XiaoMi-AI文件搜索系统
World File Search Systemelicitation
安德烈亚·帕塞里尼
1. Asnicar, F.、AM Thomas、A. Passerini、L. Waldron 和 N. Segata (2024)。面向微生物学家的机器学习。《自然微生物学评论》22 (4)，191–205。2. Bronzini, M.、C. Nicolini、B. Lepri 等人 (2024)。闪光还是金子？通过大型语言模型从可持续发展报告中获得结构化见解。《EPJ 数据科学》13，41。3. Longa, A.、G. Cencetti、S. Lehmann、A. Passerini 和 B. Lepri (2024)。生成细粒度代理时间网络。《通信物理学》7 (22)。4. Robbi, E.、M. Bronzini、P. Viappiani 和 A. Passerini (2024)。使用偏好引出和 Choquet 积分进行个性化捆绑推荐。 Frontiers in Artificial Intelligence 7 , 1346684. 5. Spallitta, G.、G. Masina、P. Morettin、A. Passerini 和 R. Sebastiani (2024)。通过结构感知增强基于 SMT 的加权模型集成。人工智能 328 , 104067。6. Toni, GD、P. Viappiani、S. Teso、B. Lepri 和 A. Passerini (2024)。具有偏好引出的个性化算法资源。机器学习研究汇刊。
预测失语症患者的严重程度 - AphasiaBank
摘要 — 语言病理学家需要准确评估失语症 (PWA) 患者的严重程度，以设计和提供最佳治疗方案。目前，严重程度由经验丰富且训练有素的临床医生手动评估，而这越来越少，需要花费大量时间资源。通过分析三种话语引出方法的记录，本研究结合自然语言处理 (NLP) 和机器学习 (ML) 来预测 PWA 的严重程度，包括分数和严重程度级别。通过从 PWA 任务中设计语言特征，非结构化 k 均值聚类呈现不同的失语症类型，显示所选特征的有效性。我们开发了回归模型来预测严重程度分数以及按级别（轻度、中度、重度和非常严重）对严重程度进行分类，以帮助临床医生轻松计划和监控治疗过程。我们最好的 ML 回归模型使用深度神经网络，平均绝对误差 (MAE) 为 0.0671，均方根误差 (RMSE) 为 0.0922。我们的最佳分类模型使用随机森林，总体准确率为 73%，轻度准确率最高为 87.5%。我们的结果表明，使用 NLP 和 ML 是一种准确且经济有效的方法来评估 PWA 的严重程度，从而帮助临床医生确定康复程序。
可再生能源利用和人工智能的影响...
摘要 世界许多国家都计划到 2050 年实现 100% 可再生能源 (RE) 使用。在此背景下，由于最近全球能源结构中可再生能源利用率的急剧增加及其对世界能源部门的逐步影响，对其对实现可持续发展目标 (SDG) 的影响的评估和调查尚未得到充分涵盖。在这里，我们对可再生能源利用和人工智能 (AI) 在实现可持续发展目标方面所起的新兴作用进行了评估。根据可持续发展的三大支柱，总共 17 个可持续发展目标分为环境、社会和经济三类。通过使用基于专家引出方法的共识，可再生能源对实现所有可持续发展目标中的 75 个目标产生了积极影响。然而，它可能对 27 个目标的实现产生负面影响。此外，人工智能可以帮助可再生能源实现 169 个目标中的 42 个。随着可再生能源份额的当前指数增长和人工智能的发展，以及解决某些现有限制，这种影响可能会在未来覆盖更多目标。然而，目前的研究重点忽略了一些重要方面。可再生能源份额的指数增长和人工智能的快速发展需要伴随必要的监管洞察力和技术监管，以覆盖未来的更多目标。
设计值得信赖的自主系统
自主系统的设计在具有挑战性，并确保其信任性具有不同的含义，例如I）通过正确的启发和形式化过程确保要求的一致性和完整性； ii）确保正确映射到系统的要求，以使任何系统行为永远不会违反其要求； iii）最大化可用组件和子系统的重复使用，以应对设计复杂性；和iv）确保系统与其环境的正确协调。多年来，已经提出了几种技术来应对特定问题。然而，一个整体设计框架，利用现有工具和方法，实际上仍缺少自主系统的分析和设计。本文探讨了从不同角度构建可信赖的自主系统的问题。我们已经分析了当前正式验证的方法如何提供保证：1）通过使用假定/担保合同进行正式要求来检测信息和冲突的要求； 2）使用用于训练系统的奖励功能，以免误解要求； 3）通过运行时监视和执行某些不变性来执行系统； 4）通过自动综合正确的策略，在系统方案系统中与其他外部实体的协调和系统行为。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的价标签数据集上取得了 2.728 的均方根得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的唤醒标签数据集上取得了 2.3 的得分。
