XiaoMi-AI文件搜索系统
World File Search Systemomitting
F-35 联合攻击战斗机：成本与挑战
F-35 旨在取代空军的 A-10 和 F-16、海军的 F/A-18 以及海军陆战队的 F/A- 18 和 AV-8。挑战：迄今为止，F-35 的优势被多个缺点所抵消。人体模型测试 2015 年 7 月和 8 月的测试表明，体重在 136 磅至 165 磅之间的飞行员弹射时死亡概率为 23%，颈部受伤概率为 100%。体重低于此体重的飞行员面临的风险更高，随后被禁止驾驶 F-35。结构 尽管飞机在轮换，但最近的飞行测试确定需要压力释放阀，因为没有它限制了 F-35 的飞行速度和高度。耐久性测试显示机翼结构出现裂缝，可能造成灾难性后果。此外，战斗机在发动机故障前的平均飞行时间低于预期阈值。ALIS 自主物流信息系统 (ALIS) 旨在与飞机协同完成从任务规划到识别故障系统的所有工作，但它在多个方面都遇到了困难；该系统规模过大、出现故障并歪曲信息。目前，它还没有覆盖整个飞机，省略了健康管理等组件的报告。同样，ALIS 也容易受到网络安全漏洞的影响，而洛克希德·马丁公司不愿进行全面测试，这又加剧了这一问题。人们担心，这样的测试可能会破坏 ALIS 以及自主物流作战部队 (ALOU) 的作战能力。F-35 的关键系统可能容易受到网络攻击，再加上软件更新之间反复出现的稳定性滞后，人们担心 F-35 先进网络存在系统性弱点。第三代 第三代头盔是一款创新型头盔，配有挂载显示系统 (HMDS)，旨在改善飞行员和飞行系统之间的集成。第三代头盔在基本飞行练习中出现故障，导致在执行常规训练动作时无法跟踪读数。第二个更轻的版本
战略位置规划和供应链...
缺乏适当的规划和政策，忽视国内市场和产品价值的提高，导致尼泊尔的地毯行业急剧衰落。地毯曾是尼泊尔的主要出口材料，现在仅靠美国才能生存，导致过去十年需求量急剧下降。需求预测确定了下降趋势。衰落的主要原因是成本高，这忽略了复苏和在国内市场生存的机会。为了降低成本，必须考虑通过印度和中国的公路供应原材料，取代昂贵的新西兰航空运输。为了加强研究结果，我们利用移动平均线、加权移动平均线和指数平滑等预测方法来预测需求趋势并评估其对战略规划的影响。指数平滑法的 RMSE 值最小，确定了其准确性和可靠性。加德满都人口的急剧增加导致许多行业迁移，促使政府在尼泊尔各地规划经济特区 (SEZ)。为满足需求，各设施都进行了战略性选址，重点是利用政府在经济特区提供的资源来支持工业扩张。此外，还采用了重心 (CoG) 方法，使用 MATLAB 中的经纬度坐标，并通过常规方法进行验证，以确定最佳设施位置。样本计算证明了 CoG 技术的适用性，Simara 和 Bhairahawa 根据不同情景成为有利的经济特区。重心 (CoG) 和成本建模等位置规划技术有助于根据全国产品需求为扩张中的行业确定最佳位置，这对于未来几年国内地毯行业的预期增长至关重要。关键词重心；成本建模；预测；设施定位；经济特区；供应链管理 1. 简介
无需组装：DNA序列的更强，更简单的发布标准的时间
每个科学纪律都制定了出版标准，旨在帮助研究人员简洁地传达支持他们结论的证据，并允许其他人在工作基础上建立。例如，要发布新化合物的第一份报告，合成化学必须提供NMR和质谱，因为有广泛的共识，即这些分析技术必须表明根据预期制备了化合物。同样，当开发新软件时，几乎需要普遍要求在出版物上提供源代码，以便其他人可以检查其功能并重复使用它。在2011年，建议应报告完整的DNA序列以支持合成生物学出版物[1]。今天，生物工程和生命科学的其他领域仍然遭受令人困惑，不一致和发布DNA序列的足够标准。在研究期间开发的质粒和基因组的序列有时根本不作为出版物的一部分，或者仅以指示形式以如何组装它们而不是最终序列的形式。这类似于计算机科学纸，省略了其代码或描述如何通过在其他论文中复制代码来重建代码。如果生物学家正在重新编程，为什么他们不期望发布其源代码？通过复制和粘贴一部分现有DNA序列来构建工程DNA时的一些实践，并且它很昂贵，困难甚至无法检查结果。然而，测序技术现已改善，以至于确定质粒甚至基因组的整个核苷酸序列变得廉价且易于访问。在2023年，对整个质粒进行测序的费用为15美元，并且测序细菌基因组的成本为100美元，这些价格可能会下降。与compoter代码不同，DNA可以突变，当酶或细胞复制时会积累其顺序变化。这种意外进化的可能性使得验证研究中使用的DNA序列即使不是新构建也是特别重要的。
