XiaoMi-AI文件搜索系统
World File Search Systemframework
一个通过...研究设计思维的框架
摘要 本文提出了一个研究设计思维的框架。文中描述了三种测量设计认知过程的典型方法：设计认知、设计生理学和设计神经认知。每种典型方法都有特定的工具和方法。设计认知通过协议分析、黑箱实验、调查和访谈进行探索。设计生理学通过眼动追踪、皮肤电活动、心率和情绪追踪进行测量。设计神经认知使用脑电图、功能性近红外光谱和功能性磁共振成像进行测量。文中给出了一些示例来描述每种方法提供的关于设计思维特征的结果类型，例如设计模式、设计推理、设计创造力、设计协作、问题解决空间的共同演化或设计分析和评估。研究设计思维的三种典型方法的结果的三角测量为理解设计认知过程提供了协同基础。这些研究的结果为设计师、设计教育者和设计科学研究人员提供了反馈来源。新的模型、新的工具和新的研究问题从所提出的综合方法中诞生，并为研究设计思维奠定了未来的挑战。
一个用于分析供应链绩效评估模型
现在，供应链构成了公司竞争力的关键要素，一些公司已经将此功能视为其差异化策略的基石（Waters and Waters，2007年）。供应链绩效可以根据客户的满意度来衡量 - 因为它们仍然是物流级别实际创造多少价值的最终法官以及所产生的成本。评估供应链绩效是一项复杂的事业，部分原因是这是一个横向过程，涉及几位参与给定的后勤和战略目标的参与者。在供应链被认为是公司成功的关键因素的情况下，这种评估变得非常重要。本文的目的是分析不同供应链绩效评估模式的角色，同时提供了一个决策援助框架，使管理人员可以选择提供所需分析的模型。因此，它试图确定哪种模型对公司最有用的方式在帮助其提高绩效的方面涵盖了整个标准，其中一个是供应链成熟度。本文以物流和供应链的定义开头，第二部分指定了公司内部不同级别的供应链成熟度，并考虑了
TractLearn：用于脑束定量分析的测地线学习框架
基于深度学习的卷积神经网络最近已证明其能够基于弥散加权成像快速分割主要脑束结构。脑束的定量分析则依赖于来自纤维束成像过程本身或束上每个体素的指标。在疾病的背景下，对异常体素的统计检测通常依赖于单变量和多变量统计模型，例如一般线性模型 (GLM)。然而，在高维低样本量数据的情况下，尽管通常使用平滑过程，但由于解剖学差异，GLM 通常意味着对照的标准差范围较大。这可能导致难以在体素尺度上检测到脑束中细微的定量变化。在这里，我们介绍了 TractLearn，这是一个使用测地线学习作为数据驱动学习任务的脑束定量分析统一框架。 TractLearn 允许使用黎曼方法在图像高维域和脑束的减少潜在空间之间进行映射。我们通过重测采集多壳扩散 MRI 数据说明了该方法对健康人群的稳健性，表明可以分别研究不同 MRI 会话导致的整体影响和局部束改变的影响。然后，我们在 5 名年龄匹配的轻度脑外伤受试者样本上测试了我们算法的效率。我们的贡献是提出：1/ 一种捕捉控制变异性的流形方法作为标准参考，而不是基于欧几里得均值的图谱方法。2/ 一种检测体素定量值整体变化的工具，它考虑了结构中体素的相互作用，而不是独立分析体素。3/ 一种即用型算法，用于突出显示扩散 MRI 指标的非线性变化。在这方面，TractLearn 是一个可立即使用的精准医疗算法。
主动推理作为基于 P300 的 BCI 的统一、通用和自适应框架
摘要。目的。适应性是脑机接口 (BCI) 领域的一大挑战。这需要机器能够最佳地表达有关用户意图及其自身行为的推理。适应性可以在多个维度上进行，因此需要一个通用且灵活的框架。方法。我们采用最全面的大脑 (自适应) 功能计算方法之一：主动推理 (AI) 框架。它需要一个与机器交互的用户的显式 (概率) 模型，这里涉及 P300 拼写任务。这采用离散输入输出状态空间模型的形式，建立机器的 (i) 观察值（例如 P300 或错误电位）、(ii) 表示（用户拼写或暂停的意图）和 (iii) 操作（闪烁、拼写或关闭应用程序）之间的联系。主要结果。使用来自 18 名受试者的真实 EEG 数据进行模拟，结果表明 AI 能够显著提高比特率 (17%)，优于最先进的方法，例如动态停止。意义重大。由于其灵活性，该模型不仅能够实现最佳（动态）停止，还能实现最佳闪烁（即主动采样）、自动纠错以及在用户不再看屏幕时关闭。重要的是，这种方法使机器能够灵活地在所有这些可能的操作之间进行仲裁。我们将 AI 展示为一个统一的通用框架，用于在给定的 BCI 环境中实现灵活的交互。
虚拟联合现场活动：一个合成景观的框架，以评估多尺度测量水存储方法
1 Institute of Environmental Science and Geography, University of Potsdam, Karl-Liebknecht-Straße 24–25, 14476 Potsdam, Germany 2 Agrosphere Institutes (IBG-3), Research Center Jülich GmbH, 52425 Jülich, Germany 3 geo information in Environmental Planning Lab, Technical University Berlin, 10623 Berlin, Germany 4 Physical海德堡大学研究所，位于德国Neuenheimer Feld 226，69120 Heidelberg，5 GFZ-德国地球科学研究中心，水文学部分，电视台，14473 Potsdam，德国6日6地理研究所，Intrain和Intrain 52f，6020，6020，Auttract，6020，intranopic （HYWA），自然资源与生命科学大学（BOKU），Muthgasse 18，1190，维也纳，奥地利，奥地利8 UFZ -Helmholtz环境研究中心GmbH，监测与勘探技术部，Permoserstr。 