XiaoMi-AI文件搜索系统
World File Search Systemidentify
机器学习预测肥胖相关肠道菌群：确定假链双歧杆菌作为潜在治疗靶点
超重和肥胖是全球重大的公共卫生挑战，带来了巨大的临床困难（Laine 和 Wee，2023 年）。肥胖是各种广泛性疾病的主要前兆，包括 2 型糖尿病、高血压、非酒精性脂肪肝、癌症和阻塞性睡眠呼吸暂停综合征（Tsai 和 Bessesen，2019 年；Quek 等人，2023 年）。尽管为治疗、缓解和预防做出了许多努力，但全球肥胖的患病率和严重程度仍在持续上升（Heindel 等人，2024 年）。从病因上讲，肥胖是一种复杂的疾病，主要由遗传和环境因素的相互作用驱动（Laine 和 Wee，2023 年）。因此，有效的肥胖治疗需要采用多学科方法（Velazquez 和 Apovian，2018 年），凸显了对创新预防和治疗策略的迫切需求。
基于硬件行为指纹识别相同单板计算机的方法
单板设备的连接性和资源受限性为影响物联网 (IoT) 场景的网络安全问题打开了大门。最重要的问题之一是存在未经授权的 IoT 设备，它们试图通过使用相同的硬件和软件规格冒充合法设备。这种情况可能会在 IoT 场景中引发敏感信息泄露、数据中毒或权限提升。将行为指纹识别和机器/深度学习 (ML/DL) 技术相结合是一种很有前途的方法，可以通过检测制造缺陷产生的微小性能差异来识别这些恶意欺骗设备。然而，现有的解决方案不适用于单板设备，因为它们没有考虑硬件和软件限制，低估了指纹稳定性或上下文变化等关键方面，也没有探索 ML/DL 技术的潜力。为了改进它，这项工作首先确定了单板设备识别的基本属性：唯一性、稳定性、多样性、可扩展性、效率、稳健性和安全性。然后，一种新方法依靠行为指纹识别来识别相同的单板设备并满足先前的属性。该方法利用系统的不同内置组件和 ML/DL 技术，将设备内部行为相互比较，以检测制造过程中发生的变化。该方法验证已在由 15 个相同的 Raspberry Pi 4 Model B 和 10 个 Raspberry Pi 3 Model B + 设备组成的真实环境中进行，使用 XGBoost 模型获得 91.9% 的平均 TPR，并通过在评估过程中设置 50% 的阈值实现对所有设备的识别。最后，讨论将提出的解决方案与相关工作进行了比较，强调了未满足的指纹属性，并提供了重要的经验教训和局限性。
可解释的人工智能，用于识别财务报表中的盈利能力预测因素
摘要。经济变量融合了公司绩效的相互联系的性质使得对公司赚取趋势的预测成为挑战性的任务。现有方法通常依赖于简单的模型和未能捕获相互作用影响的综合性的财务比率。在本文中，我们将机器学习技术应用于来自AIDA的原始财务报表数据，AIDA是一个数据库，该数据库包括2013年至2022年的意大利上市公司的数据。我们介绍了对不同模型的比较研究，并遵循欧洲AI法规，我们通过将解释性技术应用于所提出的模型来补充分析。，我们建议采用一种基于游戏理论的可解释的人工智能方法来识别最敏感的特征，并使结果更容易解释。
蜂蜜批量 DNA 宏基因组分析，用于识别蜂蜜的生物成分并监测蜜蜂病原体
1 Celvia CC AS，塔尔图，爱沙尼亚 10 2 塔尔图大学临床医学研究所妇产科系，塔尔图，爱沙尼亚 11 3 卡罗琳斯卡医学院和卡罗琳斯卡大学医院临床科学、干预和技术系妇产科，12 瑞典斯德哥尔摩 13 4 塔尔图大学分子与细胞生物学研究所，爱沙尼亚 14 15
不完整的人类参考基因组可以驱动虚假的性偏见并暴露于宏基因组数据中的患者识别信息
其他声明：是的，存在潜在的竞争利益。Rob Knight是BioMesense，Inc。的科学顾问委员会成员兼顾问，具有公平性并获得收入。他是科学顾问委员会成员，在Gencirq拥有权益。他是Daytwo的顾问和科学顾问委员会成员，并获得收入。他拥有公平，并担任赛贝尔的顾问。他是Biota，Inc。的共同创始人，并具有公平性。他是Micromana的联合创始人，具有公平性，并且是科学顾问委员会成员。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。 根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。Daniel McDonald是BioMesense，Inc。的顾问，拥有股权并获得收入。根据其概述的政策，已由加州大学圣地亚哥分校对这些安排的条款进行了审查和批准。
