XiaoMi-AI文件搜索系统
World File Search Systemeferences
参考文献 168
Sharffenberg, WA、Fleming, MJ，2010。水文建模系统，HEC-HMS 用户手册。美国陆军工程兵团（水文工程中心 -HEC），美国华盛顿特区。Simon, HA，1981。人工智能科学。麻省理工学院出版社，美国马萨诸塞州剑桥。Simonovic, SP，2009。水资源管理：系统方法和工具。联合国教科文组织出版社，法国巴黎/英国伦敦。Simpson, J.、Adler, RF、North, GR，1988。拟议的热带降雨测量任务 (TRMM) 卫星。美国气象学会公报 69，278-295。Skaags, RW、Khaleel, R.，1982。渗透，小流域的水文建模。美国农业工程师学会，美国密歇根州圣约瑟夫。 Smith, L., Turcotte, D., Isacks, B., 1998. 使用离散小波变换的河流流量特性和特征检测。《水文过程》12，233-249。 Southgate, D., Whitaker, M., 1994. 经济进步与环境：一个发展中国家的政策危机。牛津大学出版社。 Sprague, RH, Watson, HJ, 1993. 决策支持系统：将理论付诸实践。Prentice Hall，Englewood Clifts，NJ Tecle, A., Duckstein, L., 1994. 多准则决策制定概念，载于：Bogardi Janos J.、Hans-Peter, N. (Eds.)，《水资源管理中的多准则决策分析》。联合国教科文组织国际水文计划，法国巴黎。 Tian, Y., Peters-Lidard, CD, 2010. 卫星降水测量不确定性全球图。地球物理研究快报 37，doi:10.1029/2010GL046008。Turban, E.，2007。决策支持和商业智能系统。Pearson Prentice Hall，美国新泽西州 Upper Saddle River。USDA，1986。TR-55：小型流域城市水文学。美国农业部；国家资源保护局 (NCRS)，华盛顿。USDA，2004。国家工程手册，第 630 部分：水文学：暴雨直接径流估算。自然资源保护局 (NRCS)，美国农业部，华盛顿特区，美国。van Ast, AJ，2000。国际河流流域互动管理；北美和西欧的经验。地球物理学和化学，B 部分：水文学、海洋和大气 25，325-328。 van Dam, AA、Kelderman, P.、Kansiime, F.、Dardona, A.，2007 年。乌干达（东非）维多利亚湖附近纸莎草湿地氮滞留模拟模型。湿地生态与管理 15, 469-480。 van der Knijff, JM, Younis, J., de Roo, APJ, 2010。LISFLOOD：基于 GIS 的流域规模水平衡和洪水模拟分布式模型。国际地理信息科学杂志 24, 189-212。 van Griensven, A., Alvarez-Mieles, M., 2009。Abras de Mantequilla 湿地和影响区域的环境监测。联合国教科文组织-IHE，荷兰代尔夫特。 van Griensven, A.、Xuan, Y.、Haguma, D.、Niyonzima, W., 2008。使用遥感数据和建模了解河流湿地集水区过程，收录于：Sánchez-Marrè, M.、Béjar, J.、Comas, J.、Rizzoli, AE、Guariso, G. (Eds.)，国际环境建模与软件大会。iEMSs，西班牙巴塞罗那，第 462-469 页。Vernimmen, RRE、Hooijer, A.、Mamenun, Aldrian, E.、van Dijk，AIJM，2012 年。印度尼西亚干旱监测卫星降雨数据的评估和偏差校正。水文与地球系统科学杂志 16，133-146。 Villa-Cox, G.、Arias-Hidalgo, M.、Mino, S.、Delgado-Cabrera, L.，2011。情景描述、管理选项和相关指标：Abras de Mantequilla 案例研究情况说明书，WP7。 WETWin 项目，ESPOL 大学，厄瓜多尔瓜亚基尔。
从最近受精的大西洋鲑鱼胚胎中提取DNA，用于微卫星验证三倍体
用户和机器学习专家的整合是艺术智能文献中广泛研究的主题。同样，人类计算机相互作用研究广泛探讨了影响AI作为决策支持系统的因素。在这项实验研究中，我们调查了用户对专家在此类系统开发中整合的偏好，以及这如何影响他们对这些系统的依赖。具体来说，我们专注于特征选择的过程，这是由于机器学习模型对透明度的不断增长而变得重要的元素。我们区分了三种特征选择方法：基于算法，基于专家的方法和一种组合方法。在第一次治疗中，我们分析了用户对这些方法的偏爱。在第二次治疗中，我们将用户随机分配给三种方法之一，并分析该方法是否影响建议依赖。用户预先使用合并的方法，然后是基于专家的和基于算法的方法。但是，第二种处理中的用户同样依赖于所有方法。因此，我们发现所陈述的偏好和实际用法之间存在显着差异，从而揭示了态度 - 行为差距。允许用户选择自己的首选方法没有效果，偏好和依赖程度是特定的。这些发现强调了理解AI支持决策中认知过程的重要性，以及在人类互动中进行行为实验的需求。
