XiaoMi-AI文件搜索系统
World File Search SystemRepositories
材料通过机器学习形成能量
摘要材料信息学的萌芽领域与向人工智能转变以发现新的固态化合物。晶体学和计算数据存储库的稳定扩展为开发能够预测物理特性的数据驱动模型的阶段奠定了基础。机器学习方法，特别是已经显示出通过筛选晶体结构数据库识别具有与能量相关应用的近乎理想特性的材料的能力。但是，数据引导的发现的示例是全新的，从未报告过的化合物的示例。确定在合成中是否可以访问未知化合物的关键步骤是获得形成能并构建相关的凸壳。幸运的是，通过密度功能理论（DFT）数据存储库已广泛获得此信息，以至于它们可用于开发机器学习模型。在本综述中，我们讨论了开发能够预测形成能量的机器学习模型的特定设计选择，包括控制材料稳定性的热力学数量。我们研究了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的DFT稳定化合物和指导材料合成。为了扩展对合成固态化学家的机器学习模型的访问，我们还提出了Matlearn。此基于Web的应用程序旨在指导对可能包含热力学无机化合物的区域的组成图探索。最后，我们讨论了机器学习的地层能量的未来，并突出了提高预测能力的机会，从而综合了新的能源相关材料。
医学影像数据的特征选择、属性选择的重要性、挑战和未来方向：综述
摘要：在模式识别和机器学习领域，特征在预测中起着关键作用。特征的著名应用包括医学成像、图像分类等。随着医疗数据存储库和医疗服务提供中信息投资的指数级增长，医疗机构正在收集大量数据。这些数据存储库包含支持医疗诊断决策和提高患者护理质量所必需的详细信息。另一方面，这种增长也使得理解和利用数据用于各种目的变得困难。由于较大数据集中存在无关特征，成像数据的结果可能会出现偏差。特征选择提供了减少如此大数据集中组件数量的机会。通过选择技术，排除不重要的特征并选择产生普遍表征精度的组件子集。找到好属性的正确决定会产生精确的分组模型，从而提高学习速度和预测控制。本文回顾了医学成像的特征选择技术和属性选择措施。本综述旨在描述医学领域的特征选择技术及其优缺点，并指出其在图像数据和数据挖掘算法中的应用。本综述揭示了现有特征和属性选择技术对多源数据的缺点。此外，本综述还提出了特征选择对于正确分类医学感染的重要性。最后，提供了批判性分析和未来方向。
bloombase和委托保护存储基础架构对...
敏感的数据，包括结构化和非结构化，在本地存储系统和外部云存储服务中进行管理。其应用程序 - 透明和协议提供功能使其能够保护整个存储基础架构从本地，到虚拟化，大数据存储库和云存储服务。bloombase StoreSafe作为存储代理运行，在物理存储之前对数据进行加密，并仅在呈现给信任的应用程序和主机时即时将存储的密文的解密。该模式保证运行透明度和最大互操作性，同时确保未经授权的各方无法访问敏感信息而无需破坏加密。
GIS 和 LLPG 服务战略 - 塞尔比区议会
实施 LLPG 开发计划，该计划确定理事会的地址数据存储库，目的是通过以下方式将所有数据规范化为受控源：• 系统地审查所有地址保存系统，以确定地址标准和更新频率。• 了解并记录那些具有现有 LLPG 或 NLPG 集成的系统的更新和调整方法。• 确定使用地址数据的系统的所有者，作为实施标准和控制的重点。• 为这些系统所有者制定和发布标准和指南，确保地址数据捕获的一致性。• 支持“开放数据”原则
AIMMX：人工智能模型元数据提取器
