XiaoMi-AI文件搜索系统
World File Search SystemVaDE
基于变分深度嵌入的主动学习用于肺炎诊断
机器学习的工作原理与人类训练大脑的方式类似。一般来说，先前的经验通过激发大脑中的特定神经细胞并增加它们之间的链接权重来为大脑做好准备。机器学习还通过对训练集进行训练，不断改变模型中的权重来完成分类任务。它可以进行大量的训练，并在特定领域实现比人脑更高的识别准确率。在本文中，我们提出了一种主动学习框架，称为基于变分深度嵌入的主动学习 (VaDEAL)，作为一种以人为中心的计算方法，以提高诊断肺炎的准确性。由于主动学习 (AL) 通过标记最有价值的查询来实现标签高效学习，我们提出了一种新的 AL 策略，该策略结合了聚类来提高采样质量。我们的框架由 VaDE 模块、任务学习器和采样计算器组成。首先，VaDE 对整个数据集执行无监督的维度减少和聚类。端到端任务学习器在训练模型的目标分类器的同时，获取 VaDE 处理样本的嵌入表示。采样计算器将通过 VaDE 计算样本的代表性，通过任务学习计算样本的不确定性，并通过计算当前样本和先前样本之间的相似性约束来确保样本的整体多样性。通过我们新颖的设计，不确定性、代表性和多样性分数的组合使我们能够选择最具信息量的样本进行标记，从而提高整体性能。通过在大型数据集上进行的大量实验和评估，我们证明了我们提出的方法优于最先进的方法，并且在肺炎诊断中具有最高的准确率。
潜在产出估计及其在欧盟财政政策监督中的作用
1997 年，《马斯特里赫特条约》以名义预算平衡的形式表达了财政框架的主要参考价值：GDP 的 3% 的门槛被设定为最高赤字 2 。当 2005 年首次修订 SGP 时，重点放在一个不那么僵化的指标上，可以考虑到经济在周期中的周期性位置：这个指标就是结构性预算平衡 3 ，而中期要达到的财政目标 (MTO) 是 1 1466/97 和 1467/97 条例 ，并辅以指导方针（包括稳定与增长公约行为准则、SGP 指南和理事会指导方针和规范）。 2 根据欧洲央行的说法，它“自 1998 年 SGP 生效以来，似乎已成为许多成员国财政政策的指南”。 3 委员会采用两步法计算：预算的周期性部分计算为产出缺口与所谓的“半弹性参数”的乘积，该参数反映了预算对 GDP 周期性变化的反应；然后从实际预算中减去这一部分。此计算中使用的潜在产出是根据“生产函数”估算的（见附件 2）。
智能手机应用程序的自动化 Concolic 测试
1. 简介 具有先进计算能力和连接能力的移动设备（如智能手机和平板电脑）正变得越来越普遍。与此同时，在这些设备上运行的专用程序（称为应用程序）的开发和采用也呈激增态势。应用程序几乎渗透到从休闲到关键任务的所有活动中。因此，在应用程序生命周期的所有阶段（包括开发、测试、审计和部署）对软件质量工具的需求日益增长。应用程序具有许多使静态分析具有挑战性的特性：庞大的软件开发工具包 (SDK)、异步、进程间通信、数据库和图形用户界面 (GUI)。因此，许多现有的应用程序分析方法都是基于动态分析（例如 [7、9、10]）。任何动态分析有效性的核心问题是如何获得相关的程序输入。应用程序最不可分割和最常规的输入是事件。设备触摸屏上的点击、设备键盘上的按键和短信都是事件的实例。本文介绍了一种算法和系统，用于生成用于锻炼应用程序的输入事件。应用程序可以（实际上通常确实如此）拥有除事件之外的输入，例如磁盘上的文件和安全的 Web 内容。我们的工作与提供此类输入的方法正交且互补。应用程序是一类程序的实例，我们称之为事件驱动程序：程序 em
智能手机应用程序的自动化 Concolic 测试
1. 简介 具有先进计算能力和连接能力的移动设备（如智能手机和平板电脑）正变得越来越普遍。与此同时，在这些设备上运行的专用程序（称为应用程序）的开发和采用也呈激增态势。应用程序几乎渗透到从休闲到关键任务的所有活动中。因此，在应用程序生命周期的所有阶段（包括开发、测试、审计和部署）对软件质量工具的需求日益增长。应用程序具有许多使静态分析具有挑战性的特性：庞大的软件开发工具包 (SDK)、异步、进程间通信、数据库和图形用户界面 (GUI)。因此，许多现有的应用程序分析方法都是基于动态分析（例如 [7、9、10]）。任何动态分析有效性的核心问题是如何获得相关的程序输入。应用程序最不可分割和最常规的输入是事件。设备触摸屏上的点击、设备键盘上的按键和短信都是事件的实例。本文介绍了一种算法和系统，用于生成用于锻炼应用程序的输入事件。应用程序可以（实际上通常确实如此）拥有除事件之外的输入，例如磁盘上的文件和安全的 Web 内容。我们的工作与提供此类输入的方法正交且互补。应用程序是一类程序的实例，我们称之为事件驱动程序：程序 em
智能手机应用程序的自动化 Concolic 测试
1. 简介 具有先进计算能力和连接能力的移动设备（如智能手机和平板电脑）正变得越来越普遍。与此同时，在这些设备上运行的专用程序（称为应用程序）的开发和采用也呈激增态势。应用程序几乎渗透到从休闲到关键任务的所有活动中。因此，在应用程序生命周期的所有阶段（包括开发、测试、审计和部署）对软件质量工具的需求日益增长。应用程序具有许多使静态分析具有挑战性的特性：庞大的软件开发工具包 (SDK)、异步、进程间通信、数据库和图形用户界面 (GUI)。因此，许多现有的应用程序分析方法都是基于动态分析（例如 [7、9、10]）。任何动态分析有效性的核心问题是如何获得相关的程序输入。应用程序最不可分割和最常规的输入是事件。设备触摸屏上的点击、设备键盘上的按键和短信都是事件的实例。本文介绍了一种算法和系统，用于生成用于锻炼应用程序的输入事件。应用程序可以（实际上通常确实如此）拥有除事件之外的输入，例如磁盘上的文件和安全的 Web 内容。我们的工作与提供此类输入的方法正交且互补。应用程序是一类程序的实例，我们称之为事件驱动程序：程序 em