医疗保健领域人工智能的可解释性
摘要背景：在人工智能 (AI) 应用于医疗保健领域时，可解释性是最受争议的话题之一。尽管人工智能驱动的系统已被证明在某些分析任务中表现优于人类，但缺乏可解释性仍然引发批评。然而，可解释性不是一个纯粹的技术问题，相反，它引发了一系列需要彻底探索的医学、法律、伦理和社会问题。本文对可解释性在医学人工智能中的作用进行了全面评估，并对可解释性对于将人工智能驱动的工具应用于临床实践的意义进行了伦理评估。方法：以基于人工智能的临床决策支持系统为例，我们采用多学科方法从技术、法律、医学和患者的角度分析了可解释性对医学人工智能的相关性。基于这一概念分析的结果，我们随后进行了伦理评估，使用 Beauchamp 和 Childress 的“生物医学伦理原则”（自主、仁慈、不伤害和正义）作为分析框架，以确定医疗 AI 中可解释性的必要性。结果：每个领域都强调了一组不同的核心考虑因素和价值观，这些因素与理解可解释性在临床实践中的作用有关。从技术角度来看，可解释性必须从如何实现和从发展角度来看有什么好处两个方面来考虑。从法律角度来看，我们将知情同意、医疗器械认证和批准以及责任确定为可解释性的核心接触点。医学和患者的观点都强调了考虑人类行为者和医疗 AI 之间相互作用的重要性。我们得出的结论是，在临床决策支持系统中忽略可解释性会对医学的核心伦理价值观构成威胁，并可能对个人和公共健康产生不利影响。结论：为了确保医疗 AI 兑现其承诺，需要让开发人员、医疗保健专业人员和立法者意识到医疗 AI 中不透明算法的挑战和局限性，并促进多学科合作。关键词：人工智能、机器学习、可解释性、可解释性、临床决策支持
惯性传感器阵列 - DiVA 门户
如今，惯性传感器的运动估计已广泛应用于从飞机导航到可充气自行车头盔等各种应用领域。惯性传感器运动估计的精度取决于测量误差的大小。减少惯性传感器测量误差的一种方法是使用比运动估计所需更多的传感器。通过对冗余传感器的测量结果进行平均，可以减少独立误差的影响。但是，通过在刚体上放置多个惯性传感器，可以获得比简单平均更多的运动信息。例如，刚体的逐点加速度包含有关刚体旋转的信息。本论文研究并提出了如何融合惯性传感器阵列测量结果的方法，以及如何估计和校准传感器中存在的系统测量误差。惯性传感器阵列包含多个加速度计和多个陀螺仪。在运动估计应用中，通常从陀螺仪测量中估计角速度，然后将角速度积分为方向。角速度也可以从多个加速度计中估计。本论文提出了融合加速度计和陀螺仪测量的不同模型，以实现更准确的方向估计。通过提高方向的准确性
通过利用计算机视觉进行用户动作仿真来改善跟踪综合
法医分析是由需要可靠，最先进的工具和持续培训的熟练法医从业人员进行的。为了提供教育和学术界，依靠现实的培训数据集。这些数据集对于教授研究人员，验证法医工具，推进算法和进行研究至关重要。同时，法医社区面临现实数据集的缺点，这主要是由于道德和法律原因。为了克服这一挑战，先前的工作引入了几个框架，目的是创建真实证据的无问题。这些框架通过用模拟用户行为痕迹填充磁盘图像来生成合成数据集。但是，一般同意，现有框架在生成的数据集的质量方面存在一些缺点，尤其是由于将不切实际的痕迹纳入了基于GUI的环境中。回顾了共同框架的实现细节，我们发现当前的解决方案错过了逼真的痕量合成，从而降低了合成数据集的质量和实用性。