webster P 等人。量化体力活动与心血管疾病和糖尿病之间的关联：系统评价和荟萃分析。美国心脏学会杂志。2016；5(9)。127 5. Forhan M、Zagorski BM、Marzonlini S、Oh P、Alter DA。预测接受心脏康复和二级预防计划的肥胖和糖尿病患者的运动依从性。Can J Diabetes。2013；37（3）：189-94。130 6. Matata BM、Williamson SA。关于提高 65 岁或以上患者心脏康复入学率和依从性的干预措施的综述。Curr Cardiol Rev。2017；13（4）：252-62。131 7. Chindhy S、Taub PR、Lavie CJ、Shen J。心脏康复面临的当前挑战：克服社会因素和出勤障碍的策略。Expert Rev Cardiovasc Ther。2020；18（11）：777-89。 136 8. Pio CSA, Chaves G, Davies P, Taylor R, Grace S. 促进患者利用心脏康复的干预措施：Cochrane 系统评价和荟萃分析。J Clin Med. 2019;8(2)。139 9. Obermeyer Z, Emanuel EJ. 预测未来——大数据、机器学习和临床医学。N Engl J Med. 2016;375(13):1216-9。140 10. Han Y, Han Z, Wu J, Yu Y, Gao S, Hua D 等。基于物联网技术的癌症康复方案人工智能推荐系统。IEEE Access。 2020；8：44924-35。144 11. Ishraque MT、Zjalic N、Zadeh PM、Kobti Z、Olla P 编辑。基于人工智能的心脏康复治疗运动推荐系统。2018 IEEE MIT 本科生研究技术会议 (URTC)；2018 年 10 月 5-7 日。147 12. Philipp P、Merkle N、Gand K、Gißke C。使用机器学习持续支持康复。it - 信息技术。2019；61(5-6)：273-84。149 13. Wartman SA、Combs CD。医学教育必须从信息时代走向人工智能时代。Acad Med。2018；93(8)：1107-9。151
贝叶斯数据分析
请在我们身份验证您的情况下等待...2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。 但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。 例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。 Berger，J。2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。Berger，J。一些研究人员提出了各种技术来提出专家判断以告知先前分布的技术。，例如，O'Hagan等。（2006）提供了先前启发的综合指南，包括技术和潜在的陷阱。其他研究的重点是开发使用贝叶斯先验的专家的信念的方法（例如，Johnson等，2010）。此外，还有各种可用的在线资源可以帮助进行贝叶斯分析。例如，Van de Schoot的在线统计培训提供了有关高级统计主题的教程和练习。总的来说，在组织科学中使用贝叶斯方法的使用变得越来越重要，但是它需要仔细考虑先前的分布和启发技术，以确保准确的结果。注意：我已经删除了一些特定的参考，并重点介绍了要点。让我知道您是否希望我保留更多原始文本！van de de Schoot-Hubeek，W.，Hoijtink，H.，Van de Schoot，R.，Zondervan-Zwijnenburg，M。＆Lek，K。评估专家判断引发程序，以相关性和应用于贝叶斯分析。客观的贝叶斯分析：对主观贝叶斯分析的案例，批评和个人观点。Brown，L。D.经验贝叶斯和贝叶斯方法的现场测试，用于击球平均赛季预测。Candel，M。J.，Winkens，B。Monte Carlo研究在纵向设计中多级分析中的经验贝叶斯估计值的性能。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。darnieder，W。F.贝叶斯方法依赖数据依赖的先验。＆Chen，F。权力先验：具有统计功率计算的理论和应用。Muthen，B。，Asparouhov，T。贝叶斯结构方程建模：使用数据依赖性先验对实体理论的更灵活的表示。Rietbergen，C.，Klugkist，I.