15，04318莱比锡，德国1 Institute of Environmental Science and Geography, University of Potsdam, Karl-Liebknecht-Straße 24–25, 14476 Potsdam, Germany 2 Agrosphere Institutes (IBG-3), Research Center Jülich GmbH, 52425 Jülich, Germany 3 geo information in Environmental Planning Lab, Technical University Berlin, 10623 Berlin, Germany 4 Physical海德堡大学研究所，位于德国Neuenheimer Feld 226，69120 Heidelberg，5 GFZ-德国地球科学研究中心，水文学部分，电视台，14473 Potsdam，德国6日6地理研究所，Intrain和Intrain 52f，6020，6020，Auttract，6020，intranopic （HYWA），自然资源与生命科学大学（BOKU），Muthgasse 18，1190，维也纳，奥地利，奥地利8 UFZ -Helmholtz环境研究中心GmbH，监测与勘探技术部，Permoserstr。15，04318莱比锡，德国
通过原子/分子层沉积研究对苯二甲酸铜金属有机骨架薄膜的气相合成
无溶剂合成和加工金属有机骨架 (MOF) 对于将这些材料应用于应用技术至关重要。MOF 薄膜的气相合成特别适合此类应用，但与传统的基于溶液的方法相比具有挑战性。因此，推进和扩大 MOF 薄膜的气相合成势在必行。结晶对苯二甲酸铜 MOF 薄膜通过原子和分子层沉积 (ALD/MLD) 在不同种类的基底上以气相生长。从先驱工作扩展而来，首次清楚地证明了 3D 相的形成，并揭示了该工艺对多种基底的适应性。在 ALD/MLD 工艺的早期阶段观察到定向膜生长，导致表面上取向的 MOF 晶体，当随着 ALD/MLD 循环次数的增加而进行各向同性生长时。值得注意的是，这项研究主要展示了使用具有晶格匹配拓扑的 DMOF-1 单晶作为起始表面，在气相中实现异质外延生长。这种方法为在气相中开发 MOF 超晶格材料提供了一种有吸引力的途径。
ml-mags：用于基因和效果大小收缩率的多元遗传关联分析的机器学习框架
摘要。遗传学的一个基本目标是确定遗传变异与性状的相关性，通常使用全基因组关联（GWA）研究结果的回归结果。重要的方法论挑战是考虑到GWA效应估计的通货膨胀，并同时研究多个特征。我们利用这两个挑战的机器学习方法，开发了一种称为ML-MAGE的计算高效方法。首先，我们缩小了使用神经网络在变体之间非独立引起的GWA效应大小的通胀。然后，我们通过变异推断在多个性状之间群集变体关联。我们将通过神经网络收缩的性能与正则回归和绘制映射进行了比较，这两种方法用于解决膨胀效应，但处理不同大小的焦点区域的变体。我们的神经网络收缩在近似模拟数据中的真实效应大小方面优于两种方法。我们的无限混合聚类方法提供了一种灵活的，数据驱动的方式，可区分不同类型的关联（特征特异性，跨性状或虚假），基于其正则效应。聚类也会产生更高的精度和回忆，以区分模拟中的基因级关联。我们证明了ML-MAGE在英国生物库中的两个定量性状和两个二元性状的关联分析中的应用（英国500,000名居民的遗传和表型数据）。我们从单特征富集测试中鉴定出的相关基因与已知特征相关的生物学过程重叠。除特定特定的关联外，ML-mages还标识了几种具有共享多特征关联的变体，提示了假定的共享遗传结构。
护理经济：一个新的研究框架
照护经济是指与提供社会和物质照护有关的有偿和无偿经济活动领域，旨在养育和支持现在和未来的人口。广义上讲，照护经济包括对儿童、老人和残疾人的直接和间接照护、医疗保健、教育，以及旨在支持和增进个人福祉的金融和其他个人及家庭服务。尽管照护和照护工作在国民核算体系（如 GDP）中基本上不可见且很少得到核算，但人们越来越认识到，它们对于维持个人能力和福祉以及社会和经济运转至关重要。在几乎所有高收入和中等收入国家，从工业/制造业向服务业的转变，加上过去几十年来稳步的社会人口变化，使照护经济成为当今日益重要的社会、经济和政治问题。然而，尽管人们的认识不断提高，但照护经济的概念仍然模糊不清，对这一主题的研究也尚处于萌芽阶段。
统一的综合中等医学 - 纯粹的框架 - 人造...
引言近年来，综合医学已获得广泛的认可，作为一种解决健康和疾病复杂性质的方法。传统的生物医学模型仅着眼于疾病的生物学方面，在促进挽救生命的治疗方面非常宝贵，但它们通常在解决健康的情感，心理和精神维度方面往往缺乏。这一差距已经引起了一种更全面的综合医学，在该方法中，重点超出了身体症状，以考虑思想，身体和精神之间的相互作用。对统一框架的需求日益增长，该框架可以将常规和替代疗法，心理支持和能量医学编织在一起，导致了统一综合医学（UIM）的发展。这种综合模型旨在根据世界卫生组织（WHO）对健康的定义达到幸福状态：“一种完整的身体，精神和社会（和精神）幸福感的状态，而不仅仅是缺乏疾病或虚弱的状态” [1]。
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7