通过利用计算机视觉，本文介绍了一种新颖的方法，旨在提高合成数据集的质量。我们提出了一个架构，并利用用于创建人体接口设备（HID）输入的操纵程序提供了开源实现，该输入由计算机视觉算法控制以模仿类似人类的用户行动。通过这种方式，我们提供了外部GUI自动化能力，可以比现有解决方案更现实的痕量综合，并将适用性开放到广泛的基于GUI的操作系统。与以前的研究结果相反，我们的方法独立于在虚拟机中运行的软件，通过省略自动化工件进一步优化了生成的数据集的质量。我们的实验表明，使用外部GUI自动化进行用户动作仿真会导致更大的量和更广泛的痕迹分布。因此，我们的方法可能会在此字段中重新确定数据集的质量。©2023作者。由Elsevier Ltd代表DFRWS发布，这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nc-nd/4.0/）下的开放访问文章。
医疗保健领域人工智能的可解释性
摘要背景：在人工智能 (AI) 应用于医疗保健领域时，可解释性是最受争议的话题之一。尽管人工智能驱动的系统已被证明在某些分析任务中表现优于人类，但缺乏可解释性仍然引发批评。然而，可解释性不是一个纯粹的技术问题，相反，它引发了一系列需要彻底探索的医学、法律、伦理和社会问题。本文对可解释性在医学人工智能中的作用进行了全面评估，并对可解释性对于将人工智能驱动的工具应用于临床实践的意义进行了伦理评估。方法：以基于人工智能的临床决策支持系统为例，我们采用多学科方法从技术、法律、医学和患者的角度分析了可解释性对医学人工智能的相关性。基于这一概念分析的结果，我们随后进行了伦理评估，使用 Beauchamp 和 Childress 的“生物医学伦理原则”（自主、仁慈、不伤害和正义）作为分析框架，以确定医疗 AI 中可解释性的必要性。结果：每个领域都强调了一组不同的核心考虑因素和价值观，这些因素与理解可解释性在临床实践中的作用有关。从技术角度来看，可解释性必须从如何实现和从发展角度来看有什么好处两个方面来考虑。从法律角度来看，我们将知情同意、医疗器械认证和批准以及责任确定为可解释性的核心接触点。医学和患者的观点都强调了考虑人类行为者和医疗 AI 之间相互作用的重要性。我们得出的结论是，在临床决策支持系统中忽略可解释性会对医学的核心伦理价值观构成威胁，并可能对个人和公共健康产生不利影响。结论：为了确保医疗 AI 兑现其承诺，需要让开发人员、医疗保健专业人员和立法者意识到医疗 AI 中不透明算法的挑战和局限性，并促进多学科合作。关键词：人工智能、机器学习、可解释性、可解释性、临床决策支持
Microsoft Word - FantasyFootball-KDD-DLP-Sports-cameraready.docx
摘要 梦幻体育让球迷可以管理自己喜欢的运动员组成的球队，并与朋友和其他经理竞争。梦幻平台将运动员在现实世界中的统计表现与梦幻得分相结合，其受欢迎程度稳步上升，2018 年至 2019 年期间，每月估计有 910 万玩家在 ESPN Fantasy Football 平台上花费了 77 亿分钟，球员卡片浏览量达 44 亿次。与此同时，体育媒体界制作了幻想体育范围内和范围外的新闻报道、博客、论坛帖子、推文、视频、播客和观点文章。然而，人类幻想足球玩家无法消化和总结数十亿字节的自然语言文本和多媒体数据来做出阵容决定。在我们的系统出现之前，幻想经理依靠专家预测及其对平均 3.9 个信息源的分析来做出阵容决定。虽然这些专家擅长根据传统统计数据评估球员，但他们忽略了大部分可用于评估的数据。我们的工作讨论并展示了一种新颖的（正在申请专利的）机器学习管道的结果，该管道可以有效地管理 ESPN Fantasy Football 团队。每天将经过训练的统计实体检测器和 document2vector 模型应用于超过 50,000 个新闻来源和 230 万篇文章、视频和播客，使系统能够理解自然语言，类比测试准确率为 100%，关键字测试准确率为 80%。接下来，98 层深的深度学习前馈神经网络提供球员分类，例如球员是否会失败、爆发、带伤上场或发挥有意义的作用，累计准确率为 72%，真实世界分布率为 12%。最后，多元回归集成接受深度学习输出和 ESPN 投影数据，为 2018 年排名前 500 的梦幻足球球员中的每一个提供点投影。点投影保持了 6.78 个点的均方根误差。接下来，从适合当前预测和历史得分的 24 个概率密度函数中选出最佳的函数来