，Janssen，K。J.，Moons，K。G.＆Hoijtink，H。将历史数据纳入随机治疗试验的分析中，以及基于系统文献搜索和专家精力提示的知识的贝叶斯PTSD-Traigntory分析。van der Linden，W。J.在自适应测试中使用响应时间进行项目选择。Wasserman，L。使用数据依赖性先验对混合模型的渐近推断。请注意，我保留了您的消息的原始语言而不翻译。给定文本：释义此文本：数据（版本V1.0）。Zenodo（2020）。元素Google Scholar Chung，Y.，Gelman，A.，Rabe-Hesketh，S.，Liu，J。＆Dorie，V。层次模型中协方差矩阵的点估计值较弱。J.教育。行为。Stat。40，136–157（2015）。Google Scholar Gelman，A.，Jakulin，A.，Pittau，M。G.＆Su，Y.-S。 logistic和其他回归模型的弱信息默认分布。ann。应用。Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。 B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。 2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。 am。 Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。am。Stat。3（Clarendon，1961）.Seaman III，J。W.，Seaman Jr，J。W.＆Stamey，J。D.指定非信息先验的隐藏危险。66，77–84（2012）.MathScinet Google Scholar Gelman，A。层次模型中方差参数的先前分布（Browne和Draper对文章的评论）。贝叶斯肛门。1，515–534（2006）.MathScinet Math Google Scholar Lambert，P.C.，Sutton，A。J.，Burton，P.R.，Abrams，K。R.＆Jones，D。R.含糊不清？对使用Winbugs在MCMC中使用模糊的先验分布的影响的仿真研究。Stat。Med。24，2401–2428（2005）。MathScinetGoogle Scholar Depaoli，S。在不同程度的类别分离的情况下，GMM中的混合类别恢复：频繁主义者与贝叶斯的估计。Psychol。方法18，186–219（2013）。Google Scholar DePaoli，S。＆Van de Schoot，R。贝叶斯统计中的透明度和复制：WAMBS-CHECKLIST。Psychol。方法22，240（2017）。本文提供了有关如何在使用贝叶斯统计数据估算模型时如何检查各个点的分步指南。统计建模模型检查中的贝叶斯模型检查和鲁棒性是一种用于评估统计模型准确性的方法。它涉及使用各种诊断工具来检查模型的潜在问题，例如偏见或过度拟合。贝叶斯模型检查是传统模型检查的扩展，将先前的信念纳入分析中。再次。贝叶斯模型检查的关键应用之一是检测先前数据冲突。贝叶斯模型检查近年来变得越来越重要，因为它能够提供对统计模型的更细微理解的能力。它允许研究人员量化数据中包含的信息量，并评估其结论的可靠性。一些研究人员为贝叶斯模型检查技术的发展做出了重大贡献，包括Nott等，Evans和Moshonov，Young and Pettit，Kass和Raftery，Bousquet，Veen和Stoel，以及Nott等。这些研究人员介绍了各种诊断工具和评估先前数据协议和冲突的标准。这会发生在同一数据集的先前信念和数据之间存在差异时。像埃文斯（Evans），莫索诺夫（Moshonov）和杨（Young）这样的研究人员已经开发了使用诸如后验预测分布等指标来量化这一冲突的方法。贝叶斯模型检查也已应用于贝叶斯模型中的可能性推断。像Gelman，Simpson和Betancourt这样的研究人员强调了理解表达先前信念的上下文的重要性。除了其方法论上的意义外，贝叶斯模型检查还在社会科学，医学和金融等领域还采用了实际应用。它可以通过确定统计模型的潜在问题来帮助研究人员和政策制定者做出更明智的决定。在此处给定文章，此处28，319–339（2013）.MathScinet Math Google Scholar Rubin，D。B. Bayesian具有合理的频率计算，适用于应用的统计学家。ann。Stat。J.am。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。 