XiaoMi-AI文件搜索系统
World File Search Systempredicting
改进的机器学习算法用于预测基态性质
寻找量子多体系统的基态是量子物理学中的一个基本问题。在本文中，我们给出了一种经典的机器学习 (ML) 算法，用于预测具有编码几何局部性的归纳偏差的基态性质。所提出的 ML 模型在仅从同一物质量子相中的其他汉密尔顿量的 O (log) n ÞÞ 数据中学习后，便可以有效地预测 n 量子比特间隙局部汉密尔顿量的基态性质。这大大改进了以前需要 O (nc Þ 数据才能获得较大常数 c 的结果。此外，所提出的 ML 模型的训练和预测时间随着量子比特数 n 的增加而增加。在具有多达 45 个量子比特的物理系统上进行的数值实验证实了使用小型训练数据集预测基态性质的有利扩展。
链式机械学习模式 - 预测载荷 -
Although the application of fiber-reinforced concrete (FRC) beams turns back to a few decades ago (Adhikary & Mutsuyoshi, 2006 ; Masuelli, 2013 ; Soltanzadeh et al., 2015 ), significant efforts also have been made to increase the strength and ductility of concrete in construction and building structures since sustainable infrastructure is cru- cial for economic development (Aldwaik &阿德利，2016年）。与其他纤维增强的复合结构（çelik＆König，2022; Rafiei＆Adeli，2017b; Shafighfard等，2021）一样，最近已证明FRC结构是拥有比正常混凝土更具特殊耐药性和强度的能力。能够预测钢纤维 - 增强混凝土（SFRC）束的结构行为是研究人员在攻击其性能时面临的众多挑战之一（Rafiei等，2017; Singh，2016; Venkateshwaran＆Tan，2018）。在众多的弯曲参数中（Gribniak等，2012; Gribniak＆Sokolov，2023），延展性比引起了研究人员的注意，因为它的能力反映了结构元素对弯曲载荷的反应。另一个重要的弯曲度量是弯曲载荷能力（峰值负载），该指标已通过数值模拟，实验研究和机器学习（ML）基于基于的预测技术进行了研究。一些研究人员已经对SFRC梁进行了数值和/或分析研究，以降低与实验研究相关的劳动和/或材料成本（Jeong＆Jo，2021;Júnior＆Parvin，2022）。tan等。Yang等。 （2020）Yang等。（2020）纵向钢筋比率和残留拉伸强度是SFRC梁柔性性能的参数研究中考虑的典型变量。使用纤维来增强拉伸强度并不比连续加固在改善混凝土束的力矩容量方面更有效，但是与普通的RC梁相比，纤维增强型会增加僵硬和强度（Mobasher等人，2015年）。（2022）进行了SFRC材料特性对弯曲性能的影响的参数分析，发现弯曲延展性受到RC梁中高体积分数的影响。对具有不同纤维纵横比，方向和梁尺寸的SFRC梁的三维（3D）模型表明，由于弯曲增强的峰值载荷增加了较高的分布纤维，因此在拉伸应力方向上定向纤维。此外，具有较低纤维增强比的较小梁显示出较高的峰值载荷（Al-Ahmed等，2022）。实验研究通常被认为是数值工作（Pereira等，2020）的组成部分，以验证它们提供的结果。
从简历和短文响应中预测个性
