XiaoMi-AI文件搜索系统
World File Search Systemuate
oleg@goldshmidt.org居住
2019：以色列赫兹利亚的IDC兼职教授。教授统计方法和数据分析。2004 - 2007年：以色列海法海法大学的兼职教授。在基本和高级操作系统中教授大学和研究生级课程。1995年：宾夕法尼亚州立学院宾夕法尼亚州立大学的博士后研究员和加利福尼亚大学圣巴巴拉分校的理论物理研究所。 高能量天体物理学研究。 1994年：访问研究员，Scuola Internazionale Superiore di Studi Avanzati（Sissa），意大利Trieste。 天体物理学和宇宙学研究。 1991 - 1995：Ph。 D.在特拉维夫大学，特拉维夫，以色列的物理学。 在等离子体物理学，辐射过程，星际介质和宇宙学的物理学方面的研究。 现代物理和物理实验室的教学课程。 1983 - 1990：B。Sc。 和M.Sc。 （summa cum Laude）在戈尔基州立大学（Gorky State University），戈基（Gorky）（现为尼兹尼·诺夫哥罗德（Nizhny Novgorod））的《无线电物理学和电子学》中。 [1984–1986：兵役。] 在血浆物理学，辐射层传播，电离层的物理学，星际/星际培养基，太阳能物理学方面的研究。1995年：宾夕法尼亚州立学院宾夕法尼亚州立大学的博士后研究员和加利福尼亚大学圣巴巴拉分校的理论物理研究所。高能量天体物理学研究。1994年：访问研究员，Scuola Internazionale Superiore di Studi Avanzati（Sissa），意大利Trieste。天体物理学和宇宙学研究。1991 - 1995：Ph。D.在特拉维夫大学，特拉维夫，以色列的物理学。在等离子体物理学，辐射过程，星际介质和宇宙学的物理学方面的研究。现代物理和物理实验室的教学课程。1983 - 1990：B。Sc。 和M.Sc。 （summa cum Laude）在戈尔基州立大学（Gorky State University），戈基（Gorky）（现为尼兹尼·诺夫哥罗德（Nizhny Novgorod））的《无线电物理学和电子学》中。 [1984–1986：兵役。] 在血浆物理学，辐射层传播，电离层的物理学，星际/星际培养基，太阳能物理学方面的研究。1983 - 1990：B。Sc。和M.Sc。（summa cum Laude）在戈尔基州立大学（Gorky State University），戈基（Gorky）（现为尼兹尼·诺夫哥罗德（Nizhny Novgorod））的《无线电物理学和电子学》中。[1984–1986：兵役。]在血浆物理学，辐射层传播，电离层的物理学，星际/星际培养基，太阳能物理学方面的研究。
知识还是能力？本科生如何定义...
摘要 学生是否将智力视为固定或可塑的特质（即他们的“心态”）对他们对失败和学业成绩的反应具有重要影响。尽管对心态的研究历史悠久且越来越受欢迎，但最近的荟萃分析表明，心态在预测本科生群体的学业成绩方面表现不佳。在这里，我们提出的证据表明，这些混合结果可能是由于心态量表上的语言模糊所致。具体而言，“智力”一词是心态量表每一项的指称，但从未定义，这可能导致不同的解释和测量误差。因此，我们进行了一项探索性的定性研究，以描述本科生如何定义智力，以及他们的定义如何影响他们对心态量表的反应。我们发现了本科生定义智力的两种不同方式：知识和能力（例如，学习、解决问题的能力）。此外，我们发现学生对智力的定义可能因环境而异。最后，我们提出的证据表明，对智力有不同定义的学生对心态量表项目的解释和反应也不同。我们讨论了这些结果对于本科生思维定势量表的使用和解释的影响。
霓虹灯：一个大型语言模型动力的本体学习管道⋆