Stat。 合作。 85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。Stat。合作。85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。85，398–409（1990）。这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。ifna（1991）。3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。ieee trans。模式肛门。马赫。Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。Intell。6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。J. Chem。物理。21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J.＆Roweth，D。Hybrid Monte Carlo。物理。Lett。 J. am。 Stat。 合作。Lett。J.am。Stat。合作。b 195，216–222（1987）。＆Wong，W。H.通过数据增强计算后验分布。82，528–540（1987）。 本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。 本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。 元建模，因果推理和社会科学（2017）。Gelman，A。 ＆Rubin，D。B. 使用多个序列从迭代模拟中推断。 Stat。 SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.82，528–540（1987）。本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。元建模，因果推理和社会科学（2017）。Gelman，A。＆Rubin，D。B.使用多个序列从迭代模拟中推断。Stat。SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.SCI。7，457–511（1992）。一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.一般方法用于监测迭代模拟的收敛性。J. Comput。图。Stat。7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。马尔可夫链蒙特卡洛在实践中57，45-58（1996）。（2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。（2017）。关键参考包括Minka（2013），Hoffman等。（2015），Liang等。 Q.（2015），Liang等。Q.Q.新方法利用排序差异，折叠和本地化技术来增强\（\ hat {r} \）的准确性。此外，本综述强调了贝叶斯建模中变异推理方法的重要性，尤其是随机变体，这些变体是大型数据集或复杂模型的流行近似贝叶斯推理方法的基础。（2013），Kingma和BA（2014），Li等。 （2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2013），Kingma和BA（2014），Li等。（2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2008），Forte等。（2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。（2014）。用于回归分析中的稀疏信号。该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J.＆Friston，K。J. Neuroimage（2005）。咨询。临床。Google Scholar Smith，M.，Pütz，B。，Auer，D。＆Fahrmeir，L。Neuroimage（2003）中还讨论了通过空间贝叶斯变量选择评估大脑活动。Google Scholar此外，检查了Zhang，L。，Guindani，M.，Versace，F。＆Vannucci，M。