XiaoMi-AI文件搜索系统
World File Search SystemMultinomial
o r i g i n a l r e s a a r c h fto基因多态性与中枢神经系统肿瘤易感性之间无关
背景：中枢神经系统（CNS）肿瘤是在全球童年时期出现的一种恶性肿瘤。脂肪质量和肥胖相关（FTO）酶，最初被鉴定为肥胖相关蛋白，也是癌症的易感基因。然而，FTO基因单核苷酸多态性（SNP）对中枢神经系统肿瘤风险的诱发作用尚不清楚。方法：本文中，我们基因分型了314例CNS肿瘤患者和380位来自三家医院的健康对照样本，以探索FTO基因SNP是否影响CNS肿瘤风险。Taqman SNP基因分型测定法用于基因分型。的比值比（ORS）和95％的CON FICENTASS（CIS）（CIS）应用于多项式逻辑回归，用于确定SNP的关联（RS1477196 G> A，RS9939609 T> A，RS7206790 C> G g> g，以及RS80477395395的风险cen in> g）in> g）in> g） 结果：我们无法在单位分析或组合分析中检测到FTO基因SNP和CNS肿瘤风险之间的显着关联。 与0-2风险基因型相比，具有3-4种风险基因型的携带者的Edepeny MOMA风险显着增加（调整后的OR = 1.94，95％CI = 1.11–3.37，p = 0.020）。 结论：我们的数据表明，FTO基因SNP不太可能对CNS肿瘤风险产生很大的影响，但可能影响较弱。 关键字：CNS肿瘤，风险，FTO，多态性，中文的比值比（ORS）和95％的CON FICENTASS（CIS）（CIS）应用于多项式逻辑回归，用于确定SNP的关联（RS1477196 G> A，RS9939609 T> A，RS7206790 C> G g> g，以及RS80477395395的风险cen in> g）in> g）in> g）结果：我们无法在单位分析或组合分析中检测到FTO基因SNP和CNS肿瘤风险之间的显着关联。与0-2风险基因型相比，具有3-4种风险基因型的携带者的Edepeny MOMA风险显着增加（调整后的OR = 1.94，95％CI = 1.11–3.37，p = 0.020）。结论：我们的数据表明，FTO基因SNP不太可能对CNS肿瘤风险产生很大的影响，但可能影响较弱。关键字：CNS肿瘤，风险，FTO，多态性，中文
来自南印度卡纳塔克邦的贫困线人口中的某些心脏病的趋势
目的：社会经济状况差也是当今社会排斥的部分中心血管疾病不断增长的原因之一。这项研究旨在使用SAST数据揭示卡纳塔克邦（南印度）的贫困线（BPL）人群中最常见的心脏病。方法：这项研究是使用Suvarna Arogya Suraksha Trust（SAST）（印度卡纳塔克邦政府）中的数据进行的，该数据是对贫困线（BPL）类别（BPL）类别的，他们在2010年使用多基因逻辑逻辑回归中接受了2010年E 2021期间各种心血管疾病的治疗。结果和讨论：研究发现，冠状动脉疾病的患病率仍然很高，从2013年到14岁，持续影响了89％的人口，并且有较小的功能。来自欠发达地区的人（分散）患有更多的冠状动脉疾病病例。从2018年到19至2020 E 21的患病率略有下降。心肌梗塞的患病率为3.9％，心动过缓为2.3％，心包炎为1.08％，如发现。结论：冠状动脉疾病显示出很高的趋势。假设在BPL社区之间的贫困，物质剥夺，社会排斥，健康差异和社会凝聚力不佳可能是心脏护理和相关结果不佳的关键原因。需要采取措施来解决穷人之间的健康差异。
文章 使用可解释人工智能 (XAI) 检测社交媒体仇恨言论
摘要：可解释人工智能 (XAI) 特性在深度学习模型的仇恨言论检测中具有灵活和多方面的潜力。本研究的目的是解释和说明复杂人工智能 (AI) 模型做出的决策，以了解这些模型的决策过程。作为本研究的一部分，我们采用了两个数据集来演示使用 XAI 进行仇恨言论检测。我们进行了数据预处理，以清除数据中的任何不一致之处、清理推文文本、对文本进行标记和词形还原等。我们还简化了分类变量，以便生成干净的数据集用于训练目的。我们对数据集进行了探索性数据分析，以发现各种模式和见解。我们将各种预先存在的模型应用于 Google Jigsaw 数据集，例如决策树、k-最近邻、多项朴素贝叶斯、随机森林、逻辑回归和长短期记忆 (LSTM)，其中 LSTM 的准确率达到 97.6%。将 LIME（局部可解释模型 - 不可知解释）等可解释方法应用于 HateXplain 数据集。创建了 BERT（来自 Transformer 的双向编码器表示）模型的变体，例如准确率为 93.55% 的 BERT + ANN（人工神经网络）和准确率为 93.67% 的 BERT + MLP（多层感知器），以在使用 ERASER（评估基本原理和简单英语推理）基准的可解释性方面取得良好的表现。
