XiaoMi-AI文件搜索系统
World File Search Systemexisting
通过对现有的
•详尽：应该涵盖上个世纪任何时间，世界任何地方的所有疫苗。•明确：应该足够精确，以允许卫生专业人员确定是否实现了疫苗保护，以及何时以及如何进行疫苗接种计划。•信息性：代码系统应成为嵌入所有必要信息的本体论的一部分，以允许最终用户了解使用了哪种疫苗，可预防疫苗可预防的疾病，并根据哪种诉讼方法。•包括纸条：应允许从基于纸的疫苗接种卡中的书面小径数字化，包括非形式的缩写形式（例如infanrix6，代表Infanrix Hexa）。这样的小径代表了旧记录的主要部分。•包括数字跟踪：无论其编码如何，都应导入任何预先存在的数字记录。•可翻译：应将可转换回其他代码系统，以重新使用所有旧应用程序。
第 14 章 特殊报告代码 (SRC) 和职责分配 这些报告分类仅用于人员和/或职位报告目的。 a. 本节所述的职责分配代码已建立，用于识别职位描述与特定 CMF 或 MOS 无直接关联的职位。这些代码允许在部队结构和库存变化方面具有更大的灵活性，从而可以进行更准确的编码以满足要求，但受到控制，通常需要得到代码批准机构的批准，然后才能在授权文件中对职位进行编码。职责分配代码包含前两位数字 00。 b. 已建立特殊报告代码以识别本节所述的特殊类别的人员。人员报告文件中将使用特殊报告代码来反映士兵的报告分类。特殊报告代码包含前两位数字 09。 14-1. 特殊职责分配 (00D) a. 此代码 (00D) 将用于识别组织授权文件中批准的特殊职责分配职位，并报告分配到这些职位的士兵的职责 MOS。授权文件在获得 HQDA、ODCS G-1 (DAPE-PRP) 批准之前不会标明 SRC 00D（见表 14-2）。特殊职责岗位必须符合以下标准：（1）职责涉及一般军事技能/教育或独特的特殊资格，与特定职责无直接关系
第 14 章 特殊报告代码 (SRC) 和职责分配 这些报告分类仅用于人员和/或职位报告目的。a.本节所述的职责分配代码已建立，用于识别职位描述与特定 CMF 或 MOS 无直接关联的职位。这些代码允许在部队结构和库存变化方面具有更大的灵活性，允许更准确的编码以满足要求，但受到控制，通常需要获得代码批准机构的批准，然后才能在授权文件中对职位进行编码。职责分配代码包含前两位数字 00。 b.已建立特殊报告代码以识别本节所述的特殊类别的人员。特殊报告代码将用于人员报告文件中，以反映士兵的报告分类。特殊报告代码包含前两位数字 09。14-1。特殊职责分配 (00D) a。此代码 (00D) 将用于识别组织授权文件中已批准的特殊职责分配职位，并报告分配到这些职位的士兵的职责 MOS。在获得 HQDA、ODCS G-1 (DAPE-PRP) 批准之前，授权文件不会标有 SRC 00D（见表 14-2）。特殊职责职位必须满足以下标准： (1) 职责涉及一般军事技能/教育或与特定 MOS（MOS 无关紧要）不直接相关的独特特殊资格。(2) 职责需要独特的民事技能/教育或组件独特经验，这些经验未在本法规的其他地方归类为标识符。(3) 技能和知识通常无法从其他军事组织的其他岗位获得。(4) 驻地或非驻地军校课程既不适用也不适用于培训人员执行所需职责。(5) 涉及的职位数量太少，不足以建立新的 MOS 或其他职业标识符。b.识别 SRC 00D 职位的请求将转发给 ODCS G-1，收件人：DAPE-PRP，300 Army Pentagon，华盛顿特区 20310-0300，并将包括以下信息： (1) 单位识别码、命令代码和职位所在的授权文件的文件编号。(2) 段落和行号。(3) 薪级。(4) 授权数量。(5) 职位描述，包括-- (a) 职责。(1) 随员 (SQI 7) 职位。(b) 所需的最低技能和知识。(6) 与特定 MOS 无关的一般军事技能/教育或独特技能的摘要，或成功执行工作所需的民事教育/培训/经验。