Neuroimage（2014）的时空非参数贝叶斯变量选择模型用于聚类相关时间课程。判断中信息处理的研究采用了各种方法，如Bolt等人的研究中所见，他们探讨了两种戒烟剂在联合使用的有效性，理由是J.Psychol。80，54–65，2012）。在类似的脉中，Billari等。基于贝叶斯范式内的专家评估（人口统计学51，1933–1954，2014）开发了随机人群预测模型。其他研究已经深入研究了暂时的生活变化及其对离婚时间的影响（Fallesen＆Breen，人口统计学53，1377-1398，2016）。同时，Hansford等人。分析了美国律师将军在最高法院的政策领域的位置（Pres。螺柱。49，855–869，2019）。此外，研究重点是使用健康行为综合模型来预测限制“自由糖”消耗（Phipps等人，食欲150，104668，2020）。此外，研究还将贝叶斯统计数据引入了健康心理学，并强调了其在该领域的潜在好处（Depaoli等人，Health Psychol。修订版11，248–264，2017）。Psychol。Gen. 142，573–603，2013; Lee，M。D.，J。 数学。Gen. 142，573–603，2013; Lee，M。D.，J。数学。贝叶斯估计的应用已显示在各种情况下取代传统的t检验，包括认知建模和生态研究（Kruschke，J。Exp。Psychol。55，1-7，2011）。此外，层次结构的贝叶斯模型已在生态学中用于建模种群动态和推断环境参数（Royle＆Dorazio，生态学的分层建模和推断）。通过包括Gimenez等人在内的各种研究人员的工作进一步开发了这种方法。（在标记人群中建模的人口统计过程中，3）和King等。（贝叶斯分析人群生态学）。研究还研究了贝叶斯方法在生态学中的使用，例如使用汉密尔顿蒙特卡洛（Monnahan等人，方法ECOL。Evol。8，339–348，2017）。贝叶斯对生态学的重要性的重要性已被埃里森（Elison）等研究人员（ecol。Lett。 7，509–520，2004）。 最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。 也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。 Soc。 系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。Lett。7，509–520，2004）。最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。Soc。系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。系列C 57，609–632，2008）。在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。- Dennis等。-McClintock等。总而言之，对判断中信息处理的研究以及贝叶斯统计在各个领域的应用，使人们对这些概念及其对决策和人口建模的影响有了更深入的了解。这些作品涵盖了种群建模的各个方面，包括贝叶斯估计，综合人群模型和遗传关联研究。关键论文包括： - King and Brooks（2008）关于贝叶斯对具有异质性和模型不确定性的封闭种群的估计。（2006）使用生态数据估计密度依赖性，过程噪声和观察误差。（2012）基于多阶段随机步行开发了一个一般的离散时间框架，用于动物运动。-Aeberhard等。（2018）对渔业科学的州空间模型进行了综述。其他值得注意的贡献包括： - Isaac等。（2020）讨论了大规模物种分布模型的数据集成。-McClintock等。（2020）提出了一种使用隐藏的马尔可夫模型来发现生态状态动力学的方法。- King（2014）审查了统计生态及其应用。- Andrieu等。（2010）引入了粒子马尔可夫链蒙特卡洛方法，用于复杂的种群建模。这些研究表明，从人口生存能力分析到遗传关联研究，在理解生态系统中采用的统计技术的多样性，强调了该领域数据整合和高级建模方法的重要性。提出一种利用转移学习以提高数据质量的方法。基因组学，统计和机器学习的交集在理解复杂的生物系统中变得越来越重要。最近的研究探索了多摩智数据集的整合，以发现对人类健康和疾病的新见解。由Argelaguet等人建立了整合多派数据集的框架，该框架采用贝叶斯方法来识别生物学过程的关键因素。该方法已应用于包括单细胞转录组学在内的各个领域，如Yau和Campbell的工作所示，他们使用贝叶斯统计学习来分析大型数据集。