尽管机器学习和人工智能 (AI) 模型为应用程序带来了强大的功能，但目前大部分 AI 开发都是一个相当临时的过程。软件工程和 AI 开发使用许多相同的语言和工具，但 AI 开发作为一种工程实践仍处于早期阶段。挖掘 AI 模型的软件存储库可以深入了解 AI 开发的当前状态。但是，模型周围的许多相关元数据无法直接从存储库轻松提取，需要推理或领域知识。本文介绍了一个名为 AIMMX 的库，可以简化从软件存储库中提取 AI 模型元数据的过程。提取器有五个模块用于提取特定于 AI 模型的元数据：模型名称、相关数据集、参考、使用的 AI 框架和模型域。我们根据来自三个来源的 7,998 个开源模型对 AIMMX 进行了评估：模型库、arXiv AI 论文和最先进的 AI 论文。我们的平台以 87% 的准确率和 83% 的召回率提取元数据。作为 AI 模型元数据提取如何使研究和工具能够推进对 AI 开发的工程支持的初步示例，本文对评估数据集中的模型进行了数据和方法可重复性的探索性分析，并提供了一个用于发现和管理模型的目录工具。我们的分析表明，虽然数据可重复性可能相对较差，样本中有 42% 的模型引用了它们的数据集，但方法可重复性在我们样本中的 72% 的模型中更为常见，尤其是最先进的模型。我们收集的模型可在目录中搜索，该目录使用现有元数据来启用高级发现功能，从而高效地查找模型。
生物多样性数据支持有关人类传染病的研究：全球趋势，挑战和机遇
大量生物多样性数据的前所未有的生成始终促进广泛的学科，包括疾病生态学。新兴的传染病通常是由多宿主病原体引起的人畜共患病。因此，他们的理解可能需要访问与生态学有关的生物多样性数据和所涉及物种的发生。尽管如此，尽管有多项数据模拟计划，但生物多样性数据用于研究疾病动态的研究尚未完全利用。为了探索当前的贡献，趋势和确定局限性，我们表征了与人类健康有关的科学出版物中的生物多样性数据使用，并以全球生物多样性信息设施（GBIF）与从其他来源获取数据的研究相比对比。我们发现，研究主要从科学文献和其他没有汇总或Stan的来源获得数据。大多数研究探索了病原体，尤其是具有GBIF介导的数据的病原体物种，倾向于探索和重用多种物种的数据（> 2）。数据源根据所涉及物种的分类单元和流行病学作用而变化。生物多样性数据存储库主要用于与宿主，水库和矢量有关的物种，几乎不用用作病原体数据的来源，这通常是从与人类和动物健康相关的机构中获得的。虽然GBIF和不是GBIF介导的数据研究都探讨了相似的疾病和主题，但它们却呈现出纪律偏见和不同的分析方法。对新兴传染病的研究可能需要访问多种物种的地理和生态数据。一个健康挑战需要跨学科的合作和数据共享，这是由汇总的存储库和平台促进的。应承认，加强和促进生物多样性数据对了解无效疾病动态的贡献。
ePRIME 手册 |北约的 ACT
以下部分介绍了 ePRIME 中介绍的北约合作计划的基本工作流程及其在软件中的实施。区分了基于事件的工作流程和基于文档的工作流程。事件及其支持文档（例如事件议程、反馈表等）存储在与文档库中列出的文档不同的部分。这两个文档存储库受不同的审批制度约束。在文档库中，存储了与欧洲大西洋伙伴关系相关的所有 NATO/EAPC/UNCLASSIFIED 官方文件。本章还介绍了在合作计划框架内发生的事件的反馈和审查流程，并概述了当前版本 ePRIME 中的邀请机制。
核设施人员培训的系统方法
在过去的十年中，机器呈现，分享和行动知识的能力大大增加了。这在知识存储库（例如Wikipedia）和搜索引擎无处不在的知识存储库中变得很明显，如今，这些信息提供了与用户查询有关的大量信息，远远超出了他们仅在万维网上搜索文档的最初目标。启用这种发展的技术通常被定义为“语义技术”。从知识管理的角度来看，值得研究这些能力，这些功能在公共领域中最为明显的组织（在组织范围更为严格的范围内），并将它们与管理核知识所遇到的特定任务联系起来。
美国本土以外国防部云战略
每项作战资产，包括作战人员本身，都是信息的潜在生产者和/或消费者。必须访问、分析和分发这些信息，以便以相关的速度做出数据驱动的决策。在战区有效运作需要在瞬态、动态且经常有争议的环境中持续访问数据源和生产者。OCONUS 用户面临的最大挑战是在拒绝、断开、间歇或受限 (D-DIL) 环境中访问和共享信息。这一挑战因依赖 CONUS 访问数据存储库、分析技术和人工智能/机器学习 (Al/ML) 进步而变得更加复杂，从而产生更精确、更有影响力的信息，从而促进更明智的决策。