(7) 解释为什么不能用现有的陆军标识符编码该工作。c. 除非在初始批准时获得接受（如下文第 d 项所列），否则批准将一直有效，直到任务发生变化或 3 年（以先到者为准）。如果要求有效期超过 3 年，必须重新提交理由以供 HQDA 审查和批准继续有效。d. 批准使用 SRC 00D 的组织或任务集，无需 3 年续签要求。(2) 陆军要求/授权文件中的其他军事服务职位。(3) 伤亡和纪念事务行动中心 (CMAOC) 职位。(4) 监察长 (IG) NCO 职位。(5) 动员 TDA 中的 MOS 非重要职位。(6) 现役部队要求/授权文件中的预备役部队 MOS 00F/00G 非重要职位。(7) 国防部/陆军部信使职位。(8) 总部、信息作战 (IO) 组/营/BNFSB/BNGSB (SRC 53519Gxxx/53612Gxxx/53616Gxxx/ 63617Gxxx/53618Gxxx) 中的 MOS 非重要职位。(9) 美国陆军降落伞队 (W027AA)。
结核病和肺癌共存患者的治疗策略
很多研究对合并肺结核和肺癌患者的治疗结果并不一致。在这篇荟萃分析中，我们回顾了他们的三种治疗结果：合并结核病的肺癌患者的 PFS 和 OS 长于非结核病患者；合并结核病的肺癌患者的 PFS 和 OS 短于非结核病患者；两组之间的 OS 和 TTF 无统计学差异。这与肺癌和结核病共存的三种主要理论相一致：抗癌治疗可导致结核病复发；结核病是肺癌的诱发因素；或者，它是随机的[30-32]。先前的一些研究表明，合并活动性结核病的 NSCLC 患者显示出更好的生存结果；尤其是在鳞状细胞癌中[32-34]。早期文献揭示的可能机制是
第 40 卷 | 第 1 期 文献综述 #2 2022 年 5 月 10 日 探索自然语言处理 (NLP) 在航空中的应用 Nadine Amin Tracy L. Yother 普渡大学 普渡大学 Mary E. Johnson Julia Rayz 普渡大学 普渡大学 由于计算能力的极大提升、当前大量数据的盛行以及数据驱动算法日益强大的能力，自然语言处理 (NLP) 最近在众多领域经历了快速发展，其中之一就是航空。在这项研究中，我们从研究和行业的角度探讨了 NLP 在航空领域的当前地位。我们将安全报告分析、航空维护和空中交通管制确定为航空领域 NLP 研究的三个主要重点领域。我们还列出了当前可用的 NLP 软件以及它们在航空业中的应用。最后，我们重点介绍了航空领域对标准 NLP 技术提出的一些现有挑战，讨论了当前相应的研究工作，并提出了我们推荐的研究方向。推荐引用：Amin, N., Yother, T. L., Johnson, M. E. & Rayz, J. (2022)。自然语言处理 (NLP) 探索
第 40 卷 | 第 1 期 文献综述 #2 2022 年 10 月 5 日 探索航空领域的自然语言处理 (NLP) 应用 Nadine Amin Tracy L. Yother 普渡大学 普渡大学 Mary E. Johnson Julia Rayz 普渡大学 普渡大学 由于计算能力的巨大提升、大量数据的普遍存在以及数据驱动算法的不断增长的力量，自然语言处理 (NLP) 最近在众多领域经历了快速发展，其中之一就是航空业。在本研究中，我们从研究和行业的角度探讨了 NLP 在航空领域的现状。我们将安全报告分析、航空维护和空中交通管制确定为航空领域 NLP 研究的三个主要重点领域。我们还列出了当前可用的 NLP 软件以及它们在航空业中的使用方式。最后，我们重点介绍了航空领域对标准 NLP 技术提出的一些现有挑战，讨论了当前相应的研究工作，并提出了我们建议的研究方向。推荐引用：Amin, N., Yother, T. L., Johnson, M. E. & Rayz, J.(2022)。自然语言处理 (NLP) 的探索