研究的另一个领域涉及在英国生物库中对跨树木结构的常规医疗数据进行遗传关联的分析。诸如Stuart和Satija的研究表明，将单细胞分析与基因组学相结合以揭示有关复杂生物系统的新信息的潜力。深层生成模型的发展也促进了单细胞转录组学的进步，如Lopez等人的工作所证明的那样，后者应用了深层生成模型来分析大型数据集。此外，与Wang等人一起，对单细胞转录组学中数据降解和转移学习的研究已显示出令人鼓舞的结果。最近的研究还强调了科学研究中可重复性和公平原则（可访问，可互操作和可重复使用）的重要性。这包括诸如癌症基因组图集和Dryad＆Zenodo之类的举措，旨在促进开放研究实践。提出了功能性变分贝叶斯神经网络。机器学习技术（包括变异自动编码器）的应用也在理解复杂的生物系统方面变得越来越重要。正如Paszke等人的评论中所述，变化自动编码器为将基因组学和统计数据与深层生成模型的整合提供了有希望的方法。总体而言，多摩智数据集，机器学习技术和统计分析的进步的整合已经开辟了新的途径，以理解复杂的生物系统并揭示了对人类健康和疾病的新见解。概率建模的最新进展导致了几种将深度学习与贝叶斯推论相结合的技术的发展。该领域的一个关键概念是变异自动编码器（VAE），它通过将其映射到较低维度的空间中来了解输入数据的概率分布。Hinton等人引入的Beta-Vae框架将VAE限制为学习基本的视觉概念。研究人员还探索了贝叶斯方法在神经网络中的应用，例如高斯过程和周期性随机梯度MCMC。例如，尼尔在神经网络上的贝叶斯学习方面的工作突出了神经网络与高斯过程之间的联系。此外，已证明将深层合奏用于预测不确定性估计在各种任务中都是有效的。最近的预印象提出了新的新技术，包括功能变分贝叶斯神经网络和细心的神经过程。后者使用注意机制从输入数据中学习相关特征。res。另一项研究的重点是开发更可扩展和可解释的模型，例如标准化流量和周期性随机梯度MCMC。该领域在理解深度学习的理论基础上，包括神经网络与高斯过程之间的联系，也看到了重大进展。Mackay和Williams的作品为贝叶斯倒退网络提供了一个实用的框架，而Sun等人。总的来说，这些进步有助于我们理解概率建模及其在深度学习中的应用。Hoffman，M。D.＆Gelman，A。 No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。 J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。Hoffman，M。D.＆Gelman，A。No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. Mach。学习。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。Stat。Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。J.am。Stat。合作。93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. R. Stat。Soc。系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Google Scholar Ntzoufras，I。使用Winbugs Vol。698（Wiley，2011）.Lunn，D。J.，Thomas，A.，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Spiegelhalter，D.，Thomas，A。，Best，N。＆Lunn，D。OpenBugs用户手册版本3.2.3。OpenBugs（2014）.Plummer，M。Jags：使用Gibbs采样的贝叶斯图形模型分析程序。proc。第三国际统计计算的国际研讨会124，1-10（2003）。Google Scholar Plummer，M。Rjags：使用MCMC的贝叶斯图形模型。r软件包版本，4（6）（2016）.Salvatier，J.，Wiecki，T。V.＆Fonnesbeck，C。使用Pymc3在Python中进行概率编程。peerj Comput。SCI。 2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。SCI。2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。2，E55（2016）。Google Scholar de Valpine，P。等。