XiaoMi-AI文件搜索系统
World File Search Systemautomated
缺乏自动化车辆的有意义的人类控制
引入自动驾驶系统（AD）提出了重要的监管和操作挑战，以确保混合交通环境中的安全和负责任的部署。尽管大量的学术工作和从业人员的努力，这些挑战仍保持开放，需要跨学科的观点融合。本文借鉴了最近的跨学科研讨会的见解，突出了广告部署的关键问题，包括法规和系统能力之间的错位，新兴事故类型以及驾驶员理解和培训中的差距。当前的法规努力与广告的发展能力保持同步，从而导致不清楚的问责制框架和安全措施不足。有意义的人类控制的概念被用作识别问题的基础。研讨会参与者同意，有意义的人类控制具有通过确保人类可以与广告充分互动并以确保清晰的故障安全和冗余机制的安全和负责任的方式进行设计来解决确定问题的重要作用。通过连续的驾驶员和车辆评估，动态安全认证以及监管机构和制造商之间的更牢固的沟通来提倡有意义的人类控制，以确保自动化车辆的安全和负责任的设计，调节和部署。实施这些动作将加强ADS监管，并有助于浏览自动驾驶系统的道德和操作复杂性。
公众对自动流动性的道德问题的看法
与社会更大的利益，这为社会层面的道德挑战铺平了道路。虽然在危险情况下一直关注单个AV的行为，但扩大AV的行为对整个运输系统的行为可能会对社会产生后果，而不仅仅是在AV中实施哪种道德准则[6]。外行依靠他们的直觉和社会认知结构，例如信任，价值一致性，情感和情境因素，以判断新的，复杂的技术的道德可接受性，而不是像专家这样的专家一样[7]。在这方面，人们越来越关注人工智能技术漏洞漏洞，数据秘密，同意和安全性的脆弱性。av并不是这种怀疑主义的例外。在可及性和公平性方面，公众对AV的影响有所增加。尽管如此，一项全面的分析表明，对自动运输的非区分含义的研究（例如对社会公平和公共卫生的影响）的研究相对较低[8]。另外，虽然驾驶员的需求和使用已经进行了大量研究，但脆弱的道路用户类别，例如行人，老年道路使用者，残疾人道路使用者，儿童，但被忽略了。目前的手稿报告了一项焦点小组研究的结果，该研究是作为H2020 Project Suaave的一部分（支持对自动化车辆的接受，2019-2022）的一部分，以理解公众对AV提出的道德问题的看法，针对不同的道路用户组，即不同的道路用户组，即驾驶员，行人，行人，行人和不适合使用）。
用于自动可再生能源资源评估和基础设施优化的 GIS 和 Gen-AI 驱动框架
随着全球转向可再生能源，最大限度地利用可再生资源和加强基础设施管理是传统方法难以成功处理的重要问题。本文提出了一种新方法，将地理信息系统 (GIS) 与生成人工智能 (Gen-AI) 相结合，以提高可再生能源系统的效率。此外，GIS 具有强大的地理问题分析工具，而 Gen-AI 则具有增强的能源率预测、适合能源生产的区域选择和设施控制功能。这些技术已被提议协同工作以解决一些复杂问题，例如确定场地的确切位置、随时估计能源生产量和控制实时能源需求。此外，它还用于预测和改进智能电网的维护以及正确配置，使其成为更有效、更环保的能源分配系统。该框架的应用包括许多 REN 领域，例如太阳能、风能、水力和生物能源，解决了种植损失、环境影响和不同的能源需求问题。通过解决这些紧迫的问题，GIS 与 Gen-AI 的集成为更可持续、更稳健的未来能源结构奠定了基础。
由机器学习驱动的端到端自动缓存攻击
信息或电磁发散。自1996年第一次出版关于时机攻击的首次出版物以来，这种称为侧道攻击的新一代攻击在很大程度上引起了研究界的关注[20]。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。 读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。 本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。 这些攻击是基于从CPU缓存内存泄漏的定时信息。 的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。 可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。 Tsunoo等人首先引入了缓存攻击。 在[35]中打破DES。 后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。 在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。 更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。 OpenSSL [27]是用于实现加密协议的开源工具包。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。这些攻击是基于从CPU缓存内存泄漏的定时信息。的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。缓存攻击。在[35]中打破DES。后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。OpenSSL [27]是用于实现加密协议的开源工具包。使用C实现的功能库通常用于实现安全套接字层和传输层安全协议，还用于启用OpenPGP和其他加密标准。
视觉变压器用于角膜共聚焦显微镜图像中糖尿病周围神经病的自动检测