摘要。我们通过将结构化的霓虹灯方法框架与大语言模型（LLMS）相结合，以将自然语言域描述转化为Tur-The语法本体，以解决本体学习的任务。本文的主要贡献是针对域 - 不稳定建模量身定制的及时管道，例如通过应用于特定领域的案例研究：葡萄酒本体论。使用管道用于开发霓虹灯-GPT，一种自动本体模型的工作流程及其概念实现的证明，并集成在隐义平台的顶部。NEON-GPT利用了霓虹灯方法和LLMS生成型的系统方法来促进更有效的本体发展过程。我们通过使用斯坦福葡萄酒本体论作为黄金标准进行全面评估来评估所提出的方法。获得的结果表明，LLM并未完全能够执行本体开发所需的程序任务，并且缺乏所需的推理技能和领域专业知识。总体而言，LLM需要与连续知识工程任务的工作流或轨迹工具集成。尽管如此，LLMS可以大大减轻所需的时间和专业知识。我们的代码基础可公开用于研究和开发目的，可访问：https：//github.com/andreamust/neon-gpt。
MUEP：具有基础模型的体现计划的多模式基准
基金会模型表现出了显着的紧急能力，对构成体现的代理商的推理和计划能力持巨大希望。然而，缺乏用于评估复杂环境中具有多模式观测的体现药物的基准，仍然是一个显着的差距。在本文中，我们提出了MUEP，这是一种用于e mbodied p lanning的全面MU ltimodal基准。MUEP促进了在复杂场景中体现药物的多模式和多转弯相互作用的评估，并结合了精细粒度的评估指标，这些指标可为您在整个任务中提供有关体现剂的性能的见解。此外，我们在拟议的基准上评估了具有最新的基础模型，包括大型语言模型（LLMS）和大型多模型模型（LMMS）。实验结果表明，基于环境的文本代表的基础模型通常超过其视觉效果，这表明具有多模式观察的型号计划能力存在差距。我们还发现，控制语言的生成是不可或缺的能力，超出常识性知识，无法进行准确的体现任务完成。我们希望拟议的MUEP基准可以为体现AI的进步与基础模型的发展。
对 Deepfake 检测 AI 模型公平性的检验
最近的研究表明，深度学习模型可以根据种族和性别等受保护的类别进行区分。在这项工作中，我们评估了深度伪造数据集和检测模型在受保护子群体中的偏差。使用按种族和性别平衡的面部数据集，我们检查了三种流行的深度伪造检测器，发现不同种族之间的预测性能存在很大差异，不同子群体之间的错误率差异高达 10.7％。仔细观察就会发现，广泛使用的 FaceForensics++ 数据集绝大多数由白种人组成，其中大多数是白种人女性。我们对深度伪造的种族分布的调查显示，用于创建深度伪造作为正面训练信号的方法往往会产生“不规则”的面孔——当一个人的脸被换到另一个不同种族或性别的人身上时。这导致检测器学习到前景面孔和假象之间的虚假相关性。此外，当使用 Face X-Rays 的混合图像 (BI) 数据集对检测器进行训练时，我们发现这些检测器会对某些种族群体（主要是亚洲女性）产生系统性歧视。
Crackling Cloud：一个基于事件的，基于云的CRISPR-CAS9指南RNA设计工具
基因编辑已被CRISPR-CAS9技术革命。技术的多功能性和易用性远远超出其前身，但是，选择高质量的指南RNA（GRNA）对于将其引导到目标站点至关重要。的GRNA呼吁对高性能算法进行评估在靶标和靶向位点上的核酸酶活性。尽管有一套可用的程序，但许多程序都难以分析最大的基因组，或者它们的预测准确性较低。我们以前已经发布了一个名为Crackling的程序，该程序是可用的最快，最准确的工具之一，但是，它要求最终用户可以访问传统的高性能计算环境。在这里，我们提出了crack啪作响的改编，名为Crackling Cloud，它具有现代无服务器的云技术的优势，这些技术可为任何人广泛使用，并且在闲置时不会消耗资源和费用，但是可以在分析时使用大量的重新源来扩展。Crackling Cloud使用Amazon Web服务的技术作为模板解决方案，并根据BSD 3-CLAUSE许可证在GitHub上免费提供：https://github.com/bmds-lab/crackling-aws-ackling-aws
基于两三层量子风险评估模型...
