XiaoMi-AI文件搜索系统
World File Search SystemPredictors
SCLC_CellMiner：基于基因组特征的小细胞肺癌细胞系的综合基因组学和治疗学预测因子
并且也可根据 CC0 许可使用。未经同行评审认证）是作者/资助者。本文是美国政府作品。根据 17 USC 105，它不受版权保护。此预印本的版权持有者（此版本于 2020 年 4 月 7 日发布。；https://doi.org/10.1101/2020.03.09.980623 doi：bioRxiv preprint
使用分支预测器预测脑机植入物中的大脑活动
植入式脑机接口的一个关键问题是它们需要极高的能效。降低能耗的一种方法是使用这些设备中嵌入的处理器提供的低功耗模式。我们提出了一种技术来预测感兴趣的神经元活动何时可能发生，以便处理器在这些时间以标称工作频率运行，否则置于低功耗模式。为了实现这一点，我们发现分支预测器也可以预测大脑活动。我们对清醒和麻醉的老鼠进行脑部手术，并评估几种分支预测器预测小脑神经元活动的能力。我们发现感知器分支预测器可以预测小脑活动，准确率高达 85%。因此，我们利用分支预测器来指示何时在低功耗和正常操作模式之间转换，节省高达 59% 的处理器能量。
脑电图——隐蔽警觉注意力的预测因素
许多工作环境，特别是在安全关键环境中，需要人类操作员持续而持续的关注。这些任务的单调性经常导致一时注意力不集中，从而导致错误并造成严重后果。脑机接口 (BCI) 提供了对用户心理状态的强大洞察力和额外的信息渠道，可由能够动态适应用户情绪或状态的设备利用 [Blankertz 等人，2010]。一些研究已经证明，在使用中央凹刺激的注意力任务中，大脑活动携带着预示行为反应结果的信息 [Eichele 等人，2010；O'Connell 等人，2009]。本研究旨在获得隐蔽警觉注意力任务中的类似结果，该任务更接近模拟现实世界环境，其中罕见的关键刺激可能出现在视野的边缘。
基于人工智能的软件缺陷预测器：案例研究中的应用和优势
Ayse Tosun 1、Ayse Bener 2、Resat Kale 3 1,2 博阿齐奇大学计算机工程系软件研究实验室（SoftLab），邮编 34342，伊斯坦布尔，土耳其 3 Turkcell 技术公司，盖布泽，伊斯坦布尔，土耳其 1 ayse.tosun@boun.edu.tr，2 bener@boun.edu.tr，3 resat.kale@turkcellteknoloji.com.tr 摘要 软件缺陷预测旨在通过引导测试人员完成软件系统中易出现缺陷的部分来减少软件测试工作量。缺陷预测器被广泛用于组织中以预测缺陷，从而节省时间和精力，作为手动代码审查等其他技术的替代方案。在现实环境中应用缺陷预测模型很困难，因为它需要来自过去项目的软件度量和缺陷数据来预测新项目的缺陷倾向。另一方面，它非常实用，因为它易于应用，可以用更少的时间检测出缺陷并减少测试工作量。我们在一年的时间内为一家电信公司建立了一个基于学习的缺陷预测模型。在这项研究中，我们简要解释了我们的模型，展示了它的收益并描述了我们如何在公司中实施该模型。此外，我们将我们的模型的性能与试点项目中应用的另一种测试策略的性能进行了比较，该项目实施了一种名为团队软件流程 (TSP) 的新流程。我们的结果表明，缺陷预测器可用作新流程实施过程中的支持工具，预测 75% 的代码缺陷，并减少测试时间，而通过代码审查和正式检查表等更耗费劳动力的策略检测到的代码缺陷率为 25%。