评估求职者的心理特征（包括其职业兴趣或人格特征）数十年来一直是招聘过程的一角。虽然传统的这种评估形式要求候选人通过问卷调查措施自我报告其特征，但最近的研究表明，计算机可以从他们在网上留下的数字足迹中预测人们的心理特征（例如，他们的Facebook Pro-pro-files，Twitter，Twitter帖子或信用卡帖子或信用卡支出）。尽管这种模型通过第三方提供商越来越多地获得，但在招聘过程中使用外部数据会带来相当大的道德和法律挑战。在本文中，我们研究了来自招聘过程中生成的数据的模型的人格特质的可预测性。特别是，我们利用CVS和自由文本答案的信息作为现实世界中的高风险招聘过程的一部分，结合了自然语言处理，以预测申请人的五大人格特质（n = 8,313个申请人）。我们表明，在比较基于机器学习的预测与自我报告的人格特质（平均r = 0.25）时，这些模型具有一致的中等预测精度，优于先前文献中报道的招聘者判断。尽管模型仅捕获自我报告差异的相对较小的部分，但我们的发现表明，在实践中，它们在实践中仍然可能与人格的自动预测相同（有时更好）在预测工作匹配的关键外部标准（即职业兴趣）中与自我报告的评估一样好（有时是更好）。
算法用于预测未选择队列中心脏声音的瓣膜心脏病
目的：本研究旨在评估最先进的机器学习算法的能力，从一般人群中的数字心脏声音记录中检测瓣膜心脏病（VHD），其中包括无症状病例和疾病进展的中间阶段。方法：我们使用带有数字听诊器从Tromsø7研究中的2124名参与者中的数字听诊器收集的带注释的记录训练了一个复发性神经网络，以预测心脏声音的杂音。预测的杂音用于预测通过超声心动图确定的VHD。结果：检测到主动脉狭窄（AS）的存在，灵敏度为90.9％，特异性为94.5％，曲线（AUC）下的面积为0.979（CI：0.963 - 0.995）。至少在AUC为0.993（CI：0.989 - 0.997）中检测到的中等程度。中度或更大的主动脉和二尖瓣流体反流（AR和MR）的AUC值分别为0.634（CI：0.565 - 703）和0.549（CI：0.506 - 0.593），当临床变异添加为预测者时，临床变异时增加到0.766和0.677。AR的AUC分别为AR和MR，分别为0.756和0.711。共同筛查有症状的反流或狭窄的存在，导致AUC为0.86，为97.7％的AS病例（n = 44），并且检测到了所有12 ms病例。结论：该算法在检测到一般队列中表现出卓越的性能，超过了对选定同类群体的类似研究的观察结果。基于HS音频的AR和MR的检测较差，但有症状的病例的准确性要高得多，临床变量的包含可以显着提高模型的性能。
预测深度学习时代肝毒性的计算模型
药物诱导的肝损伤（DILI）是由药物引起的严重不良反应，可能导致急性肝衰竭甚至死亡。许多努力集中在减轻与潜在DILI相关的风险上。在其中，定量结构活性关系（QSAR）被证明是早期肝毒性筛查的有价值工具。它的优点不包括对物质物质和快速交付结果的要求。深度学习（DL）最近取得了快速的进步，并已用于开发QSAR模型。本综述讨论了DL在预测DILI中的使用，重点是采用广泛的化学结构数据集及其相应的DILI结果的QSAR模型的开发。我们对各种DL方法进行了全面的评估，与传统机器学习（ML）方法相比，并探讨了DL技术在其可解释性，可伸缩性和概括性方面的优势和局限性。总体而言，我们的综述强调了DL方法的潜力增强DILI预测，并为未来的途径提供了开发预测模型以减轻人类稀有风险的见解。
评估不同机器学习算法，以预测急诊室的住宿时间：单中心
背景：最近，急诊科（EDS）的拥挤已成为影响全球公共医疗保健的公认关键因素，这是由于医疗服务的供应/需求不断增加以及住院单位和ED中可用的医院病床的匮乏所致。已发现ED（ED-LOS）的住宿时间是ED瓶颈的重要指标。通过测量ED-LOS来量化患者在ED中花费的时间，而ED-LOS可以通过不具备的护理过程影响，并导致死亡率和健康支出增加。因此，重要的是要通过预测工具实现早期改进来了解ED-LOS的主要因素。方法：这项工作的目的是使用一组有限的功能，影响ED-LOS，既可以与患者特征和ED工作流”进行预测。选择了不同的因素（年龄，性别，分类水平，入学时间，到达模式）并进行了分析。然后，将机器学习（ML）算法用于预见的ED-LOS。