XiaoMi-AI文件搜索系统
World File Search Systemcertain
不确定性的野心：探索政策制定者对净零医疗保健途径的看法
摘要背景：超过80个国家已经签署了COP26 Health Programme（世界卫生组织（WHO）领导的关于气候变化和健康的计划，其中45个国家已承诺在2050年之前达到净零排放。减少医疗保健的碳足迹的努力提高了高效和公平资源分配的概念，道德和实践挑战。这项研究调查了领导国家净零医疗保健策略的发展和实施的公务员如何概念化卫生系统削减排放和描述潜在权衡的责任。方法：我们在2022年9月至2023年5月在公务员领导国家净零医疗保健策略之间进行了11个在线，半结构化定性研究访谈。访谈指南探讨了三个主要领域：排放，优先设定和国际观点的责任。使用Malterud的系统文本凝结（STC）对访谈进行了编码和分析。结果：出现了四个主要主题：采取行动，领导，治理和优先级的义务。参与者描述，医疗保健系统应对其整个碳足迹负责，包括在国家边界以外造成的危害。我们还发现了协同，多阶段健康领导力（临床，公务员和政治）的迹象，以加速零零医疗保健议程。参与者通常拒绝在减少排放和患者护理的努力之间直接“交易”的概念，强调净零医疗保健可以更广泛地利用社会健康改善的方式。这些经验发现为新兴文献提供了探讨卫生系统应如何解释其环境影响的文献。结论：我们的发现强调了为如何到达目的地提供零净医疗保健和不确定性的野心的诚意。进一步表征了决策者和权衡取舍的政策制定者在通往净零医疗保健系统的道路上的类型，包括如何克服这些系统的示例，可以帮助将气候问题整合到医疗保健决策和资源分配过程中。关键字：气候变化，净零，优先设置，权衡权衡，可持续医疗保健版权：©2025作者；由科尔曼医学科学大学出版。这是根据Creative Commons归因许可条款（https://creativecommons.org/licenses/ by/4.0）分发的开放式文章，该文章允许在任何媒介中不受限制地使用，分发和再现，前提是适当地引用了原始工作。引用：Bhopal A，BærøeK，Norheim。野心不确定性：探索政策制定者对净零医疗保健途径的看法。国际卫生政策管理。2025; 14：8440。 doi：10.34172/ijhpm.8440
贝叶斯因果图和不确定性定量中的实习和博士位置 - 应用于同步线的光线上的异常检测
DALLIAE项目旨在提出一种基于因果（贝叶斯）图[4，5]的通用方法，以检测光束线实验期间的异常及其可解释性。在因果图中，我们将特别关注定向的无环图（DAG）[1]。目标是引入层次因果图，并利用替代因果模型的概念来识别最相关的简单（单参数）和关节（Pa-Rameter组合）因果关系，这些因果链接表征了异常原因的原因。这种方法是必不可少的，这是由于仪器的多尺度性质和完整的梁线，这需要对不同尺度上的因果关系有细微的理解。我们还将专注于量化与已确定的因果链接相关的不确定性，以确保其相关性。由于各种工具，参数[1，3]，在实验[2]中的修改，关节效应的组合数量以及数据中异常代表性不足，因此对因果关系的搜索更加困难。在实践中，此方法将限制主要X射线或激光器仪器的操作异常的影响，以了解光束特性与光束线光学元件的物理参数之间的联系。可以随着时间的推移观察到突然的或慢的异常/变化，例如聚焦畸变直接影响测量的质量和速度。尽管AI文献中有许多异常检测方法，但它们通常基于相关性，这在传达因果关系方面无效。因此，理解和征询这些故障的原因以及与最佳测量链性能的偏差对于快速响应和梁线或激光器操作的最大可靠性至关重要。因此，该项目的目的是根据因果图提出可解释的AI，以支持光束线操作员和科学家。任务是开发基于因果关系的模型来确定涉及异常的传感器参数。该方法将补充在合适的时间范围内进行纠正措施的诊断工具。因此，可以将工作分为以下任务：
基于规则的AI系统，用于使用向后链接和确定性因素诊断的早期小儿糖尿病
摘要。糖尿病（DM）是一个主要的健康威胁，如果不进行早期诊断和治疗，可能会引起并发症，130万名6-18岁的儿童或印度尼西亚儿童人口的约1.1％受这种疾病的影响。此外，儿童中1型糖尿病的发生率在印度尼西亚正在上升，但由于误诊率高，我们没有准确的数字。这项研究的目的是开发一种基于人工智能（AI）的专家系统，用于使用向后链接和确定性因子方法早期诊断1型小儿1型DM。向后链接是一种以假设开头的推理方法，然后有确定性因子方法可以通过从每个症状中计算出的值来确定性。基于2017 - 2021年全国糖尿病审计，该系统处理临床数据，例如HBA1C水平和症状。测试显示，与患者进行10次验证测试的准确诊断约为79.2％，并在资源不足的地区有助于医疗保健。未来的工作包括扩展数据集并集成机器学习以提高适应性。
![硕士论文：[5PT]不确定性下的系统发育树](/simg/d/db4477761378fc73703bd215d70277f41393bb3d.webp)
硕士论文：[5PT]不确定性下的系统发育树
系统发育树是一个分支图，代表基于物理或遗传相似性和差异的物种或分类单元之间的进化关系。它说明了他们共同的进化史和祖先的共同历史，在地球上所有生命在理论上都是单个系统发育树的一部分。计算系统发育学使用算法来确定这些关系的最准确表示。在数学优化的语言中，系统发育树是一棵所谓的施泰纳树（第三级）。尽管史坦纳树在文献中得到了很好的研究，但理论上很难（NP-hard）和实践。在本论文中，我们专注于建造施泰纳树。以瑞士数学家Jakob Steiner命名的Steiner树问题是组合优化问题，也是对最小跨越树的概括。最小跨越的树将图中的所有节点连接到最小的边缘长度总和最小的树中。相比之下，斯坦纳树可能包括预定义集合中的其他节点，以进一步最大程度地减少整个网络长度，从而使选择最佳施泰纳点具有挑战性。对于系统发育树，这种施泰纳指向进化史上的祖先。由于进化史受到不利影响的影响，因此也需要考虑后者。硕士论文的第一部分是关于系统发育和施泰纳树的文献的摘要。论文应该从应进一步发展的现有算法思想开始。主要贡献应该是通过利用贝叶斯方法在不确定性下优化植物树的算法的开发和实施。该论文主题来自与地理Nordbayern（FAU）的合作。