糖尿病周围神经病（DPN）的早期检测和管理对于降低相关的发病率和死亡率至关重要。角膜共聚焦显微镜（CCM）促进了角膜神经的成像，以检测DPN的早期和进行性神经损伤。然而，它的更广泛的采用受到手动神经量化的主观性和时间密集型性质的限制。这项研究研究了CCM图像的二元分类，以区分健康对照和DPN个体的二元分类，研究了最先进的视觉变压器（VIT）模型的诊断实用性。还将VIT模型的性能与先前使用CCM图像用于DPN检测的卷积神经网络（CNN）进行了比较。使用大约700 ccm图像的数据集，VIT模型达到了0.99的AUC，灵敏度为98％，特定的92％，而F1得分为95％，超过了先前报道的方法。这些发现突出了VIT模型作为基于CCM的DPN诊断的可靠工具的潜力，从而消除了对耗时的手动图像分割的需求。此外，结果增强了CCM作为检测神经损伤的非侵入性和精确成像方式的价值，尤其是在神经病相关的疾病（例如DPN）中。
对比后 MRI 上原发性脑淋巴瘤自动分割的边界不规则损失
与其他脑肿瘤不同，关于原发性中枢神经系统 (CNS) 淋巴瘤的自动分割研究很少。这是一项具有挑战性的任务，因为肿瘤及其边界的模式高度多变。在这项工作中，我们提出了一种新的损失函数来控制边界不规则性，用于基于深度学习的原发性 CNS 淋巴瘤自动分割。我们引入了一种边界不规则损失，它基于分割和平滑版本的比较。边界不规则损失与之前提出的拓扑损失相结合，以更好地控制不同的连通分量。该方法是通用的，可以用于任何分割网络。我们研究了 99 名原发性 CNS 淋巴瘤患者。从一开始就分离出 40 名患者并形成独立测试集。分割是在对比后 T1 加权 MRI 上进行的。MRI 是在临床常规中获得的，并且高度异质。所提出的方法在各种评估指标上的表现都大大优于基线（Dice 分数高出 6 个百分点，Hausdorff 距离高出 40 毫米，平均表面距离高出 6 毫米）。然而，总体表现一般，突显出自动分割原发性中枢神经系统淋巴瘤是一项艰巨的任务，尤其是在处理临床常规 MRI 时。代码可在此处公开获取：https://github.com/rosanajurdi/LymphSeg 。
在城市运输系统中共享自动化电动汽车的治理：来自意愿调查和挪威文化背景的见解
自动化车辆（AV）可以提高安全性，减少拥堵并为城市运输系统提供环境效益。尽管如此，AV在城市运输系统中的治理具有挑战性。本文提出了一种新颖的跨学科方法，并为“政策”和“政治”维度的治理辩论做出了贡献。我们试图从挪威文化背景中获取见解，并愿意在挪威奥斯陆使用AV调查。然后，我们试图洞悉挪威奥斯陆地区的AV部署的可行治理方法。我们的结果表明，奥斯陆地区不到一半的人愿意使用AV。基于我们的分析洞察力，我们认为，一种可行的治理方法，可以使人们对隐私损失的恐惧，同时使人们感到安全，管理不确定性，对技术创新的悲观情绪，并应考虑曾经享有的挪威传统，以支持在挪威的AV部署。关键词：AV，治理，非正式机构，使用意愿，城市运输系统
使用自动slug-flow millireactor
本研究描述了一个自动化实验平台的开发，该平台旨在在Slug-Flow millireactors中使用使用的食用油（UCO）连续环氧化。该系统将UCOS转化为高价值的第二代橄榄石，采用加强过程，确保可重复性，高收率和增强的生产率。使用H 2 O 2作为氧化剂，Procetacic酸作为氧载体，通过Prilezhaev反应进行环氧化，而H 2 SO 4作为催化剂。不同的植物油，以评估不饱和含量和油性能对工艺性能的影响，发现粘度对反应器内的流体动力模式具有很高的影响，并且需要特定的工作条件与每个原料一起到达slug流。然后，使用UCO的初步实验产生了合适的工作条件，以确保适当的slug流动状态。发现，UCO中的高含量化合物对反应器的流体动力学产生了显着影响，因为这些成分会诱导与水相的coa病变。因此，UCO中的极性成分和水分的水平可以表明其在slug-flow反应器中进一步的环氧化的适用性以及预处理的必要性。随后，进行了实验性的单纯进化优化，以验证对黄氧烷基团> 80％的选择性，转化率高达86％，产生高达73％。最佳工作条件为77.4°C，H 2 O 2与油比为0.84：1，酸度与油比为0.32：1，停留时间为22.7分钟。在这些条件下，达到了82％的转化率，选择性为86％，生产率为0.75 kg o·m −3Åmin -min -1，并且相应的环氧化UCO的氧气氧含量为4.02 wt％。
使用大语言模型的自动分配分级
动机：通过任务为学生提供个性化的反馈是支持他们学习和发展的教育基石。研究表明，及时，高质量的反馈在改善学习成果中起着至关重要的作用。但是，由于需要大量的时间和精力，在大量学生的课程中提供个性化的反馈通常是不切实际的。自然语言处理和大型语言模型（LLM）的最新进展，通过有效地提供个性化反馈来提供有希望的解决方案。这些技术可以减少课程人员的工作量，同时提高学生满意度和学习成果。但是，他们的成功实施需要在真实的教室中进行彻底的评估和验证。结果：我们介绍了卢布尔雅那大学生物信息学课程的2024/25迭代中对基于LLM的地级者进行书面作业的实际评估结果。在整个学期的过程中，有100多名学生回答了36个基于文本的问题，其中大多数是使用LLMS自动分级的。在一项盲目的研究中，学生在不了解来源的情况下收到了LLM和人类教学助理的反馈，后来对反馈的质量进行了评价。我们对六个商业和开源LLM进行了系统的评估，并将其分级表现与人类助教进行了比较。我们的结果表明，通过精心设计的提示，LLM可以实现与人类分级相当的分级准确性和反馈质量。我们的结果还表明，开源LLMS的性能和商业LLM的性能，使学校可以在维持隐私的同时实施自己的分级系统。
