XiaoMi-AI文件搜索系统
World File Search SystemOverlook
影响总膝关节置换术后恢复质量的因素：预测模型的发展
TKA是一种广泛接受的治疗方法，用于减轻疼痛，恢复关节功能并提高患者的整体生活质量（1）。虽然TKA程序是标准化的，但患者康复的结果可能会有很大差异。在个性化医学时代，越来越重视创建临床预测模型，这些预测模型考虑了各种因素来预测恢复结果并指导临床决策。先前的研究已经确定了年龄，性别，BMI和社会经济地位是TKA后影响恢复的重要因素（2-4）。但是，许多当前模型缺乏准确性和相关性，因为它们忽略了骨骼健康和显着合并症等个体差异和基本因素（5，6）。这项研究的目的是开发一个综合模型，用于预测TKA后术后恢复，并结合患者的基线特征，背景和围手术期因素。假设是，与现有模型相比，通过包括更广泛的预测因子，该模型将具有更高的精度和临床价值。最终，目的是通过提供TKA后对恢复轨迹的更准确和个性化的预测来改善患者的结果并优化医疗保健资源分配。
![识别GO 中的软件供应链攻击向量
arxiv：2502.07152v1 [stat.me] 2025年2月11日](/simg/7\7a52d4776c8aa25ca7fae2eb48cee446999e7797.webp)
识别GO 中的软件供应链攻击向量 arxiv：2502.07152v1 [stat.me] 2025年2月11日
在GO中，开源软件的广泛采用导致了繁荣的第三方依赖性生态系统，这些生态系统通常被整合到关键系统中。但是，依赖关系的再利用引入了重大的供应链安全风险，因为单个折衷的软件包可能会产生级联的影响。现有的供应链攻击分类法忽略了特定于语言的功能，这些功能可以被攻击者隐藏恶意代码。在本文中，我们提出了一种针对GO语言及其包装生命周期的12个不同攻击向量的新颖分类学。我们的分类法确定了用于良性目的的特定语言的GO特征，可以滥用以通过供应链隐秘地传播恶意代码。此外，我们推出了Gosurf，这是一种静态分析工具，该工具根据我们提出的分类法分析GO包装的攻击表面。我们评估了500个使用现实世界中的500个语料库的Gosurf。我们的工作提供了确保GO生态系统中开源软件供应链的初步见解，使开发人员和安全分析师可以优先考虑代码审核工作并发现隐藏的恶意行为。
abtract。本文是对讨论论坛的主要论文的关键回应，题为“当时的世界经济和伊斯兰经济学
abtract。本文是对讨论论坛的主要论文的关键回应，该论坛题为“ Covid-19时代的世界经济和伊斯兰经济学”，由Benamraoui（2021）撰写。Benamraoui（2021）从经济角度看了19岁的大流行。他指出，这给世界经济带来了前所未有的挑战，这些挑战从未经历过，包括经济产出的急剧下降和失业水平的大幅增长。他建议伊斯兰金融可以提供解决大流行影响的解决方案。本文认为，Covid-19的确以前所未有的方式对世界经济产生了负面影响。但是，这是一场全球危机，就像许多其他曾遭受过全球危机的危机一样，很快就会结束。本文还认为，由于许多研究，文章和博客都在出现，因此不应忽略硬币的另一面，显示了Covid-19的一些积极影响。本文还认为，即使建议的伊斯兰解决方案可以帮助减少Covid-19的负面影响，但问题是谁将实施它？即使是一些穆斯林国家也可能无法应用它，等待解决方案来自西方。
英国大学的生成AI的指导原则
摘要本文探讨了生成AI在高等教育机构中的含义，重点是其对学术诚信和教育政策的影响。这项研究利用定性方法和基于办公桌的研究来研究在学术环境中采用生成的预训练的变压器和类似程序。由于对窃和道德含义的担忧，一些机构已经对生成AI实施了禁令，但其他机构则拥护其根据道德准则来增强教育实践的潜力。但是，这种禁令可能会忽略生成AI的优势，而忽略了学生与技术的不可避免的互动。本文通过提出指导原则来解决这些挑战，以实现在英国大学的道德和有效应用，尤其是在就业能力，教学和学习的领域。本文构成了三个主要部分：关于生成AI的现有文献的综述，对其收益和挑战的探索，实施指导原则的制定以及为未来的研究和实践实施的建议。通过此分析，该文章旨在为正在进行的高等教育中的生成AI做出贡献，从而深入了解其对教育政策和实践的影响。
世界的香料碗
ndia在众多方面很受欢迎，包括其传统，丰富的遗产和多样化的烹饪风格。来自全国以外的人对印度菜肴中使用的“秘密”成分非常好奇，这些食材使它们如此独特。，但他们经常倾向于忽略的是，是土著香料，使印度食品变得不可抗拒。当我们谈论香料时，每个印度家庭中常见的一件事是Masala Dabba（香料盒）。每个Desi印度厨房的典型部分，Masala Dabbas令人着迷。，即使这些香料添加到chutkis（捏）中，它们在将菜从Just Palable Topleable Tose Delectable转动起来都起着很大的作用。除了奇妙的香气和风味外，印度香料还具有药物和免疫力的特性。几代人传统上使用了通常使用的厨房成分来准备健康的混合物，例如Kadha（用草药和香料制成的治愈的阿育吠陀饮料）和Haldi Doodh（姜黄牛奶）来治愈普通感冒。诸如Jeera（Cumin），Saunf（Fennel），Sarson（Mustard）和Methi（Fenugreek）等流行香料