PDF - AMA 伦理学杂志®
摘要 世界卫生组织 (WHO) 于 1977 年发布了第一份基本药物清单 (EML)，并每两年更新一次。人们可能合理地认为，EML 上的药物之所以存在，是因为它们对于有效的、循证的患者护理和干预至关重要。然而，人们可能无法合理地猜测，某种药物的供应链漏洞会导致其存在短缺风险，从而促使其被列入 EML。这篇关于案例的评论首先介绍了 WHO 制定 EML 的原因，并提出了在修订和更新 EML 时考虑药物短缺风险的重要性。这篇评论还指出，区分“基本”药物和“易受影响”药物可以增强供应链的弹性，并减轻药物短缺对患者护理的干扰。案例 C 医生是一家学术医疗中心的肿瘤科医生，行医已有 15 年。C 医生的病人是 JJ，一个刚被诊断出患有癌症的儿童。现在，C 医生又收到医院药房的第二份通知，用于治疗 JJ 癌症的标准化疗干预药物顺铂供应不足。C 医生开始提前计划，并思考是否以及如何调整 JJ（可能还有其他病人）的护理计划，也许是省略 JJ 的至少一个化疗周期，或者通过修改其他病人的治疗计划来限制他们获得药物，这样 JJ 的护理计划就不会改变。1,2 评论假设 C 医生以前多次遇到过这个问题，因为几种肿瘤药物的短缺已经持续了几十年，3 并且记得对病人的影响——以及对她无法为病人提供最佳护理的影响——各种肿瘤药物的短缺。因此，她决定调查为什么她的病人的治疗方案中至关重要的药物经常无法获得。确切原因难以查明，但她了解到，过去药品短缺的主要原因是供应链问题，包括制造工艺问题、需求增加以及必要活性药物成分的短缺。但最终，她只知道许多抗癌药物的供应链需要加强。这些供应链不应该如此频繁地断裂，以免损害她的病人的利益，而她的病人是病情最严重的人群之一。
就业法庭
未决的修正申请被搁置，两年多来无人追究法庭的责任，这意味着我们必须同时听取修正申请并在一开始就同意这些问题，我们承认，对于不再拥有法律代表的原告来说，在涉及如此多指控的索赔中，涉及《平等法》的三个部分，这在听证会上以及听证会后出现进一步问题时一定非常具有挑战性。在听证会上和听证会结束后对原告的两项修正申请做出决定时，我们考虑了《平等待遇法庭手册》，该手册特别鼓励法庭对面对专业代表的当事人的诉讼当事人做出调整。尤其是，关于本法庭邀请原告澄清她根据《平等法》的哪些章节提出索赔，在此之前，本法庭告诉原告她根据第 26 条提出的骚扰索赔毫无根据，并且考虑到她在回复时对她的索赔和指控的来源有些困惑，我们确实考虑到了她所面临的困难。我们发现平等待遇法庭书的以下部分对我们有帮助 [第 30 段]，当原告第二次提出修改索赔的进一步申请时，诉讼当事人在正确标记其索赔方面面临的困难显而易见。似乎问题清单草案并未在最终听证会之前发送给原告，因此她在最终听证会上处于不利地位。她就其索赔所在向我们提出的进一步陈述，实际上相当于重新定义了被告在听证会上提出的原始问题草案清单。虽然我们认为安排另一场听证会来处理这个问题是不恰当的，但我们确实考虑到原告在试图阐明其所有索赔所在时所面临的障碍，平等待遇法庭书中的以下段落是相关的（我们强调）以及：- 案件的具体化/听证问题：律师发现概括和确定论点的关键点相对容易。对于许多其他人来说，这极其困难。因此，当被要求提供详细信息时，LIP 往往会错过最后期限，完全逃避任务，或者做错事——要么省略关键信息，要么提供过多信息，通常超出原始诉状的范围。在要求当事人提供听证会问题清单的司法管辖区中，也会出现类似的问题。