XiaoMi-AI文件搜索系统
World File Search Systemdistort
使用生物力学单调和负载-卸载数据计算平均曲线和统计响应走廊的通用方法
摘要 计算平均曲线和响应走廊对于评估生物力学数据以及与其他数据集和数值模型进行比较至关重要。然而，现有的方法通常是针对特定案例的，缺乏强大的统计基础。提出了一种使用弧长重新参数化和非线性信号配准的通用方法，以提供基于特征的平均生物力学响应和统计变异性评估，其主要优势是单一方法适用于广泛的物理响应。在本研究中，基于弧长的方法被应用于两个实验数据集：猪脑组织的压缩行为和人体胸部的负载-卸载响应。在这两种情况下，弧长走廊方法都捕捉到了材料或受试者响应的底层形状，而无需先验地假设响应行为，适用于从没有共同终止点的单调信号到高度变化的滞后响应的广泛生物力学数据，并且不会像常见的当代方法那样扭曲平均响应的底层形状或变异性。弧长走廊法在软件包 ARCGen 中免费分发，可在宽松的开源许可证下用于 MATLAB 和 Python（https://github.com/IMMC-UWaterloo）。
军用车辆的磁性检测和跟踪
磁传感器可以检测含有铁磁材料的目标，因为它们会扭曲地球磁场。物体的磁场可以表示为多极级数展开。由于不存在单个磁荷，最低阶是偶极子，其衰减率为 1/r3。高阶多极子衰减的距离幂相应更高。对于大于最大目标维度阶的测量范围，偶极矩主导信号，定位和表征目标的问题变成了定位磁偶极子并测量其矩矢量的问题。在未知位置定位具有未知特征的目标需要确定六个未知数。三个未知数代表目标的位置，另外三个代表其磁矩矢量。检测和表征（就磁矩而言）不能分成不同的问题，而必须同时完成。对目标特征（例如，预先了解目标类型）或目标位置（例如，预先了解目标路径）应用不同的约束可以稍微降低问题的维数。在本文中，我们展示了无约束检测、定位和表征问题的结果。
小额数字优惠券对消费的影响
我们研究了一种新的消费刺激模式，该模式利用移动支付平台发放大量小额、本周使用或失去的数字优惠券。我们使用 100 万名计划参与者的移动平台交易的新数据评估了此类计划在中国某大城市的效果。利用参与者涌向先到先得的数字门户的现象，我们比较了赢得优惠券的人和因到达门户的时间略有不同而失去优惠券的人的支出。我们发现，优惠券可以立即增加中奖者的每周消费，每获得 1 美元的政府补贴，中奖者就会多出 3 美元的自付费用。赢得优惠券的消费者通过提前购买几个月后才会购买的商品来实践跨期替代。对商业客户流的分析表明，优惠券会扭曲消费，使其转向更昂贵的选择，导致该计划不成比例地偏向销售价格更高的商品和服务的大公司。放宽优惠券的最低消费要求将缓解这种分配问题，而不会牺牲消费者福利。我们得出的结论是，优惠券模型可以成为政策制定者刺激工具箱的一个有用补充。
skanskas-sustable-procurement.pdf
我们市场腐败，贿赂和不公平的反竞争行动的行为扭曲了市场，并阻碍了经济，社会和民主发展。Skanska不容忍此类活动。我们不会违反适用的竞争法。我们不得直接或间接向任何个人或实体提供任何不当付款或其他考虑因素，目的是诱使该人或实体违反规定的义务，以获得，保留或直接业务或确保其他不当优势在Skanska的业务中获得任何其他不当优势。我们不会直接或间接地征求或接受任何不当付款或其他考虑因素，以诱使我们违反规定的义务。我们通过根据本地接受的会计原则记录所有财务交易的正确性质，并遵循国际财务报告标准（IFRS）和适用的Skanska政策和规则。我们在IT程序中拥有控制权，以确保为客户，员工和供应链提供足够的数据保护。供应商应能够证明他们有根据《 2010年贿赂法》在组织中应对贿赂风险的程序。
建议引用：Melnychenko, Oleksandr (2020)：人工智能是否已准备好评估企业的财务安全？，《风险与财务管理杂志》，ISSN 1911-8074，MDPI，巴塞尔，第 13 卷，第 9 期，第 1-19 页，https://doi.org/10.3390/jrfm13090191
摘要：本研究通过强调利益相关者的看法和由此产生的专业判断的相关性，为财务安全文献做出了贡献。在进行全面的财务安全研究时，仅使用经济指标来评估公司的财务安全（如现有文献中所建议的）是不准确的。具体而言，基于财务或管理报告在任何特定时间点计算的指数和指标仅提供肤浅的理解，甚至可能扭曲整体情况。还有人认为，专家评估是最客观的方法，尽管它具有与个人认知限制相关的缺点。这些限制并非人工智能所特有，它可以以较少偏见的方式评估企业的财务安全。然而，仅通过模仿人类的行为，它无法直观地感知和评估公司发展的动态，也无法整体评估财务状况——尽管具有学习和预测的可能性——因为人工智能无法思考和预测，而这在企业中是管理者最重要的技能。因此，开发人工智能来评估公司财务安全的风险在于对企业活动（尤其是财务安全）的评估存在偏差。