公民对强制接种 COVID-19 疫苗和疫苗加强剂的立场：哥伦比亚、萨尔瓦多和西班牙的一项研究
摘要：2019 年冠状病毒病 (COVID-19) 造成的感染和死亡促使一些政府强制接种 COVID-19 疫苗。本研究旨在分析哥伦比亚、萨尔瓦多和西班牙 3026 名成年人对强制接种 COVID-19 疫苗的可能性以及接种加强剂或可能的连续剂量的意愿的看法。数据来自 2021 年 8 月至 12 月在非代表性西班牙语国家样本中进行的在线调查。使用多项 Logistic 回归模型。总共有 77.4% 的哥伦比亚人支持强制接种疫苗，而萨尔瓦多人和西班牙人的比例分别为 71.5% 和 65.4% (p < 0.000)。女性和 65 岁以上的人是最支持强制接种疫苗的群体 (p < 0.000)。共有 79.4% 的人表示他们已经接种了第三剂疫苗或打算在必要时接种第三剂或未来几剂疫苗，而 9.4% 的人表示怀疑，9.9% 的人拒绝接种疫苗或不打算接种疫苗。在可以采取的鼓励接种疫苗的措施中，63.0% 和 60.6% 的人分别赞成要求进入任何休闲或工作场所时必须出示阴性检测结果，而 16.2% 的人赞成停职停薪。强制接种疫苗和第三剂或未来几剂疫苗的接受程度因社会人口特征和工作环境而异。因此，建议政策制定者相应地调整公共卫生策略。
严重牛皮癣：系统评价和网络荟萃分析...
摘要目的：比较已获批准的生物制剂和阿普斯特治疗 1 年后 PASI 结果。方法：系统评价确定了 RCT 和长期扩展研究，报告了中度至重度银屑病成人患者的 PASI 75、90 和 100 反应。分析数据使用具有概率关联的贝叶斯多项似然模型建模。结果：网络荟萃分析纳入了 28 项报告 PASI 反应的研究。研究设计的差异导致采用分步综合方法，包括两项分析。主要分析包括九项 RCT，研究 1 年时的比较疗效。结果表明，risankizumab、brodalumab 和 guselkumab 是最有效的治疗方法，其次是 ixekizu-mab 和 secukinumab；均表现出优于 ustekinumab 和依那西普。次要分析扩展了主要分析，增加了 19 项进一步研究，比较了主动干预措施与从诱导推断出的安慰剂结果。产生最高 PASI 反应的干预措施与主要分析相同。这些疗法比阿普斯特、乌司他单抗、阿达木单抗、赛妥珠单抗、依那西普和英夫利昔单抗更有效。结论：这项 NMA 表明，评估的 IL-17 和 IL-23 抑制剂在 1 年后优于其他生物疗法。Risankizumab 实现 PASI 结果的概率高于所有其他生物制剂，但 Brodalumab 和 Guselkumab 除外，在 Brodalumab 和 Guselkumab 中没有得出显着差异。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
B.Tech III年–II SEM 人工智能和机器学习... 机器人和自动化的数字笔记（... 人工智能与机器学习 工程化学.pdf b'' 机器学习实验室手册
3 - / - /3（R20A0518）机器学习单元 - I简介：机器学习简介，监督学习，无监督学习，增强学习。深度学习。特征选择：过滤器，包装器，嵌入式方法。特征归一化： - 最小最大归一化，z得分归一化和恒定因子归一化降低降低：主成分分析（PCA），线性判别分析（LDA）单元 - II监督学习 - I（回归/分类）回归模型：简单线性回归，多线性回归。成本函数，梯度下降，性能指标：平均绝对误差（MAE），均方根误差（MSE）R平方错误，调整后的R平方。Classification models: Decision Trees-ID3, CART, Naive Bayes, K-Nearest-Neighbours (KNN), Logistic Regression, Multinomial Logistic Regression Support Vector Machines (SVM) - Nonlinearity and Kernel Methods UNIT – III Supervised Learning – II (Neural Networks) Neural Network Representation – Problems – Perceptrons, Activation Functions, Artificial Neural Networks (ANN) , Back Propagation 算法。卷积神经网络 - 卷积和合并层，复发性神经网络（RNN）。分类指标：混淆矩阵，精度，召回，准确性，F-SCORE，ROC曲线单元 - IV模型验证：交叉验证 - 保留方法，k折，分层k fold，剩余的交叉验证。偏见变化权衡，正规化，过度拟合，不足。合奏方法：提升，包装，随机森林。