XiaoMi-AI文件搜索系统
World File Search Systemtracing
比较手动接触追踪和数字接触建议
12. https://www.cdc.gov/coronavirus/2019-ncov/php/contact-tracing/case-investigator-guide.html 13. https://www.thelancet.com/journals/laninf/文章/PIIS1473-3099(18)30656-X/全文 14。 https://www.cdc.gov/coronavirus/2019-ncov/php/contact-tracing/contact-tracing-plan/digital-contact-tr
数字产品护照和追踪：项目联手
具体针对共同方法范围：代表项目的演示者将被要求准备 10 分钟的演示，重点介绍项目内正在开发的选定行业/产品的 DPP 或跟踪解决方案（包括在 DPP 开发/实施方面遇到的主要挑战（例如正在进行的立法和标准化过程、收集数据的困难、DPP 中数据的准确性、流程复杂性），这将有助于总体讨论，以确定应对共同挑战的策略和在向共同方法过渡过程中需要考虑的方面。联系人：Angelos Amditis a.amditis@iccs.gr Georgios Tsimiklis georgios.tsimiklis@iccs.gr Kostas Chatziioannou kostas.chatziioannou@iccs.gr Lucyna Lekawska-Andrinopoulou lucyna.andrinopoulou@iccs.gr
单细胞谱系追踪揭示抗...的克隆动态
。CC-BY-NC-ND 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 1 月 2 日发布。；https://doi.org/10.1101/2023.04.04.535588 doi：bioRxiv 预印本
基于人工智能的融资平台和使用区块链进行追踪
根据国立高等经济学院的研究，57%的人会捐款。俄罗斯慈善捐款占GDP的0.34%。捐赠者有权要求提供资金使用情况报告；然而，只有30%的捐赠者会按照捐赠的方向行事。然而，大多数捐赠都是非正式的。这些钱是亲自捐给穷人的（施舍、通过家人和朋友、通过工作/学习或通过民间社会倡议），正式的筹款不是结构性的，也不是连续或透明的。捐赠者很少知道他们的资金是如何使用的，即使他们通过银行账户、互联网或手机联系人（通过短信）捐款。筹款人是指通过网上的一大群人为项目或事业筹集资金的想法。个人或小企业可以利用它来获得对其想法的早期支持。
在安全调查报告中追踪新的安全思维实践
现代安全思维和模型更注重系统因素，而不是将不利事件简单地归因于单个系统参与者的行为。本研究总结了先前的研究，在此期间，我们使用一个分析框架追踪了航空调查报告中新安全思维实践 (NSTP) 的实践，该分析框架包括文献中提到的九种相关方法和三种安全模型类型。在本文中，我们介绍了该框架在 1999 年至 2016 年期间发布的 277 份航空报告中的应用，这些报告是从五个航空当局的在线存储库中随机选择的。结果表明，所有 NSTP 都可以在样本中追踪，因此调查人员会跟踪，但程度不同。我们还观察到使用系统性事故模型的程度非常低。统计测试表明，五个调查机构在半数分析框架项目中存在差异，除安全-II方面外，频率随时间没有显著变化。虽然由于使用的样本不具代表性，本研究的结果不能概括，但可以假设所谓的新安全思维已经尝试了几十年，最近通过研究和教育手段交流和促进相应方面的努力尚未产生预期的影响。本研究中使用的框架可以应用于任何行业部门，通过使用更大的样本作为调查调查人员对安全思维实践的态度及其原因的手段，而不管前者被标记为“旧”还是“新”。尽管 NSTP 致力于实现更公平、更深入的分析，但考虑到调查不可避免的限制，更重要的是从实践者的角度了解每种方法的优势和劣势，而不是展示支持或不支持任何调查实践的判断方法。关键词：安全思维；安全调查；安全模型；事故模型。
在密集标记的多光谱brainbow图像中无监督的神经跟踪
成像技术的最新进展，用于产生大量高分辨率3D图像，尤其是Brainbow等多型标记技术，允许在密集的大脑中对邻近神经元的不良分化。这首先可以从光学显微镜图像中研究许多神经元之间的连通性。但是，缺乏可靠的自动化神经形态重建，使数据分析成为提取神经科学中丰富信息学的瓶颈。已经提出了基于超级氧基的神经元分割方法来解决此问题，但是，在最终分割中出现的大量错误阻碍了先前的方法。在本文中，我们提出了一种新型的无监督方法来追踪来自多光谱脑弓图像的神经元，该方法防止了分割误差并使用两种创新来追踪连续性误差：首先，我们采取了基于高斯混合模型的聚类策略，以改善为下一步骨骼提供准确的分离色的色彩通道。然后，提出了一种骨架图方法，以允许神经元树拓扑中的不连续性识别和区域。我们发现，这些创新可以比当前的最新方法更好地表现，从而导致更准确的神经元追踪结果接近人类专家注释。