使用调查数据识别口腔健康差的儿童和青少年的低成本和可扩展的机器学习模型：葡萄牙的经验研究
这项实证研究评估了开发机器学习模型的潜力，以仅使用自我报告的调查数据来识别口腔健康状况不佳的儿童和青少年。这样的模型可以启用可扩展且具有成本效益的筛查和针对性的相互作用，从而优化有限的资源以改善口腔健康结果。要训练和测试模型，我们使用了来自葡萄牙市立学校的2,133名学生的数据。口腔健康差（因变量）被定义为具有落叶牙齿（DMFT）的腐烂，错过和填充的牙齿指数（DMFT）或恒定牙齿（DMFT）（DMFT）高于专家定义的阈值（DMFT/DMFT 3或4）。调查提供了有关学生口腔健康习惯，知识，信念以及食物和体育锻炼习惯的信息，这些习惯是自变量。logistic回归模型，其通过低变化过滤和递归功能消除选择的变量优于基于Precision@k Metric的复杂机器学习算法训练的各种培训，但在识别患有较差口服健康的学生方面，也进行了随机选择和基于专家规则的模型。与类似的方法和模型相比，提出的模型可以天生可以解释，广泛适用，可以弥补其较低的性能（曲线下的面积= 0.64-0.70）。这项研究是口腔保健中为数不多的分类模型审核的人之一。审核表现出与人口统计学因素（例如年龄和社会援助状况）有关的潜在偏见。解决这些偏见而没有显着损害模型性能仍然是一个挑战。结果证实了基于调查的机器学习模型来识别口腔健康差的个体的可行性，但是在现场试验中需要进一步验证这种方法和试点测试。
25 本研究的目的是确定受风暴影响的区域……
HEC-RAS 模型需要边界条件数据来模拟河流和水道中的流动，这些边界条件为流量和水位过程线的形式，适用于提供或抽象具有流量的 2D 流动区域的边界、与河流系统直接相互作用的子流域的均匀侧向流、与河流系统间接相互作用的子流域的侧向流入过程线，以及从 2D 流动区域下游边界释放水的正常深度和速率曲线（Brunner 1995）。
跨孔CT方法在地质灾害中的准确性统计评估
摘要摘要喀斯特地质危害对广东港大湾大湾地区的城市建设和地下太空发展和利用构成了重大挑战，尤其是在广州和深圳。喀斯特探索通常涉及通过钻探和地球物理信息结合识别和评估洞穴。近年来，跨孔计算机断层扫描（CT）地球物理方法由于其易于运行和获得地质信息的能力而广泛用于大湾地区的喀斯特勘探中。但是，该方法在识别洞穴方面的准确性仍需要进行定量评估。本文使用模型因子方法对统计分析了大量有关喀斯特钻孔和探索的数据，跨孔CT喀斯特识别的准确性进行了统计分析。结果表明，该方法可以准确检测到洞穴屋顶，地板和高度的埋入深度，平均误差小于5％。洞穴屋顶埋入深度的预测准确性仅具有极低的变异性，只有5％，而洞穴高度的预测精度具有中等变化，超过35％。交叉孔CT喀斯特识别方法的精度稳定性令人满意，并且不受CT方法类型，洞穴填充条件，发射和接收点距离，钻孔类型，洞穴屋顶厚度，钻孔距离和验证孔距离等因素的影响。最后，分析证实了预测洞穴高度的模型因素遵循威布尔分布。本文还对当前的跨孔CT方法进行了简单的校正，该方法将模型的平均准确性提高了4％，并使变异性降低了3％，而不会增加计算复杂性。研究结果可以为喀斯特地区的喀斯特洞穴探索和风险评估提供理论支持。
建立 DNA 数据库，帮助识别冲突中被盗儿童
关于亲子关系或母子的揭露 2。自 2009 年以来，我在多份法庭之友陈述（为法庭提供专业知识的法律文件）中辩称，不应从未被定罪的人身上采集 DNA。我也反对政府成为家庭团聚 DNA 检测的组织（见 go.nature.com/3dqrmzp）。2021 年，我与 19 位合著者还提出了如何安全且合乎道德地使用 DNA 检测来帮助因 2017-18 年美国零容忍移民政策 3 而分离的家庭成员重新团聚。根据这项政策，所有未经证件跨越美墨边境的人都面临刑事指控，这导致儿童和婴儿与监护人或父母分离。那时我已确信 DNA 数据库作为人道主义背景下离散家庭成员的一线工具的重要性。因此，2022 年，我与他人共同创立了 DNA Bridge，这是一个非营利组织，旨在推进 DNA 检测的安全和合乎道德地用于协助人道主义环境中的家庭团聚。