乌克兰战争中的先进技术
卫星遥感技术有助于记录战争罪行并提供实时战场情报。它揭露了暴行并追踪了武装团体，对重建至关重要。各公司提供的卫星图像对于追究俄罗斯责任和评估基础设施损坏至关重要。然而，使用卫星图像存在数据操纵、侵犯隐私以及政府或私人实体滥用等风险。在乌克兰，缺乏标准化做法和更新立法加剧了这些风险。未经授权的访问或篡改图像可能会扭曲事实，而卫星的广泛数据收集引发了人们对谁控制信息的担忧。Palantir Technologies 的参与以及 Delta 系统在乌克兰国防中的使用也有可能影响民主和人权。使用 Palantir 先进的数据挖掘工具引发了对滥用和侵犯隐私的担忧。该公司与政府签订了保密协议，强调了合乎道德的使用和严格遵守隐私法的必要性。使用基于卫星的 Delta 态势感知系统可以增强战场决策能力，但也存在数据泄露、系统故障和缺乏透明度的风险。如果没有适当的监督，其使用可能会导致过度监视和侵犯隐私。
eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法eeg记录中ECG和EOG信号的时间序列预测多元时间序列方法
可靠的脑电图（EEG）信号获取对于医疗疾病，脑机构界面（BCIS）和神经科学研究至关重要。然而，心电图（ECG）和电解图（EOG）伪像经常污染EEG记录，损害数据质量和解释性。传统的删除方法可能会扭曲脑电图信号，或需要其他传感器进行ECG和EOG获取。本研究使用多元预测方法将删除伪像作为回归任务，从EEG数据本身重建ECG和EOG信号。我们的方法在两个独立数据集上进行了严格评估，用于ECG和EOG信号，并在不同个体的未见数据上进一步验证。使用平方误差（MSE），平均绝对误差（MAE）和峰值信噪比（PSNR）评估性能。我们的方法实现了与使用实际的ECG和EOG记录的常规方法相媲美的方法，证明了使用原始EOG记录清洁清洁的脑电图和脑电图之间的PSNR为39 dB。这使我们的方法成为经济高效且非侵入性的替代方案。这些发现提出了脑电图噪声过滤研究的有希望的新方向。
隐藏在噪音中：图像的两个阶段可靠的水印
随着图像生成器的质量不断提高，深层蛋糕成为社会辩论的一个话题。图像水印允许负责任的模型自动检测和标记其AI生成的内容，从而减轻危害。然而，图像水印中的当前最新方法仍然容易受到伪造和去除攻击的影响。这种脆弱性发生在部分原因是水印会扭曲产生的图像的分布，无意中揭示了有关水印技术的信息。在这项工作中，我们首先根据扩散模型的初始噪声展示了一种无误的水印方法。但是，检测水印需要将图像重建的初始噪声与所有先前使用的初始噪声进行比较。为了减轻这些问题，我们提出了一个两阶段的水印框架，以进行有效检测。在生成期间，我们通过生成的傅立叶模式增加了初始噪声，以嵌入有关我们使用的初始噪声组的信息。为了检测，我们（i）检索相关的噪声组，以及（ii）在给定组中搜索可能与我们的图像相匹配的初始噪声。这种水印方法实现了对大量攻击的伪造的最新鲁棒性和去除。
超出补贴级别：降低通货膨胀法中太阳能和风能的税收抵免选择的影响
在《降低通货膨胀法》（IRA）中，公司税收抵免是清洁能源资金的最大来源，因此了解这些信用功能对市场参与者和政策制定者如何重要。在本报告中，我关注IRA对公用事业规模太阳能和风力项目的授权，以在投资税收抵免（ITC）和生产税收抵免（PTC）之间进行选择。在审查了ITC和PTC的历史（包括IRA的更改）后，我考虑了公用事业规模太阳能和风能项目的三个主要所有者（项目赞助商，税收资产投资者和受监管的公用事业）如何将决定激励措施。我发现，在大多数情况下，PTC将受到受监管的公用事业和项目发起人的强烈喜好，但是后者的偏好必须与税收权投资者的利益相比，这可能有利于ITC。接下来，我评估ITC和PTC如何扭曲项目决策，而ITC导致了更高成本的电力和PTC导致低价值电力。由于PTC可能是大多数公用事业规模的太阳能和陆上风项目所选择的激励措施，因此我讨论了从PTC项目中提高电力价值的技术和政策选择。
您会接受 AI 建议吗？预测 AI 辅助决策中的人类行为
互联网用户每天都会在网上做出许多决策。随着近年来人工智能的快速发展，人工智能辅助决策（由人工智能模型提供决策建议和信心，而人类做出最终决策）已成为人机协作的新范式。在本文中，我们旨在定量了解人类决策者是否以及何时会采纳人工智能模型的建议。我们通过将人类决策者在每个决策任务中的认知过程分解为两个部分来定义人类行为模型空间：效用部分（即评估不同动作的效用）和选择部分（即选择要采取的动作），然后我们在模型空间中执行系统搜索以确定最适合现实世界人类行为数据的模型。我们的研究结果强调，在人工智能辅助决策中，人类决策者的效用评估和行动选择受到他们自己对决策任务的判断和信心的影响。此外，人类决策者表现出在效用评估中扭曲决策信心的倾向。最后，我们还分析了随着决策的利害关系不同，人类对人工智能建议的采纳行为的差异。