摘要：随着量子通信网络建设的加速，学者们针对不同的应用场景提出了不同的量子通信协议，然而很少有学者关注通信前的风险评估过程。本文提出一种基于两个三量子比特GHZ态的量子隐形传态技术的量子风险评估模型，通信方仅利用贝尔态测量（BSM）和双量子比特投影测量（PJM）便可恢复任意的双量子比特状态。该协议可以传递二维风险评估因子，具有更好的安全性能。一方面，更充分的评估因子使得通信双方能够更客观地评估与对方通信的风险程度，另一方面也提高了协议的量子比特效率。此外，我们在该方案中引入第三方可以是半信任的，而前文中第三方必须是完全信任的。这种改变可以减少通信双方对第三方组织的依赖,提高通信的私密性;安全性分析表明该方案可以抵抗内部和外部的攻击,量子电路图也证明我们的协议在物理上更易于实现。
了解相互关联的成长心态和学术参与及表现
Marcia Pool 博士是伊利诺伊大学香槟分校 (UIUC) 生物工程系的教学副教授兼本科项目主任。她一直积极致力于改善本科教育，包括开发实验室以提高实验设计技能，并指导学生团队完成顶点设计和顶点设计后的转化课程。在担任主任期间，她与系领导密切合作，管理本科项目，包括：制定课程设置计划、主持本科课程委员会、审查和批准出国留学的课程衔接、担任首席顾问以及代表系参加大学级会议。她还参与大学招生和推广工作；她为参观生物工程的高中生协调了三次暑期体验，并共同协调了为期一周的生物工程夏令营。她自癌症学者计划成立以来一直与其合作，并为 researcHStart 活动提供支持。最近，她被选为 UIUC 工程教育卓越学院 (AE3) 的教育创新研究员 (EIF)。在国家层面，她曾担任生物医学工程荣誉协会 Alpha Eta Mu Beta 的执行董事 (2011-2017)，并且是 ABET 评估员 (2018 年至今)。
合成数据集生成，以进行更公平的不公平研究
最近的研究已迈向公平的机器学习。但是，通常检查相对较少的数据集以评估这些公平意识的算法，甚至更少的教育领域，这可能会导致对特定类型的公平问题的关注狭窄。在本文中，我们描述了一种新型的数据集修改方法，该方法利用遗传算法将许多类型的不公平性诱导到数据集中。此外，我们的方法可以从头开始生成不公平的基准数据集（从而避免在可能利用边缘化的人口的情况下收集数据），或修改用作参考点的现有数据集。我们的方法可以平均在数据集和不公平定义的情况下将不公平性增加156.3％，同时保留在原始数据集中训练的模型（平均更改为0.3％）的AUC分数。我们研究了我们在具有不同特征的跨数据集中方法的概括，并评估了三种常见的不公平缓解算法。结果表明，我们的方法可以生成具有不同类型的不公平，大小数据集，不同类型的功能的数据集，并且会影响使用不同分类器训练的模型。使用此方法生成的数据集可用于基准测试和测试，以进行对算法不公平的测量和缓解的未来研究。
线粒体移植
线粒体移植是一种有前途的治疗方法，用于治疗由线粒体DNA突变引起的线粒体疾病，以及几种代谢性和神经性疾病。动物研究表明，线粒体移植可以改善细胞能量代谢，储存线粒体功能并防止细胞死亡。但是，需要解决挑战，例如将函数线粒体传递到体内正确的细胞，以及移植的线粒体的长期稳定性和功能。研究人员正在探索线粒体移植的新方法，包括使用纳米颗粒或CRISPR基因编辑。的基于移植线粒体的整合和功能的机制是复杂的，并且不完全理解，但是研究揭示了一些起作用的关键因素。在动物模型和人类试验中已经研究了线粒体移植的安全性和功效，但需要进行更多的研究来优化输送方法和评估长期的安全性和功效。使用线粒体移植的临床试验显示出不同的结果，突显了在该领域进行进一步研究的必要性。总而言之，尽管线粒体移植具有对各种疾病的治疗的巨大潜力，但仍需要更多的工作来克服挑战并评估其在人类试验中的安全性和功效。[BMB报告2023; 56（9）：488-495]