考虑到从2014年至2019年期间的“ san Giovanni dio dio d'ruggi d'Aragona”医院（意大利萨勒诺）的“ San Giovanni dio dio e ruggi d'Aragona”医院获得的患者数据库的数据集。结果：在考虑的年份中，评估了496,172次入院，其中143,641人（28.9％）显示ED-LOS延长。考虑到完整的数据（女性为48.1％，男性为51.9％），51.7％的ED-LOS患者为男性，女性为47.3％。关于年龄组，受延长ED-LO影响最大的患者超过64岁。随机森林算法的评估指标被证明是最好的。实际上，在预测ED-LOS时，它达到了最高准确性（74.8％），精度（72.8％）和召回（74.8％）。结论：不同的变量，指患者的个人和临床属性以及ED过程，对ED-LOS的价值有直接影响。建议的预测模型具有令人鼓舞的结果；因此，它可以应用于预测和管理ED-LOS，防止ED的拥挤和优化有效性和效率。
打破障碍：一种用于预测痴呆症的基于统计和机器学习的混合系统
方法：我们基于统计和机器学习（ML）方法开发了一种混合诊断系统，该方法使用患者电子健康记录预测痴呆症。本研究使用的数据集是从瑞典国家衰老和护理（SNAC）的国家研究中获得的，其样本量为43040和75个功能。新构建的诊断提取物通过统计方法（F-SCORE）从数据集中的有用功能的子集。对于分类，我们基于五个不同的ML模型开发了一个集合投票分类：决策树（DT），天真贝叶斯（NB），逻辑回归（LR），支持向量机（SVM）和随机森林（RF）。为了解决ML模型过度拟合的问题，我们使用了交叉验证方法来评估所提出的诊断系统的性能。各种评估措施，例如准确性，灵敏度，特异性，接收器操作特征（ROC）曲线和Matthew的相关系数（MCC），用于彻底验证设计诊断系统的效率。
预测职业教师学习转移的因素
工作安置被定义为一项持续的专业发展计划，在该计划中，职业教师通过参与“其教学主题的职业，工作生活社区”，从而获得职业知识和技能（Andersson＆k. ops´ en，2015年，第2页）。在过去的几十年中，职业教师的专业学习吸引了学者，决策者和学校领导者的广泛关注（Bound，2011; Ode Groote Beverborg et al。，2015; Hoekstra，Kuntz，＆Newton; Ou; OU；1 - 21）。除了在学校工作场所进行定期学习外，职业教师在工业环境中的学习也被认为是发展自己的重要来源，特别是提高其占领专业知识。正如Andersson和Kéops的'EN（2018）所说：“兽医在寻求开发行业货币时面对的情况很复杂，因为当前的职业知识位于与学校实践分离的特定工作生活实践中”（第318页）。 在现实的工作世界中促进职业教师的学习，工作安置正如Andersson和Kéops的'EN（2018）所说：“兽医在寻求开发行业货币时面对的情况很复杂，因为当前的职业知识位于与学校实践分离的特定工作生活实践中”（第318页）。在现实的工作世界中促进职业教师的学习，工作安置
用于预测 UMLS 语义组分配的两种互补 AI 方法：启发式推理和深度学习
材料和方法：我们使用了来自 2020AA–2022AB UMLS Metathesaurus 连续版本的训练测试数据集。我们的启发式“瀑布”方法采用了 7 种不同的 SG 预测方法。不符合方法的原子被传递给下一种方法。DL 方法为原子名称生成 BioWordVec 和 SapBERT 嵌入，为源词汇表名称生成 BioWordVec 嵌入，为原子源层次结构中倒数第二节点的原子名称生成 BioWordVec 嵌入。我们将 4 个嵌入的连接输入到完全连接的多层神经网络中，该网络的输出层有 15 个节点（每个 SG 一个）。对于这两种方法，我们都开发了方法来估计它们预测的原子 SG 正确的概率。基于这些估计，我们开发了 2 种混合 SG 预测方法，结合了启发式方法和 DL 方法的优势。