XiaoMi-AI文件搜索系统
World File Search SystemiZation
AI和算法公平中的种族/种族类别
种族多样性在AI和算法公平文献中越来越多地讨论，但是很少关注的重点是证明种族类别的选择并了解人们如何将人们种族化为这些选择的种族类别。对种族类别的转变以及种族ization过程的变化的关注更少，具体取决于数据集或模型的上下文。对谁包括选择的种族恋爱以及人们如何将种族化的人纳入这些类别的不清楚的理解可能会导致对这些类别的不同解释。当对种族类别的理解和种族化过程的理解与所使用的实际种族化过程和种族类别失错时，这些不同的解释可能会导致伤害。危害。在本文中，我们做出了两种贡献。首先，我们证明了如何具有不清楚的假设和几乎没有理由的种族类别会导致不同的数据集，而这些数据集代表了不良的群体，而这些群体被给定的种族类别和在这些群体上表现不佳的模型所掩盖或没有代表。第二，我们开发了一个框架，循环表格，用于记录选择种族类别的选择和求职者，以及将种族化的过程和这些类别的种族化过程，以促进透明度在选择数据集或建模过程中所做的过程和假设时，在选择或使用这些种族类别时。
计时器：生成预训练的变压器是大时间序列模型
深度学习为时间序列分析的进步做出了显着贡献。仍然，深层模型可以在现实世界中数据筛选场景中遇到性能瓶颈，由于当前基准上的小型模型的性能饱和，可以隐藏它们。同时，大型模型通过大规模的预训练在这些情况下表现出了很大的力量。通过大型语言模型的出现，已经取得了持续的进步，这些模型表现出了前所未有的能力，例如少数通用，ization，可伸缩性和任务通用性，但是在小型深层模型中不存在。为了更改从头开始的训练方案特定小型模型的现状，本文旨在早期开发大型时间序列模型（LTSM）。在预训练期间，我们策划了最高10亿个时间点的大规模数据集，将杂项时间序列统一为单序列序列（S3）格式，并开发GPT型体系结构to-Ward ltsms。为了满足各种应用需求，我们将预测，归档和时间序列的异常检测转换为统一的生成任务。这项研究的结果是一个时间的变压器（计时器），它是由下一个令牌预测预测的生成性培训，并适用于具有有希望的Capabil-Ities作为LTSM的各种下游任务。代码和数据集可在以下网址提供：https：//github.com/thuml/large time-series-模型。
国防 SBIR/STTR 计划季度回顾
SBIR/STTR 的成功有多种衡量标准，包括对联邦政府和国家的影响、联邦政府的成本节约以及小企业的利益；但最好的衡量标准是“第三阶段”或“商业化”的价值。第三阶段是源自、扩展或完成先前 SBIR/STTR 资助协议下所做的努力的工作，但资金来自 SBIR/STTR 计划以外的来源。第三阶段包括产品、服务、研究/研发 (R/R&D) 或其任何组合，包括产品、服务或技术的测试和评估。第三阶段不涉及联邦政府 SBIR/STTR 预留资金；第三阶段资金可以来自私营部门和/或政府以任务资金的形式提供。迄今为止，DON 已资助超过 106 亿美元用于商业化 SBIR/STTR 技术。
通过小型 CZT 传感器网络进行放射源定位的人工智能方法
我们提出了一种小型 (0.5 𝑐𝑚 3 ) 静态 CZT 传感器网络，由多个无方向性探测器 (NDD) 组成，能够在 3D 中定位固定辐射源。定位采用基于 AI 技术的融合算法执行。该算法基于多层 Perseptron 神经网络 (MLP) 和梯度提升决策树 (BDTG)。它们已使用基于 Geant4 框架的 SWORD 模拟软件生成的模拟数据进行训练。使用我们实验室使用的 137 𝐶𝑠 源 180 𝜇𝐶𝑖 的实验数据验证了算法的定位效率。在 5m x 2.8m x 2m 的监测范围内，垂直和水平方向的定位分辨率分别达到 10cm 到 15cm 量级，深度方向的定位分辨率小于 20cm 量级。
fairadapt：公平数据预处理的因果推理
机器学习算法对于各种预测任务很有用，但它们也可以学习如何根据性别，种族或其他敏感属性来区分。这种实现产生了公平的机器学习领域，该领域旨在识别，量化和最终减轻这种算法偏见。此手稿描述了R软件包Fairadapt，该软件包实现了因果推理预处理方法。通过使用因果图形模型以及观察到的数据，该方法可用于解决“我的薪水是什么，如果我的性别/种族不同？”的假设问题。这种个人级别的反事实推理可以帮助消除歧视并有助于证明公正的决定。我们还讨论了适当的放松，假设某些因果关系从敏感属性到结果没有歧视性。
使用智能手机驱动的增强生物多样性监测，...