与模型的编程：编写敏捷的通用模型结构的统计算法。J. Comput。图。Stat.s 26, 403–413 (2017).MathSciNet Google Scholar Bayesian analysis software JASP version 0.14 available for computer use (2020) Lindgren F & Rue H used R-INLA for Bayesian spatial modeling in a Stats journal article (2015) Vanhatalo et al's GPstuff allowed Bayesian Gaussian process modeling with Machine Learning Res articles (2013) Blaxter gave research methods in他的2010年McGraw-Hill教育书《如何进行研究》 BetanCourt在Github上创建了一个原则上的贝叶斯工作流程，主张最佳实践（2020）Veen＆Schoot使用了对英超联赛数据的后验预测检查，并在OSF（2020年）上发布了它，并在Kramer＆Bosman（2020）Kramer＆Bosman在Kramer＆Bosman在Kramersship Sumpership Summerschool inter Smixship Summershood prosentie in Utrech Torne in utrecht in of to inty介绍（2019年），UTRECHINE（2019年）（2019年）（2019年）（2019年）（2019年）（2019年）（2019年） Acta Math匈牙利文章（1955）Lesaffre＆Lawson在2012年Wiley Publication撰写了一种新的公理概率理论（1955年），Hoijtink等人使用了贝叶斯评估，用于认知诊断评估，发表在Psych Methods In In In Psych Methods Journal（2014）
Maggie Hope 新书
玛吉·霍普曾经只是丘吉尔的秘书，为了应对她所面临的危险，她接受了间谍、破坏和侦察方面的大量训练。然而，英国情报部门给她的新任务是杀死可能拥有毁灭世界的裂变炸弹的德国物理学家维尔纳·海森堡，这使事情变得复杂。玛吉对这次任务不确定，因为暗杀与她以前经历过的任何事情都不一样。盟军对德国拥有炸弹的信心也值得怀疑。为了收集更多信息，玛吉前往马德里，海森堡计划在那里发表演讲，并会见了忠诚度不明确的法国间谍可可·香奈儿，她为玛吉提供了这次旅行的掩护。一路上，玛吉的个人生活变得错综复杂，尤其是她与约翰·斯特林的恋情，而她母亲参与战争也为她的任务增加了一层复杂性。随着战争的升级，赌注越来越高，玛吉的选择将对她自己和她所爱的人产生深远的影响。随着战争的升温，物理学家玛吉接到了一项震撼人心的任务——为德国运送一枚裂变炸弹。当她思考盟军如何确定纳粹德国的意图时，她的不安感与日俱增。玛吉决心收集更多情报，她前往海森堡演讲的马德里，会见了时装设计师可可·香奈儿，她也有自己的秘密和模糊的忠诚。与此同时，玛吉的母亲透露了与战争的惊人联系，使玛吉的选择受到质疑。1940 年 6 月，回到洛杉矶，维罗妮卡·格雷斯 (Veronica Grace) 探索着一座新城市，她没有意识到这座城市的黑暗面，因为德国纳粹招募当地人进行宣传活动。当联邦调查局 (FBI) 驳回她的担忧时，她与一名反纳粹间谍头子联手，秘密收集证据，却发现阴谋比预想的更加险恶。《母女叛徒间谍》的灵感来自现实生活中的间谍二人组，讲述了一个关于家庭、责任和欺骗的故事，并提出了关于面对恐怖时勇气的问题。1943 年，在洛杉矶，爵士之夜和宣传活动的魅力中，玛吉发现了与她的旧情人约翰·斯特林有关的神秘死亡，引发了一场跨大陆的追捕，她从伦敦被围困的街道到加利福尼亚阳光普照的山丘。在洛杉矶充满分裂的世界里，玛吉·霍普发现自己陷入了秘密和欺骗的网络，她深入研究了 Zoot Suit 骚乱和三K党的邪恶影响。即使她渴望回家，她的任务也是第一位的。当她穿越这片复杂的土地时，她脑海中浮现的是失去爱情的回忆。她的旅程让她发现了真主花园和卡塞剧院等标志性地标背后隐藏的真相，揭示了电影中的一切都不尽如人意。与此同时，1942 年，在伦敦，玛吉·霍普暂停间谍工作，在俄罗斯军队击退斯大林格勒德军的途中拆除炸弹。然而，她自己过去的创伤让她生活在边缘，冒着巨大的风险，与毒瘾作斗争。尽管她想避免卷入另一起犯罪，但她发现自己被卷入了斯特拉迪瓦里小提琴盗窃案的调查，结果发现这起案件与一名针对拒服兵役者的连环杀手交织在一起。