利用拓扑元素提高虚拟现实神经元追踪的可用性
摘要 — 连接组学领域的研究人员正在努力重建大脑中的神经连接图，以便从根本上了解大脑如何处理信息。构建此连接图是通过荧光显微镜成像技术获取的高分辨率图像堆栈来追踪神经元来完成的。虽然已经提出了大量自动追踪算法，但这些算法通常依赖于数据中的局部特征，并且在嘈杂的数据或模糊的情况下会失败，需要耗时的手动校正。因此，手动和半自动追踪方法仍然是创建精确神经元重建的最新方法。我们提出了一种新的半自动方法，该方法使用拓扑特征来指导用户追踪神经元，并将该方法集成到以前用于手动追踪的虚拟现实 (VR) 框架中。我们的方法增强了可视化和与拓扑元素的交互，从而可以快速理解和追踪复杂的形态。在我们的试点研究中，神经科学家表现出强烈的偏好，他们更喜欢使用我们的工具，而不是之前的方法，他们表示在追踪过程中疲劳感更少，并称赞它能够更好地理解可能的路径和替代方案。对追踪的定量评估表明，与完全手动的方法相比，用户的追踪速度有所提高，同时保持了类似的准确性。
lbkt：长期序列数据的基于LSTM BERT的知识跟踪模型
摘要。知识追踪领域（KT）旨在通过分析他们的历史行为数据来了解学生如何随着时间的推移学习和掌握知识。为了实现这一目标，许多研究人员提出了使用智能辅导系统（ITS）的数据来预测学生随后的行动的KT模型。然而，随着其大规模数据集的发展，包含长期数据的大规模数据集开始出现。最近基于深度学习的KT模型在处理包含长期数据的大规模数据集时面临着低效率，低精度和低解释性的障碍。To address these is- sues and promote the sustainable development of ITS, we propose a L STM B ERT-based K nowledge T racing model for long sequence data processing, namely LBKT , which uses a BERT-based architecture with a Rasch model-based embeddings block to deal with different difficulty levels information and an LSTM block to process the sequential char- acteristic in students' actions.LBKT在ACC和AUC指标上实现了大多数基准数据集的最佳性能。
调查贝叶斯知识追踪和粗心探测器的算法偏见
在当今数据驱动的教育技术中，算法对学生的体验和成果产生了关键的影响。因此，采取措施最小化偏见，避免永久性或加剧不平等至关重要。在本文中，我们研究了两个学习分析模式中存在算法偏见的程度：基于贝叶斯知识追踪（BKT）和粗心大意探测器的知识估计。使用来自美国各地使用的学习平台的数据，我们探索了三种不同的方法，探索算法偏差：1）分析样本中每个人口统计组的模型的表现，2）比较这些人口统计学的相互群体的性能，以及这些模型在使用特定组的模型中是否可以在训练过程中进行培训，以观察到训练的过程。我们的实验性研究表明，这些模型的性能在所有人口统计和交叉组中都接近平等。这些发现建立了验证交叉组的教育算法的可行性，并表明这些算法可以公平地用于大规模的不同学生。
导航AI合规性，第1部分：历史记录中的失败模式
通过研究各个部门的失败，我们发现了有关风险评估，安全协议和监督机制的关键课程，这些教训可以指导这个快速发展时代的AI创新者。最突出的风险之一是倾向于优先考虑快速创新和市场优势而不是安全。案例研究表明，对透明度，强大的第三方验证和评估以及全面的数据治理实践以及其他安全措施至关重要。 此外，通过调查针对部署AI系统的公司的持续诉讼，我们强调了积极实施确保安全，安全和负责的AI开发的措施的重要性。 最近的法院案件讲授至关重要的课程：遵守隐私，反歧视和透明度法必须是基础的，而不是事后的想法。案例研究表明，对透明度，强大的第三方验证和评估以及全面的数据治理实践以及其他安全措施至关重要。此外，通过调查针对部署AI系统的公司的持续诉讼，我们强调了积极实施确保安全，安全和负责的AI开发的措施的重要性。最近的法院案件讲授至关重要的课程：遵守隐私，反歧视和透明度法必须是基础的，而不是事后的想法。