从核心到认知：探索人工智能中的不确定性量化技术
索引术语 - 不确定性量化，人工智能，态度和认识论不确定性，深度学习模型，高风险应用，评估基准摘要 - 不确定性量化（UQ）是人工智能系统的关键方面，尤其是在高级技术中，尤其是诸如健康状况，诸如Nearthancianal-neveral-sarke and Navtial-sarke，诸如健康状况，以及自定义的医疗服务，过程必须考虑不确定性。本综述探讨了AI中不确定性量化技术的演变，区分了核心和认知不确定性，并讨论了用于量化这些不确定性的数学障碍和方法。我们提供了先进技术的概述，包括概率方法，集合学习，基于抽样的方法和生成模型，同时还强调了整合域特异性知识的混合方法。此外，我们研究了UQ在各种领域的各种应用，强调了其对决策，预测准确性和系统鲁棒性的影响。该评论还解决了关键挑战，例如可扩展性，效率和与可解释的AI的整合，并概述了在这个快速发展的领域的未来研究方向。通过这项全面的调查，我们旨在更深入地了解UQ在增强AI系统的可靠性，安全性和可信度方面的作用。
联合气候重建中的不确定性定量的可耦合过程建模
摘要AnyExperimentWithClimateModeModeliesReliesonapentiallyLargesetofSpatio-temorporalBundaryConditions。这些可以代表系统的初始状态和/或强迫在整个实验过程中驱动模型输出。这些边界条件通常是使用气候建模研究中的可用重建固定的；但是，实际上，它们是高度不确定的，不确定性是未量化的，并且对实验产出的影响可能相当大。我们对这些不确定性的有效量化结合了来自多个模型和观察结果的相关数据。从Coex-RangeAbility模型开始，我们开发了一个可共交易的过程模型，以捕获变量的多个相关的时空场。我们证明，对此表示中的参数的进一步交换性判断会导致层次模型的贝叶斯线性类比。我们使用该框架在最后的冰川最大值（23-19 kya）下提供海面温度和海冰浓度边界条件的联合重建，并使用它使用著名的冰耦合大气层和冰形模型来强制冰盖模拟集合。我们证明，鉴于我们的不确定性，这些实验中通常使用的现有边界条件是令人难以置信的，并证明了对冰盖模拟使用更合理的边界条件的影响。本文的补充材料可在线获得，包括对可再现工作的材料的标准化描述。
慢性浪费疾病的溢出准备和反应：绘制不确定的未来
需要一种多学科的方法来评估CWD和Prion疾病科学，监视和管理的现状。这需要确定溢出准备的差距，并提出了提高公共和动物健康机构反应能力的建议。传染病研究与政策中心（CIDRAP）确定了CWD预防和控制中的五个关键领域：人类健康，子宫颈和生产动物健康，病毒生物学和疾病诊断，尸体和受污染的物品处置以及环境以及环境以及野生动植物健康与管理。cidrap召集了五个工作组，每个工作组由两个联合主席领导，他们是各自领域的杰出专家，由57位其他主题专家组成。在本报告中，我们从工作组会议中传达了输出，并按主题领域总结了关键发现。
使用稳定的自适应弯曲器分解
a Department of Industrial Economics and Technology Management, Norwegian University of Science and Technology, Høgskoleringen 1, 7491, Trondheim, Norway b School of Mathematical Sciences, University of Southampton, Building 54, Highfield Campus, Southampton, SO14 3ZH, United Kingdom c Department of Chemical Engineering, Carnegie Mellon University, 5000 Forbes Avenue, Pittsburgh,美国爱丁堡大学数学学院PA 15213，詹姆斯·克莱克·麦克斯韦（James Clerk Maxwell）大楼，彼得·格特里·泰特路（Peter Guthrie Tait Road）
一种基于强化学习的方法，用于在不匹配干扰的不确定的非线性系统中进行最佳输出跟踪
摘要 - 在本文中，考虑了非线性非线性系统的最佳控制问题。提出了一个非线性干扰观察者（NDO）来测量系统中存在的不存在的不存在。干扰与控制信号（所谓的不匹配的干扰）的干扰很难直接在控制通道内拒绝。为了克服挑战，通过衰减其对输出渠道的影响，实施了广义的基于观察者的补偿器来解决不确定性补偿问题。实时通过增加输出跟踪错误来增强系统状态，我们开发了一个复合参与者批判性的加固学习（RL）方案，以近似最佳控制策略以及与赔偿系统有关的理想价值函数，通过求解汉密尔顿 - 雅各布蒂 - 雅各布 - 雅各布·贝尔曼（HJB）方程。通过使用系统的已知模型的记录数据在本文中应用，以通过取消探测信号的影响来增强系统的鲁棒性。仿真结果证明了所提出的方案的有效性，为二阶模型中的输出跟踪问题提供了最佳解决方案，这是不匹配的干扰。
