XiaoMi-AI文件搜索系统
World File Search SystemRUDIN
多资产策略和资产配置
Alexander Rudin：我们将系统化的多资产策略视为“连贯的理念组合”。换句话说，我们的目标是创建多元化且自洽的策略。多元化至关重要，因为没有任何一种灵丹妙药能够永远奏效。一套理念，如果结合起来运用，通常会产生更好的投资结果。我们也努力使我们的策略“连贯”。这意味着资产类别在结构上是相互关联的，我们希望将这些联系融入我们的模型中。信用利差和股票就是一个很好的例子：它们都代表了市场对公司盈利的看法，并且都主要受市场风险情绪的驱动。因此，我们力求对股票和信用利差使用类似的情绪指标。既然我们在讨论投资理念，那么还有两个原则值得一提。第一，我们强烈倾向于清晰的经济逻辑支持的信号，而不是经验发现的信号。第二，我们重视简单性而非复杂性；每增加一个复杂程度，都必须以可衡量的业绩提升来证明其合理性。原因在于，在多元资产策略领域，我们不会投资单只证券，而且交易通常持续数月。这使得我们可用的数据量相当小。如果我们仅仅从数据入手，或者让模型过于复杂，我们不可避免地会过度拟合数据，并“发现”一些实际上并不存在的东西。
人工智能在神经外科领域的作用不断演变
参考文献 [1] Litjens, G., Et Al. (2017)。“医学图像分析中的深度学习调查。”医学图像分析，42，60-88。 [2] Esteva, A., Et Al. (2021)。“深度学习支持的医学计算机视觉。”自然生物医学工程，5(6)，541-551。 [3] Haidegger, T. (2021)。“人工智能驱动的机器人手术：趋势、进步和挑战。”IEEE 生物医学工程评论，14，27-45。 [4] Ferguson, S., Et Al. (2019)。“用于预测神经外科术后并发症的机器学习模型。”神经外科评论，43(4)，891-900。 [5] Bricault, I., Et Al. (2021)。 “人工智能驱动的机器人神经外科手术：技术和临床结果。”《神经外科杂志》，135(2)，543-553。[6] Shen, D. 等人（2019 年）。“医疗保健中的人工智能：个性化和精准医疗。”《自然医学》，25(1)，44-56。[7] Senders, JT 等人（2018 年）。“神经外科中的机器学习：一项全球调查。”《神经外科评论》，41(3)，585-594。[8] Senders, JT 等人（2020 年）。“用于神经外科结果预测的人工智能。”《柳叶刀数字健康》，2(7)，E352-E361。[9] Topol, EJ（2019 年）。“高性能医疗：人类与人工智能的融合。” Nature Medicine，25(1)，44-56。[10] Rudin，C.（2019）。“停止解释高风险决策的黑箱机器学习模型，并使用可解释的
卡尔·皮乔塔
2024 Justin Jee * , Christopher Fong * , Karl Pichotta * , Thinh Ngoc Tran * , Anisha Luthra * , Michele Waters, Chenlian Fu, Mirella Altoe, Si-Yang Liu, Steven B Maron, Mehnaj Ahmed, Susie Kim, Mono Pirun, Walid K de Brula, Jamie Artika, Ben-Kin, Artika s, Brooke Mastrogiacomo, Tyler J Aprati, David Liu, JianJiong Gao, Marzia Capelletti, Kelly Pekala, Lisa Loudon, Maria Perry, Chaitanya Bandlamudi, Mark Donoghue, Baby Anusha Satravada, Axel Martin, Ronglai Shen, Yuan Chen, A Rose Brannon, Jason Braun, Lion, Anton, Sorton, Anton m, Pablo Sanchez- Vela, Clare Wilhelm, Mark Robson, Howard Scher, Marc Ladanyi, Jorge S Reis-Filho, David B Solit, David R Jones, Daniel Gomez, Helena Yu, Debyani Chakravarty, Rona Yaeger, Wassim Abida, Wungki Park, Eileen M O'Reilly, Julio-Aguilar, Nicholas-V, Sanchez-V. Zhang, Peter D Stetson, Ross Levine, Charles M Rudin, Michael F Berger, Sohrab P Shah, Deborah Schrag, Pedram Razavi, Kenneth L Kehl, Bob T Li, Gregory J Riely, Nikolaus Schultz.自动化的真实世界数据集成改善了癌症结果预测。自然 。 2024年。
