XiaoMi-AI文件搜索系统
World File Search SystemPredictive
预测性编码I：简介
预测性编码 - 有时也称为“预测处理”，“自由能最小化”或“预测误差最小化” - 声称提供完整的，统一的认知理论，从细胞生物学到现象学一直延伸。但是，观点的确切内容及其如何实现其野心尚不清楚。本系列文章研究了预测性编码，并试图确定其关键承诺和理由。本文首先关注与预测编码的可能混杂：通常通过预测编码确定但不是预测性编码的主张。这些包括大脑采用有效的方案来编码其传入的感觉信号的想法；这种感知经验是由先前的信念塑造的。这种认知涉及最小化预测误差。大脑是概率的推理引擎；并且大脑学习并采用了世界的生成模型。这些想法在现代认知神经科学方面获得了广泛的支持，但重要的是不要将它们与预测性编码混为一谈。
血管生成的预后和预测价值
抽象背景免疫检查点抑制剂（ICI）在多种癌症中具有显着提高患者的生存。然而，食管癌的治疗反应仅限于患者的亚组，并且缺乏临床上有用的预测生物标志物。方法，我们在ICI治疗前后收集了来自91例食管癌患者的一系列血浆样品。使用接近扩展分析的Olink免疫肿瘤组（92蛋白）用于检测血浆的动态变化和与治疗结果相关的潜在生物标志物的动态变化。我们筛选了所有与生存相关的蛋白质，并建立了风险评分模型，以更好地预测食管癌免疫疗法患者的预后和治疗反应。结果我们发现，在ICI处理过程中，在92个定量蛋白质中，有47个在血浆水平上有显着变化（P <0.050），并且这些改变的蛋白质参与了与免疫相关的反应，例如细胞间粘附和T细胞激活。值得注意的是，三种与血管生成相关蛋白（IL-8，TIE2和HGF）的基线水平与ICIS治疗的患者的存活率显着相关（P <0.050）。根据这些预后蛋白，我们建立了一个与血管生成相关的风险评分，这可能是ICI响应预测的出色生物标志物。此外，与ICI单药治疗相比，抗血管生成疗法与ICIS结合起来显着提高了总体存活率（P = 0.044）。我们的研究强调了结合ICI和抗血管生成疗法的潜在应用，并支持Olink血浆蛋白测序作为生物标志物探索的液体活检方法。结论基于三种蛋白质（IL-8，TIE2和HGF）基于血管生成相关的风险评分可以预测食管癌患者的ICI反应和预后，该患者将来需要验证。
使用快速嵌入式模型预测性机器人导航
摘要 - 预测计划是机器人有效，安全地浏览填充环境的关键能力。在密集拥挤的场景中具有不确定的人类运动预测，预测路径计划和控制可能会变得昂贵，因为维度的诅咒，实时计算。目的是在共享环境中实现积极主动和清晰的机器人运动，在本文中，我们提出了人类MPC，这是一种用于Hu Man Motion的计算有效算法，使用快速嵌入式M odel P Redictive c Ontrol进行了Ware n Vaine N。该方法由一种新型的模型预测控制（MPC）公式组成，该公式利用基于顺序二次编程实时迭代方案的快速状态优化后端，同时还提供可行性监视。我们的实验，在模拟和完全集成的基于ROS的平台上，表明该方法通过快速计算时间实现了出色的可扩展性，而不会惩罚所得的回避行为的路径质量和效率。
人工智能在预测警务中的作用
1* 印度罗希尔坎德大学 MJP 法学院院长兼系主任。2 印度罗希尔坎德大学 MJP 法学院研究学者。电子邮件：2 mayurisingh@Csjmu.Ac.In 通信电子邮件：1* amit.Singh@Mjpru.Ac.In 摘要人工智能 (AI) 正在迅速影响一系列领域，包括执法。预测警务系统越来越多地被实施，以预测潜在的犯罪活动并优化资源。人工智能预测警务通过分析大量数据集、发现虐待趋势并在家庭暴力、性骚扰和人口贩运等犯罪发生之前进行预防，在打击针对妇女的犯罪方面具有巨大潜力。这些工具可以提高警察干预的准确性、速度和效率，同时为执法机构提供有用的预防措施信息。然而，人工智能在预测警务中的应用是一把双刃剑。虽然人工智能有可能改善犯罪预防，但也带来了数据偏见、隐私问题以及社会不公加剧的可能性。由于预测算法主要依赖于过去的犯罪数据，因此它们可能会受到社会偏见、性别偏见或针对妇女的犯罪报告不足的影响。这可能导致预测结果偏向边缘地区或对弱势群体的保护不足。此外，过度依赖人工智能来做决定可能会损害公民自由、减少人类监督并混淆问责制。本文探讨了人工智能驱动的预测警务对针对妇女的犯罪的双重影响。它探讨了潜在的好处（提高效率、主动预防）、道德和法律挑战，以及延续性别偏见、侵犯隐私和歧视的风险。这篇论文呼吁谨慎、平衡地将人工智能融入执法，强调透明度、道德算法设计和持续的人为监督的必要性，以确保人工智能驱动的警务支持妇女的安全和权利，而不会加剧现有的不公正现象。关键词：人工智能、预测性警务、针对妇女的犯罪、技术、隐私。DOI 编号：10.48047/NQ.2022.20.1.NQ22435 NEUROQUANTOLOGY 2022；20(1):1430-1452