agcl：方面图构建和学习方面情感分类
关于方面情感策略（ALSC）的先前研究强调了建模方面和环境之间的相互关系，但忽略了方面本身作为基本领域知识的关键作用。为此，我们提出了AGCL，这是一种新颖的A Spect G Raph C Onstruction和L Charning方法，旨在为模型提供精心调整的方面信息，以增强其任务认可能力。agcl的关键创新位于方面图构造（AGC）和方面图（AGL）中，其中AGC可以利用内在的方面连接来构建DO-MAINTEAK图形，然后AGL迭代地更新引入的方面图以增强其领域的专业知识，从而使其更适合ALSC任务。因此，此域As-pect图可以用作连接未见方面与可见方面的桥梁，从而增强了模型的概括能力。的三个广泛使用数据集的结果证明了方面信息对ALSC的重要性，并突出了AGL在方面学习中的优越性，超过了最新的基线。代码可从https：//github.com/jian-projects/agcl获得。
使用顺序图像拼贴
摘要：确定暴力活动对于确保社会的安全很重要。尽管变压器模型对行为识别领域有很大贡献，但通常需要大量数据才能表现良好。由于目前缺乏现有的有关暴力行为的数据集，因此对于变形金刚使用数据集不足的暴力行为来说，这将是一个挑战。此外，已知变压器在计算上是沉重的，有时可能会忽略时间特征。为了克服这些问题，可以使用名为MLP-Mixer的架构使用较小的数据集来获得可比的结果。在这项研究中，提出了一种特殊类型的数据集，该数据集提出了一个称为顺序图像拼贴（SIC）的MLP混合物。此数据集是通过将视频剪辑的框架汇总到图像拼贴中来创建的，以便更好地了解视频中暴力行为的时间特征。三个不同的公共数据集，即国家曲棍球联盟曲棍球战斗的数据集，智能城市CCTV暴力检测的数据集以及现实生活中暴力情况的数据集用于培训该模型。实验的结果证明，与其他最先进的模型相比，使用所提出的SIC训练的模型能够以较少的参数和触发能力在暴力行为识别中实现高性能。
使用深度强化学习
摘要 - 自动共享系统（BSS）代表了一种可持续有效的城市运输解决方案。BSS的一个主要挑战是重新定位自行车，以避免用户遇到空或完整的自行车储物柜时短缺。现有算法在很大程度上依赖于精确的需求预测，并且倾向于忽略与重新分配相关的大量运营成本。本文介绍了一种新颖的成本感知自适应自行车重新定位剂（CABRA），该剂利用了基于码头的BSS中先进的深层强化学习技术。通过对需求模式进行了要求，Cabra学习了旨在降低短缺和提高卡车路线计划效率的自适应重新定位策略，从而大大降低了运营成本。我们利用都柏林，伦敦，巴黎和纽约的现实数据进行了对CABRA的广泛实验评估。报告的结果表明，Cabra达到了运营效率，其表现优于或匹配非常具有挑战性的基准，从而获得了大幅降低的成本。在由1765个对接站组成的最大城市的表现强调了拟议解决方案的效率和可扩展性，即使在拥有大量对接站的BSS上也是如此。
并非所有电子商务都同样发射：在线和商店购买的碳足迹的系统定量审查
尽管在过去的二十年中已经对其进行了广泛的研究，但电子商务的环境影响仍然可以被视为有争议的主题。特别是对于那些想知道在线购物是否构成了传统商店购物更环保的替代方案的人，可以发现有证据表明，定量支持肯定和相反的主张。发现差异很大，因为从中绘制的研究的上下文和假设也有很大差异。为了提高我们对这个问题的理解并为可以实际减少购物的环境影响的行动提供信息，我们对环境影响评估进行了系统的定量审查，以比较在线和商店购买的碳足迹。基于二十多种科学研究，我们编制了244次购买的数据集，它们的估计碳足迹以及有关计算基于的上下文，分布，行为和地理条件的信息。我们从审查的研究中得出结论，在线购买通常比商店购买的碳足迹较低，但仅在依赖汽车的生活方式的情况下；可能仅仅是因为研究在很大程度上忽略了消费者行为和消费景观的转变。
万能药还是非故意的非人化？
人工智能 (AI) 的应用能够极大地优化我们的生活，而且很明显，随着时间的推移，这种优化只会越来越明显。从很多方面来看，这都是非常有前景的，但人工智能在我们社会中的表现形式也引发了许多关于非人性化的担忧。人们通常认识到，人工智能系统会隐性地发挥社会权力关系——无论是有意还是无意，就像偏见的情况一样——因此，只要我们改进模型，发现这种隐藏的故意压迫领域，危险就会消失。然而，这些观点忽略了这样一种可能性，即正是因为人工智能能够完美地实现有利的目标，才可能产生有害的后果。这个不良副作用的问题，与我们为人工智能设定的目标完全无关，是通过“非故意非人性化”的概念来探讨的。为了阐明这一现象，本文分为两部分。第一部分将确定天真的人工智能使用如何成为这一问题的典型案例。在第二部分中，我们将论证这些问题以双重方式出现；人工智能不仅有可能对“使用者”造成伤害，而且也有可能对用户造成伤害。有了这个概念模型，我们才有可能意识到我们接受人工智能解决方案的反面。