Michael Anis Mihdi Afnan、Cynthia Rudin、Vincent Conitzer、Julian Savulescu、Abhishek Mishra、Yanhe Liu 和 Masoud Afnan。2021. 人工智能在体外受精中选择胚胎的伦理实施。2021 年 AAAI/ACM 人工智能、伦理和社会会议 (AIES '21) 论文集，2021 年 5 月 19-21 日，美国虚拟活动。ACM，美国纽约州纽约，11 页。https://doi.org/10.1145/3461702.3462589
体外受精 (IVF) 是一种彻底改变不孕症治疗的临床技术。该过程包括在实验室中使卵子受精，然后将产生的胚胎移植到子宫中。自然受精和受孕是一种低效的过程，任何特定胚胎活产的几率都很低。自然和医学治疗的解决方案是创造多个胚胎，以便最终可能有一个胚胎着床。在自然界中，成本是怀孕时间，如果没有胚胎着床，则需要承受无子女的痛苦。在临床实践中，成本还以美元来衡量。为了提高临床实践的效率，人们非常重视选择最有可能着床的胚胎。实验室最近的一项创新是几天内对培养中的胚胎进行延时成像。这产生了数千个视觉数据点，并有望通过基于人工智能 (AI) 的模型增强胚胎选择过程。在本文中，我们概述了 IVF 过程，回顾了目前使用人工智能进行胚胎选择的方法，讨论了在此特定领域使用人工智能的伦理问题，并提出了有关这项新技术的伦理实施建议。最后，我们鼓励人工智能研究人员与生育临床医生合作，以有意义且合乎道德的方式推进这项研究。
个人战略规划： - 战略俱乐部
我们都曾有过这样的经历：在大学（或高中）毕业之际，我们作为学生试图决定什么才是我们人生中最好的前进方向。个人和组织在很多方面都很相似。每个人都有竞争对手，每个人都应该为未来做好计划。每个个人和组织都面临着一些外部机遇和威胁，一些内部优势和劣势，并到达了人生的关键分叉路口。个人和组织都设定目标并分配资源。这些和其他相似之处使个人能够使用企业实际使用的许多战略管理概念和工具。当一个人即将完成大学学位并开始面试工作时，战略规划可能尤为重要。战略分析和选择旨在确定最能使个人实现其愿景、使命和目标的替代行动方案。一个人的战略、目标、愿景和使命，加上他们关键的外部和内部（个人）因素，为制定和评估可行的替代战略提供了基础。这种系统化的方法是避免危机的最佳方法。鲁丁定律指出：“当危机迫使人们在各种选择中做出选择时，大多数人都会选择最糟糕的一种。” SAM Advanced Management Journal 上发表的两篇早期文章暗示，个人需要进行正式、深思熟虑的战略规划，因为这与自己的生活和事业有关。Avedisian (1984) 解释说，开始个人规划永远不会太早；这种规划应该持续进行，并且应该重新审视计划
18 岁以上的成年人
1. Flublok。处方信息。Protein Sciences Corporation。2. Fluarix。处方信息。GlaxoSmithKine。3. Flucelvax。处方信息。Seqirus Inc。4. Dunkle LM、Izikson R、Patriarca P 等人；PSC12 研究团队。重组流感疫苗对 50 岁或以上成人的疗效。N Engl J Med。2017；376(25):2427-2436。doi:10.1056/NEJMoa1608862 5. Grohskopf LA、Blanton LH、Ferdinands JM、Chung JR、Broder KR、Talbot HK。使用疫苗预防和控制季节性流感：免疫实践咨询委员会的建议——美国，2023-24 流感季节。 MMWR Recomm Rep 。2023；72 (No. RR-2)：1–25。doi:10.15585/mmwr.rr7101a1 6. Arunachalam AB、Post P、Rudin D。重组血凝素流感疫苗的独特特征会影响疫苗性能。NPJ 疫苗。2021；6：144。doi:10.1038/s41541-021-00403-7 7. 疾病控制与预防中心。流感疫苗——美国，2023-24 流感季节。 2023 年 8 月 24 日。2024 年 6 月 5 日访问。https://www.cdc.gov/flu/professionals/acip/2022-2023/acip-table.htm 8. Liu F、Gross FL、Joshi S 等人。重组或细胞培养流感疫苗与鸡蛋流感疫苗重复接种后从鸡蛋适应表位重定向抗体反应。自然通讯。2024；15(1):254。doi:10.1038/s41467-023-44551-x 9. Treanor JJ、El Sahly H、King J 等人。三价重组血凝素蛋白疫苗（Flublok ® ）对健康成人流感的保护作用：一项随机、安慰剂对照试验。疫苗。 2011;29(44):7733-7739。doi:10.1016/ j.vaccine.2011.07.128 10. Hsiao A、Yee A、Fireman B、Hansen J、Lewis N、Klein NP。65 岁以下成人的重组或标准剂量流感疫苗。N Engl J Med。2023；389:2245-2255。doi:10.1056/NEJMoa2302099 11. Sanofi Pasteur Inc. 存档数据。12. 疾病控制与预防中心。2018-2019 年流感相关疾病估计数。 2021 年 9 月 29 日。2024 年 6 月 5 日访问。https://archive.cdc.gov/#/details?url=https://www.cdc.gov/flu/about/burden/2018-2019.html 13. 加州公共卫生部。2018-2019 季节流感监测报告。2019 年 12 月。2024 年 6 月 5 日访问。