随着第二次世界大战的肆虐，玛吉·霍普卷入了一个间谍和欺骗猖獗的世界。由于她了解英国政府的秘密、有计划的入侵、背叛者和被派去送死的特工，她发现自己被孤立在苏格兰基洛克城堡的一个偏远岛屿上。然而，当狱友开始成为谋杀的受害者时，玛吉必须用尽她所有的智慧和技能，不仅要逃脱死亡，还要逃脱连环杀手的魔爪。在巴黎，玛吉为特别行动处做卧底，在一个异常安静的城市里，纳粹军官开着奔驰车四处游荡，纳粹十字记号旗帜装饰着丽兹酒店。她的同父异母妹妹 Elise 在从集中营获救后失踪，而丘吉尔正计划盟军入侵法国，因此 Maggie 必须在这片险恶的土地上寻找 Elise，并揭开 Erica Calvert 对诺曼底的重要研究。当 Maggie Hope 穿越这些复杂的情况时，有一件事始终至关重要：她必须生存下来。在这个惊心动魄的间谍和欺骗故事中，主人公的生活变成了战场，她穿越权力和身份的诡异网络，智胜纳粹情报精英。凭借精湛的间谍和操纵技巧，她开始了一场危险的探索，以发现叛徒、找到失踪的妹妹，并获得诺曼底登陆计划的关键报告。随着她深入这场致命的猫捉老鼠游戏，她发现自己与纳粹最精锐的特工面对面。值得注意的是，这部小说在多个畅销书排行榜上名列前茅：2017 年 8 月 20 日，它在《华盛顿邮报》精装畅销书排行榜上排名第 10 位；2017 年 8 月 27 日，在《纽约时报》精装畅销书排行榜上排名第 14 位；2017 年 8 月 21 日，在《出版商周刊》精装畅销书排行榜上排名第 16 位。“莎拉！此外，该书还获得了 2017 年阿加莎奖最佳历史小说提名。1942 年，在英格兰，随着闪电战继续留下痕迹，城市笼罩在黑暗之中。在这片阴暗的土地上，发生了一系列可怕的谋杀案，令人毛骨悚然地想起了几十年前开膛手杰克的罪行。受害者都有一个共同点：他们正前往温斯顿·丘吉尔担任间谍和破坏者。军情五处意识到需要专家的帮助，于是向特工玛吉·霍普寻求帮助。陷阱已经设下，但一旦凶手瞄准了玛吉，即使是白金汉宫的安全也无法保障她的命运。在这场高风险的间谍游戏中，每一步都可能带来死亡和欺骗，玛吉的足智多谋将受到前所未有的考验。在另一条叙事线索中，我们发现玛吉·霍普 (Maggie Hope) 生活在 1941 年 12 月，当时珍珠港刚刚遭到袭击。玛吉作为温斯顿·丘吉尔的打字员陪同他前往华盛顿特区，当他们被发现被谋杀时，她被卷入了围绕第一夫人助手的谜团中。在职责和谨慎的需要之间左右为难，玛吉利用自己出色的密码破译和间谍技能，解开了可能危及美国对战争支持的阴谋网。作为一名精英间谍和密码破译员，玛吉·霍普穿梭于战火纷飞的欧洲，她的任务是潜入柏林社会最高层，收集关键情报。她的任务是深入纳粹控制的领土，在那里，她必须依靠自己的机智和敏锐的直觉来揭开可能暴露冲突阴暗面的秘密。浸渍利口酒正在席卷调酒界，其独特的风味和多功能性使其成为鸡尾酒中炙手可热的新成分。通过将伏特加和朗姆酒等烈酒与水果、鲜花、草药和香料相结合，浸渍利口酒可以创造出优质的利口酒，可用于制作各种美味的饮品。从清爽的夏季鸡尾酒（如西瓜马提尼）到奢华的冬季美食（如热薄荷巧克力），这本书中总有一款适合您。有超过 30 种注入式饮品可供选择，每种都有自己独特的风味和搭配选择，可能性无穷无尽。无论您是想制作经典鸡尾酒还是尝试新颖的创意，Infused 都能满足您的需求。从浓郁的 Cosmopolitans 到奢华的马提尼，Infused 利口酒的可能性无穷无尽。让我们开始派对吧！本书包含制作您自己的浸渍酒的简单配方，以及展示这些美味成分多功能性的鸡尾酒配方。这本色彩鲜艳的小书提供了关于如何摇晃、搅拌和冷却的提示，是制作您自己的招牌鸡尾酒的终极指南。送独特的东西是一门艺术。这份礼物充满了创意，可以激发送礼者和接受者的灵感。对于压力重重的新娘来说，婚礼禅在婚礼混乱中提供了一片宁静的绿洲。通过将禅宗教义与传统婚礼习俗相结合，本书展示了如何通过一点正念让大日子变得更好。婚礼禅提供了数十条关于保持当下和放下执着的提示，是完美的新娘送礼会礼物。当事情变得疯狂时，这本书为新娘提供了缓解，并为送礼者带来了好运。30 多年来，Peter Max 的艺术一直是美国文化的一部分。他色彩缤纷、宇宙感十足的作品激励了全世界的人们。凭借丰富的作品和多次个人展览，他的艺术获得了国际认可。这次全面的回顾展展出了 350 张全彩图片，其中许多从未发表过，展示了 Max 的生活和事业。Kevin Coyne 的《Domers：在圣母大学的一年》探索了这所大学的经历。Judith Merkle Riley 的小说《蛇园》深入探讨了一个神秘的世界。巴菲会怎么做？