XiaoMi-AI文件搜索系统
World File Search System事后
elamipretide对原发性线粒体肌病患者的基因型特异性作用：MMPower-3试验的事后分析
建议引用推荐引用karaa，Amel；贝蒂尼（Enrico）；卡雷利，瓦莱里奥；科恩，布鲁斯； Ennes，Gregory M； Falk，Marni J；艾米·戈德斯坦； Gorman，Gráinne；哈斯，理查德； Michio Hirano；克洛普斯托克，托马斯； Koenig，Mary Kay；科尼莉亚的科恩布鲁姆； Lamperti，Costanza；雷曼，安娜；诺戈，尼古拉；莫尔纳（Molnar），玛丽亚·朱迪（Maria Judit）； Parikh，Sumit；汉，汉；小偷，罗伯特·D·S； Russekk塞内托；斯卡利亚，费尔南多； Servidei，Serenella；塔诺波斯基，马克； Toscano，安东尼奥；范·霍夫（Johan L K）；约翰贵族； Vockley，杰里； Finman，Jeffrey S； Abbruscato，Anthony；布朗，大卫A；沙利文，阿拉纳； Shiffer，James A； Mancuso，Michelango；和MMPower-3试验研究者，“ elamipretide对原发性线粒体肌病患者的基因型特异性作用：MMPower-3试验的事后分析”（2024）。教职员工出版物。2281。https://digitalcommons.library.tmc.edu/baylor_docs/2281
激素受体阳性转移性乳腺癌中的浮游物：事后分析
背景：乳腺癌是女性死亡率的主要原因。激素治疗在治疗激素受体阳性转移性乳腺癌中起着至关重要的作用。浮游物是一种选择性雌激素受体降解器（SERD），在早期临床试验中显示出希望。这种事后分析系统地评估了ElaceStrant在激素受体阳性转移性乳腺癌患者中的有效性，从而提供了对其有效性，安全性和潜在优势在现有治疗方面的见解。方法：我们遵守Prisma声明2020指南，并系统地搜索了数据库PubMed/Medline，ClinicalTrials.gov，Web of Science和Embase。我们使用R软件（V 4.3.3）进行了事后分析，应用了逆差异方法和Dersimonian-Laird估计器以随机效应模型进行池效应估计。我们使用Cochran的Q检验和I 2统计量评估了异质性。结果：我们的事后分析包括3项临床试验，共有835名参与者。三个试验中所有835名参与者的平均年龄均为59.5岁（95％CI：58.7-60.3）。汇总的自由生存（PFS） - 估计为4.38（95％CI：–7.58–16.35，p = 0.47），汇总的客观反应率（ORR）为7％（95％CI：95％CI：2-18％，P = 0.04），有重大的异质性观察到。讨论：浮游者显示出有望改善激素受体阳性转移性乳腺癌的预后，但需要进一步研究以确认其有效性。未来的研究应包括
临床审计对改善初级卫生中心 2 型糖尿病 (T2DM) 护理效果的影响。通过多层次干预进行全面的事前事后分析：ICAE-DM CARE 研究方案
拟议的研究将采用准实验设计，包括在干预前对 31 个初级保健中心 (PHCC) 进行基线横断面情境分析。该研究将重点关注 18 岁及以上的被诊断患有 2 型糖尿病 (T2DM) 的患者，包括新诊断患者和接受后续护理的患者，但不包括孕妇。将采用随机抽样方法，确保从过去三个月的糖尿病咨询中抽取 450 名患者的代表性样本量。在情境分析中确定差距后，将实施干预，之后将使用与基线相同的样本进行干预后横断面研究，以评估测量参数的变化。此外，还将通过电话调查随机抽取的 60 名患者（干预前后）进行队列研究，以评估患者视角的变化。
超越事后可解释的人工智能
摘要。AI模型被批评为黑匣子，这可能会使气候科学更加不确定性。已提出了可解释的人工智能（XAI）来探测AI模型并增加信任。在这篇评论和观点论文中，我们建议，除了使用XAI方法外，气候科学领域的AI研究人员还可以从过去的成功发展中学习基于物理学的动态气候模型的成功。动力学模型很复杂，但获得了信任，因为它们的成功和失败可以在某些时候归因于特定的组件或子模型，例如，当指向细胞参数化来解释模型偏差时。我们提出了三种类型的理解作为评估动力学和AI模型的信任的基础：（1）工具理解，当模型通过功能测试时，这是对此进行的； （2）在研究人员可以使用统计技术识别输入输入关系的建模结果时获得的坚定理解； （3）组件级的理解是指建模者指向模型架构中特定模型组件或部分的特定模型组件的能力，作为不稳定的模型行为的罪魁祸首，或者是模型的原因。我们演示了过去几十年来通过气候模型对比项目进行的组件级别的理解和实现。这种组件级别的理解通常会导致模型改进，也可以作为思考AI驱动气候SCI-