非编码RNA参与生物学过程和疾病使其特征至关重要，从而需要对可以对大型非编码RNA进行分类的计算方法。近年来，深度学习在各个领域的成功导致其应用于非编码RNA分类。已经开发了多个新颖的架构，但是这些范围并未被当前的文献评论所涵盖。我们对最先进的不同方法和数据集进行了详尽的比较。此外，文献缺乏客观的基准。我们执行实验，以公平地评估流行数据集上非编码RNA分类的各种工具的性能。我们还测量计算时间和CO 2排放。关于这些结果，我们评估了不同建筑选择的相关性，并提供了未来方法的建议。数据集和可再现代码可在https://evryrna.ibisc.univ-evry.fr/evryrna/ncbench上找到。
![arXiv:2006.13644v1 [quant-ph] 2020 年 6 月 24 日](/simg/0\07b3531d436e8a9fb02eec1e77f04882fa1c3acf.webp)
arXiv:2006.13644v1 [quant-ph] 2020 年 6 月 24 日
我们制定了一种算法，仅从部分信息（例如少体可观测量可获得的信息）来确定量子多体态之间保真度的下限。我们的方法特别适用于置换不变态，但在所有对称性仅为部分对称性的情况下，它都会给出非平凡的结果。此属性使其特别适用于原子集合实验，其中相关的多体态可通过集体测量来认证。例如，我们表明，仅通过测量 N = 100 个粒子的 ξ2 ≈− 6 dB 自旋压缩态，即可以高达 F = 0.999 的保真度认证其极化和压缩正交。此外，我们还展示了如何定量考虑状态中的测量噪声和部分对称性，这使得我们的方法在实际的实验情况下很有用。
超氧化物歧化酶对SH-SY5Y神经母细胞瘤细胞和RAW264.7巨噬细胞的神经保护和免疫调节作用
超氧化物歧化酶（SOD）是一种保护人体免受自由放射线的抗氧化剂。它具有抗氧化剂和免疫调节特性，从而诱导巨噬细胞极性从M1到M2。巨噬细胞（先天免疫反应的关键介体）分为M1（促炎）和M2（抗炎）亚型。在这项研究中，我们旨在评估SOD对神经细胞的抗氧化和神经保护作用及其对巨噬细胞的免疫调节作用。我们观察到SOD抑制了活性氧的认可，并增强了H 2 O 2处理的神经细胞的生存力。此外，SOD降低了用巨噬细胞的条件培养基处理的神经细胞中的坏死程度，巨噬细胞诱导炎症。另外，SOD促进了M1至巨噬细胞的M2转变。我们的发现表明SOD保护神经细胞并调节免疫反应。
探索公开演讲：第四版
做。如果有人坐在校园附近，看到两个学生乘坐皮卡车开车，并说：“那个大学驾驶皮卡车的所有学生”既是刻板印象，又是仓促的一般性造成的逻辑谬误（请参阅第14章）。同时，一个人不应总计一个人或一群人。总计是一个人或一个人的一个特征，并使该人或团体的“总体”或总和。总共发生的残疾人经常发生；残疾被视为该人的总体，或者所有该人所关心的。这既可能有害关系，又可能是一种交流手段。，如果一群专业的妇女在一群人面前的演讲者总计，并得出结论，他们对“妇女问题”的某些看法就是他们所关心的，那么演讲者的效率较低，而且可能是不道德的。