https://www.cdph.ca.gov/Programs/CID/DCDC/CDPH%20Document%20Library/Immunization/Annual2018-19.pdf 14. 加州公共卫生部。2019-2020 季节流感监测报告。 2021 年 6 月。2024 年 6 月 5 日访问。https://www.cdph.ca.gov/Programs/CID/DCDC/CDPH%20Document%20Library/Immunization/Annual2019-20_FluReport.pdf 15. Zimmerman RK、Nowalk MP、Dauer K 等人。使用回顾性检测阴性设计评估重组和标准剂量流感疫苗对流感相关住院的疫苗有效性。疫苗。2023；41：5134-5140。doi:10.1016/j.vaccine.2023.06.056 16. Rhodes RT。选择流感疫苗。BioSupply Trends Quarterly。2013 年 7 月。2024 年 6 月 5 日访问。https://www.bstquarterly。com/Assets/downloads/BSTQ/Articles/ BSTQ_2013-07_AR_Choosing-Influenza-Vaccines.pdf 17. 疾病控制与预防中心。流感疫苗安全性与怀孕。2024 年 9 月。2024 年 10 月 14 日访问。https://www.cdc.gov/flu/vaccine-safety/vaccine-pregnant.html
ERBB2 扩增或突变的肺癌中 HER2 介导的细胞毒药物内化
标题：ERBB2 扩增或突变型肺癌中 HER2 介导的细胞毒药物内化 标题：抗 HER2 ADC 在肺癌中的抗肿瘤活性 Bob T. Li 1,13#* 、Flavia Michelini 2,3#* 、Sandra Misale 4#* 、Emiliano Cocco 3 、Laura Baldino 2,3 、Yanyan Cai 2,3 、Sophie Shifman 3 、Hai-Yan Tu 1,5 、Mackenzie L. Myers 1 、Chongrui Xu 1,5 、Marissa Mattar 4,6 、Inna Khodos 4,6 、Megan Little 4,6 、Besnik Qeriqi 4,6 、Gregory Weitsman 7 、Clare J. Wilhem 1 、Alshad S. Lalani 8 、Irmina Diala 8 、Rachel A. Freedman 9 、 Nancy U. Lin 9 、 David B. Solit 1,3,11,13 、 Michael F. Berger 2,3,11 、 Paul R. Barber 7,12 、 Tony Ng 7,12 、 Michael Offin 1,13 、 James M. Isbell 10,13 、 David R. Jones 10,13 、 Helena A. Yu 1,13 、 Sheeno Thyparambil 14 、廖伟丽 14 、Anuja Bhalkikar 14 、Fabiola Cecchi 15 、David M. Hyman 1,13 、Jason S. Lewis 13,16,17 、Darren J. Buonocore 2 、Alan L. Ho 1,13 、Vicky Makker 1,13 、Jorge S. Reis-Filho 2,3 , 佩德拉姆Razavi 1,13、Maria E. Arcila 2、Mark G. Kris 1,13、John T. Poirier 1,4、Ronglai Shen 18、Junji Tsurutani 19、Gary A. Ulaner 4,13,14、Elisa de Stanchina 4,6、Neal Rosen 4,20、Charles M. Rudin 1,13 和毛里齐奥·斯卡尔特里蒂 2,3,20* 。 1 美国纽约州纽约市纪念斯隆凯特琳癌症中心医学系 2 美国纽约州纽约市纪念斯隆凯特琳癌症中心病理学系 3 美国纽约州纽约市纪念斯隆凯特琳癌症中心人类肿瘤学和发病机制项目 4 美国纽约州纽约市纪念斯隆凯特琳癌症中心分子药理学项目 5 中国广州广东省人民医院、广东省医学科学院广东省肺癌研究所 6 美国纽约州纽约市纪念斯隆凯特琳癌症中心抗肿瘤评估核心设施 7 英国伦敦国王学院 Richard Dimbleby 癌症研究系 8 美国加利福尼亚州洛杉矶 Wilshire Blvd 10880 Puma Biotechnology 90024 美国波士顿丹娜—法伯癌症研究所肿瘤内科系 10美国纽约州约克 11 美国纽约州纽约市纪念斯隆凯特琳癌症中心分子肿瘤学中心 12 英国伦敦大学学院保罗奥戈曼大楼伦敦大学学院癌症研究所 13 美国纽约州纽约市威尔康奈尔医学院 14 美国马里兰州罗克维尔 mProbe Inc 15 美国马里兰州盖瑟斯堡阿斯利康 16 美国纽约州纽约市纪念斯隆凯特琳癌症中心放射科 17 美国纽约州纽约市纪念斯隆凯特琳癌症中心放射化学和分子成像探针核心 18 美国纽约州纽约市纪念斯隆凯特琳癌症中心流行病学和生物统计学系 19 日本东京昭和大学肿瘤医学系高级癌症转化研究所 20 纽约纪念斯隆凯特琳癌症中心分子治疗中心纽约州约克
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：