可解释的事后投资组合管理财务政策深入强化学习代理
金融投资组合管理投资政策通过现代投资组合理论（如Markowitz模型）进行定量计算的投资政策依赖于一组假设，这些假设在高波动性市场（例如技术部门或加密货币）中不受数据支持。因此，定量研究人员正在寻找解决此问题的替代模型。具体而言，投资组合管理（PM）是一个问题，最近通过深度强化学习（DRL）方法完全解决了问题。在特定的DRL算法中，通过估计代理在模拟器中任何财务状态执行的每个动作的预期奖励的分布，也称为体育馆。然而，这些方法依靠深神经网络模型来表示这种分布，尽管它们是通用近似模型，能够随着时间的推移代表此分布，但它们无法解释其行为，但由一组不可解释的参数给出。至关重要的是，金融投资者的政策要求可以解释，以评估他们是否遵循合理的行为，因此DRL代理不适合遵守特定政策或解释其行为。在这项工作中，在使DRL可以解释的动机的驱动下，我们开发了一种可解释的DRL（XDRL）方法，用于PM，将近端政策优化（PPO）DRL算法整合到模型不可思议的可解释的机器学习技术中，以提高预测时间的透明度，以增强透明度的特征。我们提出了DRL代理商的第一个可解释的事后PM财务政策。通过执行我们的方法，我们可以在预测时间解释代理商评估他们是否遵循投资政策的必要条件或评估遵循代理商建议的风险。我们通过成功识别影响投资决策的关键特征来从经验上说明这一点，从而证明了在预测时间中解释代理行动的能力。
b'\xe2\x96\xb6 \xcb\x9c e ：事后排放 \xe2\x88\xbc N \xc2\xaf e ， \xcf\x83 2 e 其中：\xcf\x83 2 e > 0 且 \xcf\x83 ev = 0。\xe2\x96\xb6 公司选择 e 以及是否雇用 RA，目的是最大化其股票的预期交易价格 P 。'
b'\xe2\x96\xb6 \xcb\x9c e ：事后排放 \xe2\x88\xbc N \xc2\xaf e ， \xcf\x83 2 e 其中：\xcf\x83 2 e > 0 且 \xcf\x83 ev = 0。\xe2\x96\xb6 公司选择 e 以及是否雇用 RA，目的是最大化其股票的预期交易价格 P 。'
dapagliflozin和心力衰竭的死亡模式，并改善了射血分数，均事事后分析
基于强化学习（基于RL）的能源管理策略（EMS）被认为是具有多种电源的电动汽车的能源管理的有前途的解决方案。正在出现强化学习和深度强化学习的研究和应用。但是，以前的研究尚未系统地检查基于RL的EMS的基本要素。本文介绍了插电式混合动力汽车（PHEV）和燃料电池电动汽车（FCEV）中基于RL的EMS的性能分析。绩效分析在四个方面开发：算法，感知和决策粒度，超参数和奖励功能。结果表明，与其他算法相比，在整个驾驶周期内有效地开发了更具燃油效率的解决方案。改善感知和决策粒度会降低基于表格的策略更新的频率，但可以更好地平衡电池功率和油耗。在训练中设置高初始SOC将有效地改善基于RL的EMS的绩效。应谨慎对待基于瞬时电荷状态（SOC）变化的基于RL的EMS的等效能量损失奖励函数。这种方法对参数高度敏感，更有可能导致违反SOC约束。相比之下，基于整体SOC变化的等效能量奖励函数是更安全的选择。
2024 年 SportsPro Madrid 赛事后报告副本
我们很高兴以另一场备受期待的 NEW ERA 见面会拉开 2024 年马德里体育职业展的序幕，在第一天开始时，超过 30 名女性和非二元性别体育高管在此见面并相互交流。此外，2024 年的新活动是，2024 年 NEW ERA 班的成员受邀在第 0 天晚上到 NBA 办公室共进晚餐和饮料。在过去的一年里，NEW ERA 在我们活动中的参与度大幅提升，这真是令人惊讶，我们期待在 2025 年及以后继续保持这种势头。
苏黎世事后奖学金计划的指南
申请必须由候选人和潜在的主持人共同提出，他们必须是苏黎世教授教授，并愿意担任该研究员的导师。教授只能在每个评估回合中与一名候选人提交。主持人（小组）与ETH研究员之间必须有令人信服的协同作用。这些奖学金的目的是为了早期的学术独立性支持，因此将优先考虑提出自己的项目的申请人。因此，重要的是申请人提出自己的想法并自己起草申请，并且申请人和导师在奖学金之前并未紧密合作。