![人工智能在预测整形外科皮瓣结果中的作用：系统评价方案 Sabreena Moosa，医学博士候选人 [1]*，Robert Dydynsky，医学博士候选人 [1] [1] 麦克马斯特大学 Michael G. DeGroote 医学院，汉密尔顿，ON L8S 4K1 *通讯作者：sabreena.moosa@medportal.ca 简介：游离皮瓣手术包括重建各种组织缺损。皮瓣失败和感染、缺血等并发症仍然是皮瓣手术后令人担忧的问题，目前的术后标准护理是频繁的床边监测。机器学习模型等人工智能可以帮助外科医生进行术后监测和预测并发症。本系统评价的目的是为分析使用人工智能评估皮瓣手术结果和预测术后并发症的现有文献提供框架。方法：将使用 EMBASE 和 MEDLINE（1974 年至 2021 年 10 月）进行系统评价以确定相关文献。这将包括研究皮瓣手术术后环境中使用的人工智能和机器学习模型。主要结果将包括评估基于这些模型评估皮瓣手术后结果的准确性，包括：皮瓣成功率、愈合情况和术后 1 个月内的并发症。次要结果包括效益分析](/simg/e/e9689b8e3c5cc5a4c1f68e573ab7a476c9a26886.png)
人工智能在预测整形外科皮瓣结果中的作用：系统评价方案 Sabreena Moosa，医学博士候选人 [1]*，Robert Dydynsky，医学博士候选人 [1] [1] 麦克马斯特大学 Michael G. DeGroote 医学院，汉密尔顿，ON L8S 4K1 *通讯作者：sabreena.moosa@medportal.ca 简介：游离皮瓣手术包括重建各种组织缺损。皮瓣失败和感染、缺血等并发症仍然是皮瓣手术后令人担忧的问题，目前的术后标准护理是频繁的床边监测。机器学习模型等人工智能可以帮助外科医生进行术后监测和预测并发症。本系统评价的目的是为分析使用人工智能评估皮瓣手术结果和预测术后并发症的现有文献提供框架。方法：将使用 EMBASE 和 MEDLINE（1974 年至 2021 年 10 月）进行系统评价以确定相关文献。这将包括研究皮瓣手术术后环境中使用的人工智能和机器学习模型。主要结果将包括评估基于这些模型评估皮瓣手术后结果的准确性，包括：皮瓣成功率、愈合情况和术后 1 个月内的并发症。次要结果包括效益分析
人工智能在预测整形外科皮瓣结果中的作用：系统评价方案 Sabreena Moosa，医学博士候选人 [1]*，Robert Dydynsky，医学博士候选人 [1] [1] Michael G. DeGroote 医学院，麦克马斯特大学，汉密尔顿，ON L8S 4K1 *通讯作者：sabreena.moosa@medportal.ca 简介：游离皮瓣手术包括重建各种组织缺损。皮瓣失败和感染、缺血等并发症仍然是皮瓣手术后令人担忧的问题，目前的术后护理标准是频繁的床边监测。机器学习模型等人工智能可以帮助外科医生进行术后监测和预测并发症。本系统评价的目的是提供一个框架，用于分析使用人工智能评估皮瓣手术结果和预测术后并发症的现有文献。方法：将使用 EMBASE 和 MEDLINE（1974 年至 2021 年 10 月）进行系统回顾，以确定相关文献。这将包括研究皮瓣手术术后环境中使用的人工智能和机器学习模型的研究。主要结果将包括评估基于这些模型评估皮瓣手术后结果的准确性，包括：皮瓣成功率、愈合和术后长达 1 个月的并发症。次要结果包括分析使用机器学习模型评估皮瓣手术后结果的利弊。研究将由两名独立审阅者筛选；将使用 Cochrane 偏倚风险工具评估偏倚风险，并使用 QUADAS-2 工具评估方法学质量。讨论：该协议将提供综述框架，总结当前探索人工智能对皮瓣手术结果的作用的文献。结果将有助于为外科医生提供当前应用的概述，并确定潜在的进一步研究和开发领域。结论：由于目前的临床实践是定期的床边监测，整合人工智能可以使该过程对患者更高效、更准确、更安全，并减少劳动力负担或医疗保健系统成本。本综述有助于确定潜在和改进的领域，从而进一步帮助实现皮瓣手术后的成功结果。关键词：人工智能；机器学习；皮瓣手术；结果；并发症；术后；监测；皮瓣成功介绍皮瓣手术
