XiaoMi-AI文件搜索系统
World File Search SystemNSO
酰基哌嗪类阿片类药物，包括 2-甲基-AP-237
1.2.在欧洲，非法阿片类药物的使用主要涉及阿富汗罂粟种植产生的海洛因。由于塔利班于 2022 年 4 月禁止种植罂粟，2022 年至 2023 年期间阿富汗种植罂粟的面积减少了 95%。这导致收获的鸦片和生产的海洛因都下降了 95%，从 2022 年的 6,200 吨和 350-580 吨分别下降到 2023 年的 333 吨和 24-38 吨。[UNODC，2023a] 1.3。人们越来越担心，如果从阿富汗获得的海洛因供应量持续减少，将导致欧洲和英国的非法阿片类药物市场转向非法合成的 NSO。[EMCDDA，2023a；Caulkins 等人，2024] 1.4。芬太尼类似物（芬太尼）是强效的 NSO，近年来造成北美大量死亡。芬太尼通常与海洛因混合以增加其效力，添加到非阿片类药物中，或者单独服用。因此，已经采取法律措施控制芬太尼相关药物的生产，联合国会员国已将芬太尼和芬太尼前体置于国际管制之下。[Wang 等人，2022 年；CRS，2023 年；白宫，2023 年] 1.5。尽管如此，芬太尼前体供应量的减少可能会促使非法药物供应商寻求替代 NSO，其前体尚未受到药物立法的管制 [EMCDDA，2023b]，从而导致高度动态和复杂的非法药物市场，新兴 NSO 越来越多。
将算法公平与官方统计和调查生产中的机器学习中的质量维度联系起来
国家统计组织（NSO）越来越多地利用机器学习（ML），以提高产品的及时性和成本效益。在引入ML解决方案时，NSO必须确保保持在稳健性，可重复性和准确性方面的高标准，例如在统计算法的质量框架中（qf4sa; Yung et e yung etel。2022）。同时，越来越多的研究集中于公平性，作为对ML安全部署的前提，以防止在实践中产生不同的社会影响。然而，在NSO在ML应用的背景下，尚未明确讨论公平作为质量方面。我们采用Yung等人。（2022）的QF4SA质量框架，并将其质量尺寸映射到算法公平。因此，我们以多种方式扩展了QF4SA框架：我们认为公平是其自身的质量维度，我们调查了公平与其他维度的相互作用，并且我们明确地解决了数据，既可以自身及其与应用方法的互动。与经验插图并行，我们展示了我们的映射如何有助于官方统计，算法公平和值得信赖的机器学习的方法论。
全球间谍软件行业为何继续蓬勃发展……
2021 年，16 家媒体组成了一个名为 Pegasus 项目的联盟，以调查以色列公司 NSO 集团授权的军用级间谍软件。该联盟的两个合作伙伴 Forbidden Stories 和 Amnesty International 获得了一份由 NSO 客户“选定目标”的五万个电话号码名单。该小组分析了这些号码，并将其与特定个人和黑客进行匹配。调查结果令人震惊。从原始名单中，分析师确定了分布在 50 多个国家的一千多名目标个人。受害者包括“几名阿拉伯王室成员、至少 65 名企业高管、85 名人权活动家、189 名记者以及 600 多名政客和政府官员——包括内阁部长、外交官以及军事和安全官员。”1 Pegasus 目标名单上还发现了至少 10 名总理、3 名总统和 1 名国王。此次调查在全世界引起了震动。这激起了公众的愤怒，并迫使美国将 NSO 集团列入黑名单，使该公司濒临破产。2
硝苯地平
(1) 实际或相对滥用的可能性； (2) 滥用的范围、持续时间和严重性；以及 (3) 对公众健康的危害。 第 3 节：根据 ORC 3719.45 对化合物进行评估 (1) 实际或相对滥用的可能性。 正如委员会先前认识到的那样，过去十年来，新型精神活性物质 1 (NPS) 的供应和滥用日益增多，这是前所未有的。NPS 的一个子集是新型合成阿片类药物 (NSO)。一些人将此归因于中国 2018 年旨在减少芬太尼相关化合物供应的管制措施，新的非芬太尼 NSO，例如“尼他嗪”化合物，继续出现在非法市场上。当今非法供应的许多 NSO 都是由制药公司在二十世纪下半叶合成的。这些合成旨在努力识别比吗啡更安全、更有效的化合物。与这些努力相关的已发表文献（包括专利）可作为地下化学家制造灰色市场 NSO 的数据库。尼他嗪具有很高的滥用可能性。早在 1975 年，亚历山大·舒尔金 (Alexander Shulgin) 就提出，尼他嗪是“寻找可在国内合成的海洛因替代品的沃土，这些替代品的效力足以鼓励非法调查。”此外，Blanckaert 等人 (2019) 警告说，“由于 [尼他嗪] 类中的多种物质的效力至少比吗啡高出一个数量级，因此未来可能的 [尼他嗪] 阿片类药物的数量不容小觑。”自 2021 年以来，每年发现的新尼他嗪化合物的数量都在增加，这一事实进一步证实了这一点。
将算法公平与官方统计和调查生产中的机器学习中的质量维度联系起来
摘要国家统计组织（NSO）越来越多地利用机器学习（ML），以提高其产品的及时性和成本效益。在引入ML解决方案时，NSO必须确保在稳健性，可重复性和准确性方面具有高度标准，例如在统计算法的质量框架中（qf4sa; Yung et e yung etel。2022，IAOS统计杂志）。同时，越来越多的研究集中于公平性，作为对ML安全部署的前提，以防止在实践中产生不同的社会影响。然而，在NSO在ML应用的背景下，尚未明确讨论公平作为质量方面。我们采用QF4SA质量框架，并将其质量维度的映射到算法公平性。因此，我们以多种方式扩展了QF4SA框架：首先，我们研究了公平性与每个质量维度的相互作用。第二，我们认为公平是它自己的额外质量维度，超出了到目前为止QF4SA中所包含的质量。第三，我们强调并明确地介绍数据，以及与应用方法论的相互作用。与经验插图并行，我们展示了我们的映射如何在官方统计，算法公平和值得信赖的机器学习领域中促进方法论。几乎没有关于ML，公平性和质量维度的知识，因为我们向这些主题提供了介绍，因此需要进行官方统计数据。这些介绍也针对质量维度和公平性的讨论。
高完整性软件中风险分析的研究
CSHA ETA FMA FMEA FMECA FTA HAZOP NIST NPP NRC NSCCA NSO O&SHA OOD PHA PHL PRA SDHA SFMEA SFMECA SFTA SHA SCA SCHA SQA SRHA SSA SV&V USAF
必须运行的替代方案 - 生命周期移动生成 - ...
2 请参阅 ERCOT 市场通知，M-C031324-01 CPS Energy（BRAUNIG_VHB1、BRAUNIG_VHB2、BRAUNIG_VHB3）运营暂停通知（NSO），2024 年 3 月 13 日，网址为 https://www.ercot.com/services/comm/mkt_notices/M-C031324-01。
高完整性软件中的危害分析研究
CSHA ETA FMA FMEA FMECA FTA HAZOP NIST NPP NRC NSCCA NSO O&SHA OOD PHA PHL PRA SDHA SFMEA SFMECA SFTA SHA SCA SCHA SQA SRHA SSA SV&V USAF