乌克兰发生的事情并不是第一次在冲突期间儿童被带离家人，也不会是最后一次。“掳走孩子”长期以来一直是战争和种族灭绝的工具，包括第二次世界大战。在 1970 和 1980 年代，出于各种原因，儿童被强行从智利、阿根廷、危地马拉和萨尔瓦多带走，并安置在同一个国家或其他地方的其他家庭中。在这些情况下，DNA 检测帮助一些家庭成员重新联系——但只是几十年后的事了。与其等待数年，不如现在就开发 DNA 亲属关系资源，以帮助寻找失踪儿童的乌克兰家庭和社区。根据耶鲁大学 2024 年 12 月的报告，许多在俄罗斯被收养的乌克兰儿童都非常年幼。有些人在 2022 年被带走时只有两岁。此外，许多在 2014 年俄罗斯第一次占领后出生的乌克兰儿童可能没有纸质文件，例如出生证明和护照，他们可以使用这些文件追溯自己的根源。DNA 检测可能是让他们与家人重新联系的唯一方法。在当地诊所、医院和人道主义组织的帮助下，现在可以从失踪儿童的乌克兰家庭收集 DNA 数据，并将其安全地存储在匿名的政府间数据库中。如果这些孩子可以找到——比如说，俄罗斯发生政权更迭——无论是几个月、几年还是几十年后，这些数据都可以与失散儿童的 DNA 数据相匹配。这种需求十分迫切，因为如果父母、祖父母和兄弟姐妹在难民散居地，他们可能无法联系到
用于识别黄色的经典和机器学习工具......
油菜籽在发育过程中含有叶绿素，使其呈现绿色。随着种子的成熟，它们会呈现出黑色、红褐色到黄色等颜色。黑色和红褐色种子的种皮会积累色素，而黄籽品种的种皮透明，可以露出胚的颜色。研究表明，黄籽油菜籽比黑籽品种休眠期短、发芽更简单、含油量更高，因此培育黄籽油菜籽是提高油分含量的有效方法（Yang et al.，2021）。芥菜和油菜黄籽品种的鉴别相对简单，因为纯黄色表型在遗传上是稳定的（Li et al.，2012；Chen et al.，2015）。然而，由于种皮颜色变异复杂，包括黄色中夹杂黑色斑点、斑块或棕色环等杂色，油菜种皮一直未能获得稳定的纯黄色后代，且分离后代的种皮颜色呈现连续变异（刘，1992；Auger等，2010；Qu等，2013），因此准确、高效地测定油菜种皮颜色仍是一项关键且具有挑战性的任务。许多研究涉及油菜籽颜色的鉴别（Li等，2001；Somers等，2001；Zhang等，2006；Baetzel等，2003；Tańska等，2005；Li等，2012；Liu等，2005；Ye等，2018）。例如，Li等（2001）通过目视观察来评估甘蓝型油菜的黄籽程度，这种方法简单但过于依赖观察者，导致识别可能不准确。Somers等（2001）利用光反射来评估黄籽颜色等级，通过测量反射值并计算籽粒颜色指数或光反射值。该方法虽然较为客观，但仅能捕捉亮度等单维颜色数据，忽略了原始材料的丰富信息。为了解决这一限制，许多学者致力于通过 RGB 颜色系统进行数字图像分析（ Zhang et al.，2006 ； Baetzel et al.，2003 ； Ta ńska et al.，2005 ； Li et al.，2012 ； Liu et al.，2005 ； Ye et al.，2018 ）。然而，油菜籽表皮颜色复杂且相似，精准识别颜色具有挑战性，现有的技术缺乏可靠性和标准化。因此，准确、有效地测量黄籽油菜的颜色仍然至关重要。化学计量学和计算机技术的最新进展导致了近红外光谱技术（NIRS）的发展，这是一种结合物体图像和光谱数据的技术。 NIRS 以其速度快、无损和高效而闻名，被广泛用于农产品的快速、无损分析。多项研究已经证明了它的实用性（Guo 等人，2019年；布等人，2023；梁等人，2023；刘等人，2021；佩蒂斯科等人，2010；森等人，2018；刘等人，2022；张等人，2020；魏等人，2020；张等人，2018；江等，2017；李等人，2022；江等，2018；他等人，2022）。例如，郭等人。 (2019) 使用 NIRS 成像系统 (380 – 1,000 nm) 来准确量化掺假大米，而 Bu 等人。 (2023) 将高光谱成像与卷积神经网络相结合，建立了高粱品种识别的智能模型，准确率超越了现有模型。该技术也已应用于油菜生长诊断。例如，刘等人 (2021) 开发了一种基于高光谱技术的检测算法来预测甘蓝型油菜中的油酸含量。Petisco 等人 (2010) 研究了甘蓝型油菜的可见光和近红外光谱。