Jana Riess 的《吸血鬼杀手作为精神指南》提供了一本独特的指南。简·兰顿 (Jane Langton) 的《神圣灵感：荷马·凯利之谜》探究了一个精神谜团。罗伯特·加里斯 (Robert Garis) 的《追随巴兰钦》探索了一位著名编舞家的生活。艾伦·爱泼斯坦 (Alan Epstein) 的《如何一天比一天更快乐：一年的正念行动》分享了日常智慧。朱迪思·西尔斯 (Judith Sills) 的《超重行李：走出自己的路》帮助读者克服障碍。玛吉·霍普 (Maggie Hope) 的冒险在她最新的历史悬疑小说中继续，她在其中探索了洛杉矶复杂的历史，包括种族主义和骚乱。《好莱坞间谍》是一部生动的小说，揭示了这座城市过去的秘密。《好莱坞间谍》将读者带入了战时好莱坞充满活力但又被玷污的世界，魅力与衰败并存。苏珊·埃利亚·麦克尼尔 (Susan Elia MacNeal) 的《玛吉·霍普》系列的最新一部巧妙地捕捉了 1943 年加利福尼亚的耀眼一面和阴暗面。一位明星的神秘死亡引发了一场争夺国家灵魂的战斗，将玛吉·霍普卷入了错综复杂的阴谋网。凭借一丝不苟的研究和敏锐的洞察力，麦克尼尔深入好莱坞的魅力世界，在那里，明星们的客串演出比比皆是，同时还充斥着当时的险恶气氛。最终，这部作品成为了一部精彩绝伦、令人愉悦的悬疑小说，让读者沉浸在这个逝去时代的魅力、戏剧和黑暗阴谋之中。当玛吉穿行在阳光普照的洛杉矶街道上时，她发现自己卷入了一场在好莱坞精英光鲜外表下争夺真相的战斗。她的目光锁定在一位身穿白色连衣裙和高跟鞋的金发女郎身上，她正在人行道上奔跑。一名男子拔出枪，但在他开枪之前，另一名男子介入，在女子跌倒在地时大喊“停”。当玛吉意识到这只是一个电影场景时，她最初的震惊逐渐被宽慰所取代。她放松紧握的拳头，欣赏着洛杉矶市中心的繁华景象，棕榈树在微风中摇曳，一只鹰在头顶盘旋。当她伸懒腰，感受着阳光照在皮肤上的温暖时，玛吉感到一种重生的感觉，就像桃乐丝在彩色梦境中一样，远离了伦敦灰色、饱受战争蹂躏的街道。她坐下来阅读头条新闻，其中包括美国在太平洋和欧洲取得胜利的消息。尽管盟军取得了进展，但仍然没有胜利的保证，战争仍在继续。玛吉凝视着这座城市，它就像沙漠中的海市蜃楼，悬在幻想与现实之间。当她坐在 Chateau Marmont 的遮阳棚下时，她很感激这片混乱中的绿洲，身边围绕着她的朋友 Sarah，一位芭蕾舞演员，也住在这家著名的酒店。住宿由林肯·柯斯坦提供，他是一位学者、慈善家和芭蕾舞爱好者。在与乔治·巴顿将军共事时，他把 Sarah 介绍给了乔治·巴兰钦。他推荐她出演一部电影，并可能成为他公司的舞蹈演员。Sarah 走到阳台上，她的黑发扎成马尾辫，身穿真丝上衣和亚麻长裤，手拿粉色尖头鞋。在获得由巴兰钦编舞的《星条旗餐厅》中的一个角色后，她独自在洛杉矶待了数周。现在，她赤脚站在阳台上，看起来像一个好莱坞的少女。“早上好，小猫。”玛吉抬起头，微笑着。你好吗？”莎拉回答说：“浮肿，可怜极了。我抽筋了，时机再糟糕不过了。”距离她的表演被拍摄下来只有三天了。玛吉吞咽了口口水。“嗯，你看起来棒极了，”玛吉说。“谢谢你，但据说相机会加重你的负担。”莎拉向玛吉吐露，好莱坞很难熬。她被告知要矫正鼻子、填充乳房、矫正和漂白牙齿，还要减肥。她妥协了，戴上了牙套，但仅此而已。玛吉转过身，看着那双粉色拖鞋被猛地摔在阳台的水泥地上。“可怜的鞋子，它到底做了什么，要遭受这样的命运？”莎拉抱怨道，穿上一只缎面鞋，踮起脚尖。“今天是我第一次单独和巴兰钦先生合作。我希望我的鞋子保持安静。我会把它们打得服服帖帖的，”她说。她抬头看着玛吉，手里拿着拖鞋。“今天对你来说也是个大日子，不是吗？”“如果你说的‘大日子’是指和约翰见面讨论这个案子，那么是的。但我不会称之为‘大日子’。“尽管天气晴朗，她还是感到一阵冰冷的寒意从她的脊柱上传来。“我仍然很难接受这里有棕榈树，”玛吉说。“我很难相信它们是真实的，尤其是它们矗立在那里。看起来物理在这里是选修课。”“但你来自美国！”她回答道。“至少你在那里出生和长大。”“没错，我来自波士顿，”玛吉解释道。“让我告诉你，马萨诸塞州没有棕榈树。”莎拉不明白这些树怎么会这么高，她沮丧地继续捶着鞋子。“这些树实在是太高了，”莎拉一边继续捶着一边嘟囔道。“这太不雅了。”两人都同意这一观察。“我很高兴我们能一起在洛杉矶，”莎拉说。“尽管我对这种不幸的情况感到抱歉。”“不是每个人都能成为电影明星，”玛吉轻声回答道。“不过，当约翰为格洛丽亚的去世而悲伤时，有你在身边一定让他感到安慰，”她问道。“你真的认为她是被谋杀的吗？”玛吉没有答案。“从我读到的内容来看，似乎没有任何谋杀的迹象，”她承认。“不过，我会尽一切可能发现真相。”