XiaoMi-AI文件搜索系统
World File Search Systemterns
君主制、共和制和经济
我们通过考察君主制和共和制下产权与经济的关系，探究传统国家组织模式持续存在的含义。我们认为，相对于共和制，君主制通过减少内部冲突、行政任期和行政自由裁量权的负面影响，在更大程度上保护了产权。反过来，更好地保护产权可以提高生活水平。使用 1900 年至 2010 年间 137 个国家的面板数据，我们建立并测试了一个包含内生变量的模型。我们发现强有力的证据表明，与所有共和制相比，君主制通过三种理论机制中的每一种都有助于更好地保护产权并提高生活水平。我们还发现，在抵消行政部门的任期和自由裁量权的负面影响方面，民主君主立宪制比非民主君主制和绝对君主制表现更好。我们讨论传统政治权威与统治模式的持续存在对于政治社会学和经济社会学的意义。
电池的隐私措施和存储技术...
世界各地的大规模智能电表推出是正在进行的能源过渡的效果之一。这给消费者的隐私带来了重大风险。基于电池的负载隐藏（BBLH）（使用存储系统来掩盖实际需求表的储能系统）是仍然保留隐私的一种可能性。近年来，已经提出了许多不同的BBLH算法。但是，尽管大多数人都经过一些正式定义的隐私措施进行了评估，但目前的现状却缺乏任何可比性。我们概述了针对此情况，可用的存储技术和用于评估BBLH的数据集提出的隐私措施。此外，我们研究了所有这些因素如何影响几种最先进的BBLH算法的不同等级。我们的结果说明了对有意义的隐私措施进行标准化以及进一步研究的需求。实现这一目标对于私人家庭做出明智的决定是必不可少的，哪种BBLH算法最适合其特定情况。
用于患者的局部不变散射变压器......
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
核心事务 - Generali Investments
一个人可以区分四种类型的AI技术。首先，LLM（大型语言模型）的设计旨在了解和生成人类语言。这些模型经过大量文本数据的培训，以学习统计数据，语义关系和对语言的上下文理解，并专注于产生模仿人类语音的响应（即聊天机器人）。第二，ML/PA（Ma-Chine学习/预测分析）是定量的，涉及算法的统计模型，这些算法可以从输入数据，实时更新和从客观功能中从反馈中提高绩效，从而对进行预测或进行学习。第三，其他自然语言处理与LLM的处理与人类产生的自然语言的处理不同，以从文本中提取意义。第四，语音识别也称为ASR（自动语音识别），将口语转换为书面文本或命令。它涉及将口语或短语转录为可以通过计算机或应用程序处理，分析或采取的文本形式的过程。
斑马鱼胚胎中DNA纳米摄取的时空动力学用于靶向组织生物成像应用
制造机器（替代模型）通过利用样本数据（也称为培训数据）来改善自己的表现。1在过去的几十年中，ML在各个工程领域都逐渐成为有前途的工具。尤其是，由ML训练的基于人工智能（AI）的替代模型可以为未知输入配置提供快速，准确的输出预测，从而取代劳动力强度的实验或模拟计算，要求高计算成本。2–14此外，基于ML的模型也可以从人类无法掌握的给定复杂数据表中得出有意义的推论。例如，Alphafold 15和Alphago 16证明了ML在执行基于规则的计算机程序中无法想象的杰出任务中的能力。近年来，大量的研究集中在ML模型的进一步增强上。例如，在可解释的人工智力（XAI）的领域取得了很大的进步，目的是通过阐明其决策来增强ML模型的解释能力 -
通过自我...
医学图像细分（MIS）在医疗治疗计划和机器人导航中起着至关重要的作用。MIS中的原型学习方法专注于通过像素型锻炼比较生成分割面具。然而，电流通常通过使用语义类别使用固定的原型来忽略样本多样性，并忽略每个输入中的类内部变化。在此pa-per中，我们建议为MIS生成实例自适应的预型，该预型集成了一个常见的原型建议（CPP）捕获常见的视觉效果和量身定制的实例特定于实例的原型建议（IPP）。为了进一步说明类内的变化，我们建议通过根据其置信度得分重新加权中间特征图来指导IPP生成。使用变压器解码器，这些置信度得分是分层的。此外，我们还引入了一种新颖的自我监督过滤策略，以优先考虑变压器解码器训练期间的前景像素。广泛的实验表明我们的方法表现出色。
学习学习而不会忘记使用
持续学习（CL）是指通过在保留先前学习的经验的同时容纳新知识来不断学习的能力。虽然这个概念是人类学习固有的，但当前的机器学习方法很容易覆盖以前学习的作品，因此忘记了过去的经验。相反，应选择性地和仔细地更新模型参数，以避免不必要的遗忘，同时最佳利用先前学习的模式以加速未来的学习。由于很难手工制作有效的更新机制，因此我们提出了元学习基于变压器的优化器来增强CL。此元学习优化器使用ATTENITION来学习跨任务流的模型参数之间的复杂关系，并旨在为当前任务生成有效的重量更新，同时防止对先前遇到的任务的灾难性遗忘。在基准数据集上进行评估，例如SplitMnist，RotatedMnist和SplitCifar-100，即使在较小的标记数据集中，也肯定了所提出的方法的疗效，即使在连续学习框架内集成了元学习优化器的优势。
![arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日](/simg/g:\will\search\icon\source\e\e6ec1b3829732dbc1ce8187ace6d88e29d133d95.webp)
arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
双模铱基自毁化学传感器对活性氧的差异响应及其在糖尿病检测中的应用
在糖尿病中，血小板被多种刺激激活，活化的血小板产生活性氧（ROS）诱导血小板聚集，进而形成血栓，导致各种心血管疾病。因此，检测血小板中的ROS扰动可为诊断糖尿病提供线索。在本文中，报道了基于铱的自毁探针（1a-1c）通过光致发光（PL）和电化学发光（ECL）监测血液中ROS的扰动。探针是基于通过氨基甲酸酯部分与苯基硼酸频哪醇酯结合的铱配合物设计的。三种探针在苄基连接体的邻位上含有不同的吸电子基团；因此，它们对ROS的反应性预计会有细微的差异。正如预期的那样，这三种探针对过氧化氢 (H 2 O 2 ) 的 PL 变化最为明显，但它们对 ROS 的响应模式却截然不同。利用这种不同的 ROS 响应模式，建立了一种结合 PL 和 ECL 响应的鉴别策略，并成功证明了对糖尿病大鼠和对照大鼠血小板的鉴别。
用于异常检测的图形扩散模型
图上的异常检测重点是识别图形结构化数据中不规则的贴合或异常淋巴结，这显着偏离了规范。由于其在垃圾邮件检测，反洗钱和网络安全性等各个领域的广泛适用性，因此该领域的重要性很高。在图表上应用异常检测时，应对标签不平衡和数据不足所带来的challenges是显着的。生成模型（尤其是扩散模型）的最新扩散铺平了一种有希望的方式。在本文中，我们引入了潜在空间中的图扩散模型，该模型旨在减轻图表上异常检测中普遍存在的标签失衡问题。所提出的模型能够多任命生成图形结构和节点特征，并具有有条件的生成能力，仅产生积极的示例，从而减轻标签不平衡问题。我们改进了扩散模型，以应用于同质图和异质图。通过广泛的实验，我们证明了我们提出的方法对传统技术提供了显着改进。