重新设计现有的诊断、治疗和病理学质量使用 (QUDTP) 计划，包括额外拨款 390 万美元用于提供
这些新的资助机会将充分利用医疗专业人员教育服务的大幅增长。如今，医疗专业人员的认证要求意味着有更多教育服务提供商（包括医学院和专业协会）有能力开展 QUM 资助活动。消费者和社区组织的数量及其推动消费者素养提高的能力也在增长。
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
噪声数据集的二元分类器：现有量子机器学习框架和一些新方法的比较研究
量子机器学习是最有希望获得实际优势的研究领域之一，它是量子计算和传统机器学习思想相互影响的产物。在本文中，我们应用量子机器学习 (QML) 框架来改进金融数据集中普遍存在的噪声数据集的二元分类模型。我们用来评估量子分类器性能的指标是受试者工作特征曲线下面积 (ROC/AUC)。通过结合混合神经网络、参数电路和数据重新上传等方法，我们创建了受 QML 启发的架构，并利用它们对非凸二维和三维图形进行分类。对我们的新 FULL HYBRID 分类器与现有量子和经典分类器模型进行广泛的基准测试表明，与已知的量子分类器相比，我们的新模型对数据集中的非对称高斯噪声表现出更好的学习特性，并且对于现有的经典分类器表现同样出色，并且在高噪声区域内比经典结果略有改善。
博士奖学金：通过使用人工智能增强可持续性指标 (ASMAI) 描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些方面进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗时耗力，因此经常被忽视、利用不足或利用不当。将人工智能应用于 LCSA 和 MCA 活动并加以整合具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用人工智能是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
博士奖学金：通过使用人工智能 (ASMAI) 增强可持续性指标描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些部分进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗费时间和资源，因此经常被忽视、利用不足或利用不当。在 LCSA 和 MCA 活动中使用和整合 AI 具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用 AI 是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
现有住宅建筑屋顶改造和光伏发电（包括储能）数据
本数据文章引用了论文“优化现有住宅建筑中的光伏发电和屋顶隔热” [1]。报告的数据涉及米兰（意大利北部）不同类型现有住宅建筑（单户住宅、多户住宅和公寓大楼）的屋顶改造。该研究重点关注与不同建筑几何形状、初始隔热水平、屋顶结构和材料相关的围护结构隔热和光伏 (PV) 能源生产的优化。本文中链接的数据与建模的建筑能耗、可再生能源生产、潜在的能源节约和成本有关。数据涉及两种主要场景：翻新（需要更换和隔热的屋顶）和重新屋顶（改善屋顶的能源干预）。数据允许可视化优化前后的能耗、选定的隔热水平和材料、成本和光伏可再生能源生产（有和没有能量储存）。可以直观地看到每种建筑类型和场景的能耗减少情况。可以获得关于二氧化碳排放、外壳、材料和系统的更多数据。