XiaoMi-AI文件搜索系统
World File Search Systemplain
美联储对经济消息的回应解释了“......
本工作文件由货币与金融稳定研究所 (IMFS) 赞助发布。本文表达的任何观点均为作者观点，而非 IMFS 观点。IMFS 传播的研究可能包括政策观点，但 IMFS 本身不代表任何机构政策立场。IMFS 旨在提高公众对货币和金融稳定重要性的认识。其主要目标是实施由货币和金融稳定基金会支持的“货币和金融稳定项目”。该基金会于 2002 年 1 月 1 日根据联邦法律成立。其捐赠基金来自 2001 年为纪念德国马克引入欧元现金而发行的 1 德国马克金币的销售。IMFS 工作文件通常代表初步或未完成的工作，用于鼓励讨论和评论。引用和使用此类文件时应考虑到其临时性。货币与金融稳定研究所 法兰克福歌德大学金融之家 Theodor-W.-Adorno-Platz 3 D-60629 法兰克福 www.imfs-frankfurt.de | info@imfs-frankfurt.de
不完整的谱系分类解释了在四种西欧蚱hoppers（Orthoptera：acrididae：chorthippus）的辐射中DNA条形码低的性能
Benoit Nabholz。不完整的谱系分类解释了四种西欧蚱hoppers的辐射中DNA条形码的低性能（Orthoptera：Acrididae：Chorthippus）。林尼社会生物学杂志，2023年，10.1093/biolinnean/blad106。hal-04192161
如何用术语来解释“异常”语言功能？
本文涉及术语学中的“异常”语言功能。如果更一般的作品会引起与标准不同的变化（根据语域、地点、时间），那么“异常”一词已被各种作者用来描述不符合非专业情况下预期的语言功能（元素的添加或删除、参数的变化、某些类别的过度使用等）（例如，参见下面引用的 Lehrberger (1986) 和 Pearson (1998)）。即使不使用“异常”一词，也可以从本质上描述的角度识别专业语言的特殊性。在本文中，我们对这种“异常”现象感兴趣，目的是进行解释。我们想表明的是，这些看似异常的功能实际上是由于情况的特殊性造成的。语言描述（尤其是有关词汇的描述）通常是针对中性情况进行的，即没有指定任何特定的上下文。然而，专业语言的一个固有特征是，它们从一开始就以定义话语社区的交流环境为特征。在大多数情况下，异常的语言功能可以通过在专业情况下建立话语社区的共同利益来解释。这种共同利益以专家的投入为前提，体现在特定的语言功能中。因此，本文唤起了经常被提及来解释行话使用的社会语言学方面，它建立了社区，但也可以孤立社区。根据语料库研究的结果，本文描述了语言功能：冗长（添加修饰语）、经济（删除介词和/或限定词），这些功能可以通过概念的精细度来解释
交配策略解释了新兴真菌疾病中的性偏见感染
交配策略解释了新兴的真菌疾病中的性偏见感染1 2 Macy J. Kailing 1，Joseph R. Hoyt 1，J。Paul White 2，Jennifer A. Redell 2，Heather M. Kaarakka 2，3和Kate E. Langwig 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5 1 4 5资源，麦迪逊WI 53707 7 8摘要9 1）交配动力学可以通过影响10种人口增长和适应率的人口速率以及影响死亡率11风险的单个特征来控制物种的影响，从而影响全球快速变化。12 2）在这里，我们检查了Myotis lucifugus的交配物候期的性别差异，以了解生殖策略如何对疾病的影响有所影响，因为交配14个季节与暴露于致命真菌病原体（Pseudogymnoascus 15 destructans）相吻合。我们期望性别之间的活动差异可以改变季节性疾病16动力学，因为P. Destructans只能在蝙蝠17冬眠的凉爽温度下复制。18 3）我们使用了安装在Hibernacula和Pit标签入口处的被动天线系统，表征了由白鼻综合征影响的蝙蝠的活动模式。我们还测量了秋季交配和早期冬眠期间蝙蝠上的病原体负荷，以评估21感染严重程度如何根据宿主物候变化。22 4）我们发现，女性在秋天，在男性之后到达，在最温暖的夜晚中，有23名妇女活跃起来。男性在24个交配期间保持高度活跃，而在秋季则比女性保持活跃。33 34 1。简介35重要的是，25个配合物候学的这些差异对应于26个冬眠中女性的更严重的感染作为男性活性，从而抑制病原体的生长。27 5）性别之间的活动差异以及从群体到冬眠的过渡28可能反映了男性最大化其交配机会，而女性则节省了29能量以满足春季迁移和繁殖的成本。更广泛地说，我们的结果30显示了配合物候学如何对一种新型疾病的性偏见影响，31强调了理解物种交配系统的价值，以预测32个环境变化的影响。
后验饮食模式可以更好地解释肠道微生物组的变化，而不是美国肠道项目中的单个标记