预测模型和人工智能在临床中的应用
在过去的十年中，人工智能 (AI) 和放射组学等数据科学技术在放射学研究中强势崛起。放射组学是指从医学图像中（自动）提取大量定量特征 [1]。典型的放射组学工作流程涉及图像采集和分割以及特征提取和优先级排序/缩减，为其最终目标做准备，即预测建模 [2]。在这最后一步，放射组学和人工智能通常交织在一起，建立互利共生关系。近年来，医学成像领域关于放射组学和人工智能应用的出版物数量不断增加，方法也日益完善 [3,4]。最佳实践白皮书的制定和预测建模出版物质量标准（如 TRIPODS [5] 或 CLAIM [6] 标准）大大促进了这种定性收益。因此，在最近的出版物中越来越多地观察到提高预测模型普遍性的相关方法学方法，例如，准确组成具有代表性和无偏数据集，避免数据泄露，结合（嵌套）交叉验证方法进行模型开发，特别是在小数据集上，或使用独立的外部测试样本。在这方面，Song 等人 [7] 在最新一期的《欧洲放射学》上发表的关于预测颅内出血功能结果的临床放射组学列线图的工作只是一般趋势的一个例子。然而，与预测模型在医学成像研究中的利用率和重要性的提高相比，这些技术尚未在临床
人工智能助力采矿业预测性维护
目前，整个采矿数据供应链都在收集数据，但通常以零散的方式用于跟踪单个动作或事件。数据往往侧重于特定问题，如通风监测、事故分析、车队和人员管理或尾矿坝监测。例如，如果钻机的温度或压力超过建议范围，就会发出警报，信息会传回数据库。操作员可以立即采取行动，防止代价高昂的设备故障，但前提是他们了解警报的目的。信息可能会或可能不会被记录下来，以用于未来的维护计划。用户会遇到大量仪表板，这些仪表板报告了过去的 KPI，但没有提供展望或帮助未来的维护计划。
标准普尔 500 指数的预测人工智能
这篇论文（本科）由达特茅斯计算机科学数字共享中心免费开放给您。它已被达特茅斯数字共享中心的授权管理员接受并纳入计算机科学高级论文。如需更多信息，请联系 dartmouthdigitalcommons@groups.dartmouth.edu。
预测正义：利用人工智能实现正义
预测性司法领域的进步为司法行政的有效运作带来了诸多好处。部署预测算法模型可以推动法官将自己的判决与过去的判决保持一致，从而提供法律确定性。除了标准化法律规则的应用之外，它还可以让利益相关者在审理案件之前做出明智的决定，鼓励快速处理案件、量刑参考、庭外和解，并优先处理可能违法的案件。挑战在于建立一种尊重公平程序并照顾到受此自动化司法系统影响的人的担忧的机制。这需要以强有力的政策形式制定行动框架，该政策界定法院预测性司法的范围并制定必要的保障措施。中央政府通过司法部和司法机构共同努力进行司法改革，应制定渐进的政策措施来实现预测性司法。
DeepGo：预测定向灰盒模糊测试
在本文中，我们提出了一个预测定向灰盒模糊测试器 DeepGo，它可以结合历史和预测信息来引导 DGF 通过最佳路径到达目标站点。我们首先提出路径转换模型，该模型将 DGF 建模为通过特定路径转换序列到达目标站点的过程。突变产生的新种子将导致路径转换，而高奖励路径转换序列对应的路径表示通过它到达目标站点的可能性很高。然后，为了预测路径转换和相应的奖励，我们使用深度神经网络构建虚拟集成环境 (VEE)，它逐渐模仿路径转换模型并预测尚未采取的路径转换的奖励。为了确定最佳路径，我们开发了一个强化学习模糊测试 (RLF) 模型来生成具有最高序列奖励的转换序列。RLF 模型可以结合历史和预测的路径转换来生成最佳路径转换序列，以及指导模糊测试突变策略的策略。最后，为了练习高奖励路径转换序列，我们提出了行动组的概念，全面优化模糊测试的关键步骤，实现高效到达目标的最优路径。我们在 2 个基准测试套件（共 25 个程序，100 个目标站点）上对 DeepGo 进行了测试。实验结果表明，与 AFLGo、BEACON、WindRanger 和 ParmeSan 相比，DeepGo 在到达目标站点方面分别实现了 3.23 倍、1.72 倍、1.81 倍和 4.83 倍的加速比，在暴露已知漏洞方面分别实现了 2.61 倍、3.32 倍、2.43 倍和 2.53 倍的加速比。