![强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]](/simg/3/3ede8a909d069d2cb8a5418bd2da44f8ba58e66e.webp)
强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]
[请想象一个像所有LLM一样受过训练的LLM。按照我第15周的讲座的方式，想象一下该LLM的无监督培训是基于其摄入的文本序列的摄入，第二个是第一个的延续。显然取决于第一个序列的性质，LLM完全有可能为其延续而获得多种可能性 - 有些人使用亵渎和其他形式的犯规和可能的暴力语言。 ]
能量偏好的极化
使用瑞典作为研究案例，本文探讨了对风和核能的两极分化观点，这是两种低碳能量选择在政治上引起了争议。在大规模的调查中（n = 5200），对风和核能的一般态度以及对人们家附近的项目的一般态度。这项研究表明，瑞典能源偏好的两极分化，在世界观，政治取向，环境关注以及对风和核能的抵抗或抵抗的支持之间建立了牢固的关联。该研究得出结论，当风能或核能在人们的家附近建造时，对两种能源方案的支持都会减少，但也表明，对于具有强大的棕褐色（传统，专制，民族主义）价值观和右派政治意识形态的个人而言，接近效应尤其强大。文章认为，出于政治动机的推理可能解释了态度的两极分化，但是当要求人们判断靠近它们的潜在能源基础设施时，这种影响似乎变得不那么重要。
顺势疗法研究证据基础：参考
癌细胞通过蛇（沃特林尼西亚埃及）毒液与二氧化硅纳米颗粒结合：bcl2和caspase 3之间的串扰。细胞生理生物化学。2012; 30（3）：653-665。Altman，D。G.和J. M. Bland（1995）。 “ 没有证据不是缺席的证据。” BMJ 311（7003）：485。 Altman，M。（1992）。 “ 顺势疗法 - 医学治疗。” Harefuah 122（3）：166-169。 Altman，M。（1994）。 “ 顺势疗法对未知来源发烧的处理。” Harefuah 126（6）：317-320，368，367。 Altobelli E，Maccarone M等。 分析牛皮癣患者的医疗保健和实际需求：意大利语的调查Altman，D。G.和J. M. Bland（1995）。 “没有证据不是缺席的证据。”BMJ 311（7003）：485。Altman，M。（1992）。 “ 顺势疗法 - 医学治疗。” Harefuah 122（3）：166-169。 Altman，M。（1994）。 “ 顺势疗法对未知来源发烧的处理。” Harefuah 126（6）：317-320，368，367。 Altobelli E，Maccarone M等。 分析牛皮癣患者的医疗保健和实际需求：意大利语的调查Altman，M。（1992）。 “顺势疗法 - 医学治疗。”Harefuah 122（3）：166-169。Altman，M。（1994）。 “ 顺势疗法对未知来源发烧的处理。” Harefuah 126（6）：317-320，368，367。 Altobelli E，Maccarone M等。 分析牛皮癣患者的医疗保健和实际需求：意大利语的调查Altman，M。（1994）。 “顺势疗法对未知来源发烧的处理。”Harefuah 126（6）：317-320，368，367。Altobelli E，Maccarone M等。分析牛皮癣患者的医疗保健和实际需求：意大利语
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
llm个性化：通过加强管家机器人的加强自我训练将LLM计划者与人类的偏好保持一致
大型语言模型（LLMS）通过利用其语言理解和文本生成功能来显示机器人应用，尤其是任务计划的重要潜力。然而，在诸如家用机器人技术之类的应用中，这些模型的个性化仍然存在着重要的差距。例如，LLM计划可能会发现执行需要个性化的任务，例如决定基于特定的家庭喜好将杯子放在厨房中的位置。我们介绍了LLM-Persyalize，这是一个新颖的框架，旨在个性化家庭机器人的LLM计划。llm-persyalize使用llm计划在多房间，部分观察的家庭环境中执行迭代计划，并利用从本地观察结果动态构建的场景图。要将LLM计划者个性化对用户偏好，我们的优化管道整合了模仿学习和加强自我训练。我们评估了LLM-个性化家政人员，这是一个具有挑战性的现实世界3D基准，用于家庭重排，表明，成功率比现有的LLM计划者增长了30％以上，这表明与人类偏好相符。