摘要背景：已显示单个饮食成分和特定的饮食方案会影响肠道微生物组。目标：在这里，我们通过寻找可以在基于人群的队列中最好与肠道微生物组联系在一起的饮食模式来探讨长期饮食的贡献。方法：使用先验和后验方法，我们从1800名成年人在美国肠道项目中完成的FFQ构建了饮食模式。饮食模式被定义为参与者组的组或食物变量组合（因素），该标准从个人营养到整体饮食。我们将这些模式与16S核糖体RNA的肠道微生物组数据相关联，分别是744名参与者的子集。结果：与单个特征（例如纤维和蛋白质）或代表减少饮食特征减少的因素相比，基于食物组的后验饮食模式与肠道微生物组β多样性最有效（P≤0.0002）。两种模式遵循谨慎的饮食（基于植物和柔韧性的饮食），并表现出健康最高的饮食指数2010（HEI-2010）得分。另外两种模式在HEI-2010分数中呈现出西方样饮食。第五个模式主要由排除饮食（例如低碳水化合物）后的参与者组成。值得注意的是，与柔韧性模式相比，最西方模式的肠道微生物组α多样性明显低于（p≤0.009），并且排除饮食模式与双歧杆菌的相对丰度低有关（p≤1.2×10 –7），这是通过饮食状况更好地解释的。结论：我们证明了全球 - 偏置的后验模式与肠道微生物组的变化相比，比美国成年人的个体饮食特征更多。这些结果证实，在研究肠道微生物组时，总体评估饮食很重要。它也将促进更多
在深度学习模型中可解释的人工智能，用于高风险应用中的透明决策
在医疗保健等领域，AI有助于医学诊断，药物发现和个性化治疗建议[2]。同样，在金融市场中，AI驱动算法有助于高频交易，风险评估和欺诈检测[3]。在自动驾驶汽车和机器人技术中的AI部署增强了导航，对象识别和实时决策能力[4]。然而，尽管AI在决策中的潜力是巨大的，但与模型可解释性，可信度和道德考虑有关的挑战仍然存在[5]。一个主要问题是依赖黑盒深度学习模型，尽管它们令人印象深刻，但他们的决策过程缺乏透明度[6]。这种不透明度导致人们对AI应用程序中的公平性，问责制和法规合规性的关注日益加剧[7]。
纬度系统发育和多样性梯度由热带温度过渡区
整个空间的生态和进化力的分布带来了大约2个生物多样性的模式。在大型地理区域中，这会导致生物多样性的区域化3进入被称为生物区域的结构化单元。为了了解4种此类模式如何出现，需要清楚地描述生物区域。我们将树种用作5型模型分类单元，以分析生物多样性的全球分布，并了解如何形成6种生物多样性的纬度梯度，特别是纬度系统发育和发散7梯度。通过编译树种分布8及其系统发育关系的广泛数据集，我们使用数据驱动的方法来描述全局9个类似的进化历史的生物区域，称为Thyloregions。我们的分析揭示了热带区域和温带区域之间的10个区域，即“桥”对象 - 11 gion，具有独特的进化组成，并且与气候和环境参数的尤为较弱的缔合12。通过模拟，我们表明，纬度系统发育和多样性梯度的13个率在14中更有可能出现在热带和温带区域之间的独立生态区域，15表明，其作为阶梯式岩石在阶梯式结构中的作用，在独特的16个气候动物之间的物种中的阶梯式结构中，可以塑造latientapitalinalinalinalital梯度。这项研究强调，生物多样性的进化结构的准确局限性可以揭示先前神秘的区域18在生物驱动模式的形成中具有基本进化作用。19
使用机器学习和可解释的
摘要 - 糖尿病（DM）是一个全球健康问题，必须尽早诊断出来，并得到很好的管理。本研究提出了使用机器学习（ML）模型进行糖尿病预测的框架，并配有可解释的人工智能（XAI）工具，以投资ML模型的预测的预测准确性和解释性。数据预处理基于糖尿病二进制健康指标数据集中使用的合成少数群体过采样技术（SMOTE）和特征缩放数据集，以处理临床特征的类别失衡和可变性。整体模型提供了高精度，测试精度为92.50％，ROC-AUC为0.975。BMI，年龄，一般健康，收入和体育锻炼是从模型解释中获得的最有影响力的预测因素。这项研究的结果表明，与XAI结合的ML是开发用于医疗保健系统中使用的准确和计算透明工具的一种有希望的方法。
解释委员会工作计划2025
允许将本文档重复使用，只要给出适当的信用并指示任何更改（Creative Commons归因4.0国际许可证）。对于欧盟不拥有的要素的任何用途或复制，可能需要直接从各个权利持有人那里寻求许可。所有图像©欧盟，除非另有说明。
通过可解释的自动化机器学习迈向大型工业数据挖掘
抽象工业系统资源能够生成大量数据。这些数据通常采用异质格式并分发，但它们表示可以挖掘可以允许部署智能管理工具进行生产活动的信息。为此，有必要使用人工智能（AI）模型来实施知识提取和预测过程，但是对于非专家用户而言，对预期AI模型的选择和配置往往越来越复杂。在本文中，我们提出了一种方法和一个软件平台，该方法可能允许不熟悉AI的工业参与者选择和配置算法，以最佳地适应他们的需求。因此，该方法基本上是基于自动化的机器学习。产生的平台有效地可以在AI算法和超参数配置的组合之间做出更好的选择。也可以提供重新塑造算法和模型的解释性的功能，从而提高这些模型在实践用户社区中的可占用性。所提出的方法已应用于预测维护的领域。当前测试是