教科书：1。2。3。3。4。单元 - V无监督的学习：聚类-K均值，K模型，K-蛋白型，高斯混合模型，期望最大化。强化学习：探索和剥削权衡取舍，非社交学习，马尔可夫决策过程，Q学习。机器学习 - Saikat Dutt，Subramanian Chandramouli，Amit Kumar Das，Pearson。机器学习的基础，Mehryar Mohri，Afshin Rostamizadeh，Ameet Talwalkar，麻省理工学院出版社。凯文·墨菲（Kevin Murphy），机器学习：概率的观点，麻省理工学院出版社，2012年参考书：1。Trevor Hastie，Robert Tibshirani，Jerome Friedman，《统计学习要素》，Springer2009 2。克里斯托弗·毕晓普（Christopher Bishop），《模式识别与机器学习》，施普林格，2007年。机器学习向往，Andrew Ng。数据挖掘 - 概念和技术-Jiawei Han和Micheline Kamber，Morgan Kaufmann
与被动免疫的出色转移相关的因素：在不同欧洲国家对奶牛进行的多站点，横断面研究
被动免疫转移（TPI）是在新生小牛中获得良好免疫状态的关键。传统的科学方法检查了TPI失败的风险因素，但是实现了出色的被动免疫转移的好处是有充分认可的，这证明了对特定侵害因素的仔细研究。但是，关于与出色的TPI有关的条件的信息很少，这可能与避免失败的情况相差。因此，这项工作的目的是检测确定无源免疫转移的因素。从2022年4月到7月，研究了来自六个国家的108个欧洲农场的1,041辆犊牛。用折射率间接测量犊牛中的初乳质量和被动免疫水平。记录了初乳管理，大坝，小牛和农场状况的数据。建立了贫穷，公平和出色的TPI的分类。混合效应多项式回归建模是在动物层面上实施的，国家和牛群是随机因素。初乳变量的中位数为3 l的体积，质量为24.4％，出生后2小时的给药时间。在优秀类别中，只有一个国家的犊牛占犊牛的40％。平均因素影响优异的TPI是施用初乳的体积和质量。总而言之，尽管欧洲的大多数农场都管理和管理过足够的初乳，但有一些方面需要改进，以实现优秀类别中超过40％的犊牛。这些关键因素与预防TPI失败的关键因素一致，尽管应根据研究的局限性考虑这一结果。
中欧地区代际职业持久性和流动性的性别差异*
摘要：本文基于 2005 年、2011 年和 2019 年的 EU-SILC 调查数据，研究了中欧（奥地利、捷克共和国、匈牙利、波兰和斯洛伐克）的代际职业持久性和流动性。1993 年的东欧社会分层调查数据也被用作历史比较。这些调查由于样本量大且包含详细的父母职业数据，因此特别适合分析职业流动性。我根据对 7×7 职业流动性表的分析以及基于父母职业出身实现特定职业目的地的预测概率（从多项回归的对数几率得出），报告了总流动率和净流动率的性别差异。职业地位的再生产在专业职业（对男性和女性而言）、贸易和手工艺（对男性而言）以及销售/文职职业（对女性而言）中尤为强烈，这些职业似乎处于动态平衡状态。与男性相比，女性社会流动性的增加（以及更高的向上流动率）受到职业结构变化的影响更大，尽管这种影响在捷克共和国和斯洛伐克都有所减弱。最后，我发现，从较低的家庭出身获得专业职业的女性比男性有更大的向上流动的机会，而且这种趋势近年来似乎有所加强。关键词：职业持久性、职业流动性、社会流动性、社会再生产 Sociologický časopis/Czech Sociological Review，2024，vol .60，No .6：623–663 https://doi .org/10 .13060/csr .2024 .041
量子态测量的储层计算方法
高效的量子态测量对于最大限度地从量子系统中提取信息非常重要。对于多量子比特量子处理器而言，开发可扩展的架构以实现快速和高保真读出仍然是一个尚未解决的关键问题。在此，我们提出使用储层计算作为超导多量子比特系统量子测量的资源高效解决方案。我们考虑一个小型的约瑟夫森参数振荡器网络，它可以以最小的设备开销实现，并且与被测量子系统位于同一平台上。我们从理论上分析了这种设备作为储层计算机的运行，以根据量子统计特征对随机时间相关信号进行分类。我们将该储层计算机应用于联合多量子比特读出的测量轨迹的多项分类任务。对于现实条件下的 2 量子比特色散测量，我们证明了分类保真度可靠地超过最佳线性滤波器，仅使用 2 – 5 个储层节点，同时需要的校准数据少得多 — 每个状态只需几次拍摄。我们通过分析网络动态来了解这一卓越性能，并直观地了解储层处理。最后，我们演示了如何操作该设备以同等效率和轻松校准的方式执行 2 量子比特状态断层扫描和连续奇偶校验监控。该储层处理器避免了其他机器学习框架常见的计算密集型训练，并且可以作为集成低温超导设备实现，用于在计算边缘低延迟处理量子信号。