XiaoMi-AI文件搜索系统
World File Search System不平衡性
大数据技术在学前教育模式优化中的应用
从现有数据看，各地不少幼儿园在教育技术开发与实施上存在着不足，不同地区信息化发展水平不一。随着信息技术在学前教育的普及，学前教育各个领域已经有了一定的数据积累，但幼儿不安全行为数据具有不平衡性和稀疏性的双重特点。通过引入欠采样、特征选择、集成学习的集成模型，实现了不安全行为的集成识别，并将计算机编程计算应用到实际的学前教育模型中，也对大数据技术在优化学前教育模型中的应用进行了研究。
fedpylot：在车辆互联网中导航联合学习以实时对象检测
摘要 - 通过在密集的互连网络中启用低延迟的大数据处理，该网络构成了车辆，侵蚀，行人，行人和云。自动驾驶汽车非常依赖机器学习（ML），并且可以从边缘生成的大量感官数据中受益，这要求采取措施调和模型培训，并保留敏感用户数据的隐私。联合学习（FL）是一种有希望的解决方案，可以在车辆网络中培训复杂的ML模型，同时保护道路使用者的隐私并减轻沟通开销。本文研究了尖端Yolov7模型的联合优化，以解决数据异质性，包括不平衡性，概念漂移和标签分布偏向的实时对象检测。为此，我们介绍了FedPylot，这是一种基于MPI的轻质原型，以模拟高性能计算（HPC）系统的联合对象检测实验，在此使用混合加密，我们可以在其中维护服务器 - 客户层通信。我们的研究因素，准确性，沟通成本和推理速度，从而为自动驾驶汽车面临的挑战提供了平衡的方法。我们证明了FL在IOV中的适用性的有希望的结果，并希望FedPylot将为将来研究联合实时对象检测提供基础。源代码可在https://github.com/cyprienquemeneur/fedpylot上获得。
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，已经开发出多种技术来预测 SEP 的发生，主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们重点关注太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 发生的高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基准率的自然结果。综上所述，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值对模型性能有很强的影响，3) 模型中使用的特征，如果单独考虑，无法完全区分参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，人们开发了各种各样的技术来预测 SEP 的发生，这些技术主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们将重点介绍太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时还应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 的发生具有高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基率的自然结果。总之，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值强烈影响模型性能，3) 模型中使用的特征，如果单独考虑，则无法完全分离参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
煽动评估和管理中的更新
搅动可以被概念化为生命体征，并且由于身体，心理社会，疾病，精神病学和心理贡献者而导致患者的情感和行为调节中的不平衡性。搅动沿频谱发生，可以发展为侵略性，许多先决因素会影响其呈现。评估和管理可以是因为因素的异质性，受煽动影响的弹出和设置以及在煽动管理中的标准化，基于证据的实践的可变利用。急性护理环境中的搅动幅度上升，这是研究和临床管理优化的主题。在工作场所暴力的兴起（1）以及急诊室（ED）（2，3）中，工作场所暴力的兴起以及增加的住院时间或“登机”（2，3），这一主题的重要性特别高。建立一般的，基于循证的原则和方法来评估和管理，包括早期识别和预防，利用概念框架来建立潜在的病因侵蚀性煽动，以及基于正式的管理层管理计划的稳定干预措施，以维持一个安全的环境，并确定一个安全的环境，并确保了一个安全的环境（均受关键的环境）。煽动管理不善的后果很多，包括患者和家庭的效果不佳，员工受伤，护理小组的道德困扰以及对医疗保健资源的无效利用（5）。2012年，美国紧急Psy-Chiatry协会（AAEP'S）项目Beta Beta Beta Beta Besta Besta Best