不同的鼠疫苗接种揭示了靶向融合肽和肽长度变化的不同抗体类别，以改善HIV中和
摘要虽然中和靶向HIV-1融合肽的抗体已通过疫苗接种引起小鼠，但迄今为止报道的抗体仅来自一种可以中和的单个抗体类。 HIV-1菌株的30％。为探索鼠免疫系统产生交叉脱和中和抗体的能力并研究如何实现更高的宽度和效能，我们测试了17种利用多种融合肽载体结合物和HIV-1包膜的较高的促进疗法，并具有差异性融合型融合融合式肽。我们观察到在融合肽 - 载体结合的小鼠中启动可变的肽长度，以引起更高的中和反应，结果我们在豚鼠中构成了。从接种疫苗的小鼠中，我们分离了21种抗体，属于4种不同类别的融合肽指导的抗体，能够交叉中和。来自每个类别的顶级抗体集体中和208杆组合面板的50％以上。结构分析（X射线和冷冻EM）都揭示了每个抗体类别，以识别融合肽的独特构象，并具有能够促进多种融合肽的结合口袋。鼠疫苗接种可以引起多种中性抗体，并且在素数期间改变肽长度可以改善针对HIV-1脆弱性融合肽位点的跨层反应的启发。
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
自我想象和VR培训-Scholarworks@cwu
情感唱歌会影响人声表现和观众的参与。中国大学使用传统的培训技术来教授理论和应用知识。自我想象是情感唱歌的主要训练方法。最近，虚拟现实（VR）技术已在多个领域应用于培训目的。在这项经验比较研究中，实施了一项VR培训任务，以引起歌手的情绪，并进一步帮助他们改善他们的情感歌唱表演。将VR训练方法与传统的自我想象方法进行了比较。通过进行两阶段的实验，通过情感的启发和情感歌唱表演进行了比较两种方法。在第一阶段，脑电图（EEG）数据是从受试者中收集的。在第二阶段，收集了自评报告和第三方教师的评估。通过采用最大值和最小值算法进行特征选择和支持向量机（SVM）来分析脑电图数据，以识别情绪。基于脑电图分类和主观量表的结果，VR可以更好地引起歌手的积极，中立和负面的情绪状态，而不是不使用这项技术（即自我想象）。此外，由于情绪激活的改善，VR带来了唱歌表演的改善。因此，VR似乎是一种有效的方法，可以改善和补充可用的声乐教学方法。
在线银行的多层混合安全框架
金融行业中信息安全的概念不仅是组织的优先事项，而且是信任的基石，可确保整个经济基础设施的稳定性和韧性。尼日利亚作为该国经济的关键支柱的金融部门正在进行变革性的数字革命。，由于金融机构在不断发展的网络威胁，监管框架和客户期望的情况下导航，信息安全性的整体和积极主动的方法变得至关重要。这项研究探讨了尼日利亚金融部门信息安全的景观，这些挑战是应对关键挑战，当前的做法，清晰地关注新兴趋势，通过加强在线数据传输的主要参数来通过寻求检查银行客户的共同安全挑战，从而避免使用各种形式的恶意趋势，并以众多的攻击攻击这些趋势，并攻击这些层面，以探讨银行的共同安全挑战，以保护他们的境界，并遭受越来越多的趋势。 框架。对于方法论，数据启发主要是使用七个银行，即UBA，GTB，Polaris Bank，Union Bank，Stanbic IBTC，Fidelity Bank，Fidelity Bank进行数据启发。二级方法是从期刊文章，讲义，会议论文和程序中绘制数据的，而新系统的设计基于多层方法，最多将多达五（5）个安全参数纳入了大大减少挑战和威胁互联网银行业务的威胁。
使用机器学习组件的系统的非功能要求文档
摘要[上下文和动机]当今许多系统都使用人工智能，其中机器学习（ML）是一个子场。需求工程（RE）满足了利益相关者对系统开发的需求。特别是，具有ML组件的系统需要特定的非功能要求（NFR）来定义ML相关细节，例如训练数据集的质量方面，ML模型的可折扣性或ML培训管道的细节。[问题]尚未完全了解RE技术在实际使用中对具有ML组件的系统的特定应用。尚不清楚，哪种启发技术可以有效地用于基于ML的系统。[想法和结果]基于系统的映射研究；我们确定了58个NFR在研究中用来描述特定ML要求。通过在线调查和专家访谈，我们确定了30个NFR，需要考虑到具有ML组件的系统。对于高度相关的NFR的文档，在两家IT公司中设计，评估和优化了一个模板。此模板有助于确保NFR的一致文档。[贡献]基于系统的映射研究，在线调查和专家访谈，我们提供了相关的NFR和一个模板，用于记录具有ML组件的系统的NFRS。我们在两家IT行业公司和几个软件项目的背景下使用现实世界案件验证了所提出的模板。评估显示需求的完整性增加。