XiaoMi-AI文件搜索系统
World File Search System事后
与膜溶肽联合的策略
图 1. (A) 结合巨胞饮诱导肽（细胞摄取的生理刺激物）和膜溶解肽（破坏细胞质易位障碍的物理化学方法）用于细胞质生物活性货物的递送。(B) SDF-1α 衍生肽的序列。(C) 用 5 µM 肽和 1 mg/mL Dex70-FL 在 α-MEM(-) 中处理 30 分钟后诱导 HeLa 细胞对 Dex70-FL 的摄取。比较 SN21 与 (D) SDF-1α 和 (E) R8 或 TAT 诱导的 Dex70-FL 摄取。数据呈现为三个生物学重复的平均值 ± 标准误差 (SE)。单因素方差分析，然后进行 (C) Dunnett 事后检验和 (D, E) Tukey 事后检验。**，P<0.01； ***，P<0.001；ns，不显著
充分利用人工智能机遇 - 研究论文 2
人工智能监管很可能会针对供应链中的多个参与者，以应对不同的风险。人工智能监管还可能涉及事前和事后监管的混合。我们已经看到这种方法有效地应用于其他技术。例如，机动车的使用对个人和公共安全存在重大风险。这些风险在制造商和用户层面得到处理。针对车辆（制造和进口标准）和用户（许可和道路规则）适用不同的法规。制造商和用户都面临事前监管（车辆销售标准、驾驶员持有驾照的要求）和事后监管（产品召回和责任规则、针对用户某些行为的刑法）。这些规则激励最有能力减轻特定伤害风险的一方。有效的人工智能监管将遵循类似的方法。
通过选择性突触抑制实现快速机器去学习，无需再训练
机器反学习，即机器学习模型的遗忘能力，在遵守数据隐私法规以及删除有害、被操纵或过时信息方面变得越来越重要。关键挑战在于忘记特定信息，同时保护模型在剩余数据上的性能。虽然当前最先进的方法表现良好，但它们通常需要对保留的数据进行一定程度的再训练，以保护或恢复模型性能。这增加了计算开销，并要求训练数据保持可用和可访问，而这可能是不可行的。相比之下，其他方法采用无再训练范式，但这些方法的计算成本过高，且性能不如基于再训练的方法。我们提出了选择性突触抑制 (SSD)，这是一种新颖的两步、事后、无再训练的机器反学习方法，它速度快、性能好，并且不需要长期存储训练数据。首先，SSD 使用训练和遗忘数据的 Fisher 信息矩阵来选择对遗忘集不成比例的重要参数。其次，SSD 通过抑制这些参数来诱导遗忘，抑制程度与它们相对于更广泛的训练数据对遗忘集的相对重要性成正比。我们在一系列使用 ResNet18 和 Vision Transformer 的实验中将我们的方法与几种现有的反学习方法进行了比较。结果表明，SSD 的性能与基于再训练的事后方法相媲美，证明了无再训练事后反学习方法的可行性。
FDA 合作改善氟喹诺酮类抗生素的安全使用：一项针对高处方者的有针对性的简短信息和在线教育的事后匹配对照研究
摘要 目的：本项事后匹配对照研究旨在评估有针对性的短信或继续医学教育 (CME) 对高处方量患者氟喹诺酮类药物处方的影响。方法：总共 11,774 名开具大量氟喹诺酮类药物的 Medscape 医疗保健提供者 (HCP) 成员被随机分成三组，每组接收三种独特的有针对性的短信中的一种，每组通过电子邮件、网络提醒和移动提醒发送。一些收到有针对性短信的 HCP 也参与了氟喹诺酮类药物处方的 CME。第四组 HCP 仅参与 CME。将测试 HCP 与第三方提供者处方者数据进行匹配以识别对照 HCP。我们使用处方者数据来确定新处方量；处方减少的 HCP 百分比 (%)；急性细菌性鼻窦炎 (ABS)、无并发症性尿路感染 (uUTI) 和慢性阻塞性肺病患者的急性细菌性慢性支气管炎加重 (ABECB-COPD) 的新处方量。还测量了通过电子邮件发送的定向短信的打开率。结果：与对照组相比，定向短信和 CME 均显著减少新处方量。将定向短信与 CME 相结合后，与对照组 (76.2%；p<0.0001) 相比，处方减少的测试 HCP 百分比 (80.1%) 最高。在接触定向短信、CME 或两者后，uUTI 和 ABS 的新处方量显著减少。包含或不包含临床背景的比较处方信息的定向短信的打开率 (分别为 10.8% 和 10.6%) 略高于仅包含临床背景的定向短信 (9.1%)。结论：针对性短信息和 CME，单独使用或联合使用，均可减少高处方者口服氟喹诺酮类药物的处方。关键词抗菌药物管理；耐药性，细菌；氟喹诺酮类；处方药滥用；不当处方；教育，医疗，继续教育；同伴影响；随机对照试验作为主题；美国简介
外部评估报告《无线电波/光波组合传感器系统研究》
广域预警监视功能电波/光波组合传感器系统研究[事后评价（内部测试结束时）]（策划：防卫装备厅、电子设备研究所、传感器研究部，传感系统实验室）
AI 黑盒解释的批判性实证研究
模型是人工智能可解释性 (XAI) 的主要趋势之一，表明其缺乏可解释性和社会后果。我们使用代表性消费者小组来测试我们的假设，报告了三个主要发现。首先，我们表明，黑盒模型的事后解释往往会提供有关算法底层机制的部分和偏见信息，并且可能会通过转移用户的注意力而受到操纵或信息隐瞒。其次，除了自我报告的感知指标之外，我们还展示了经过测试的行为指标的重要性，以提供对可解释性维度的更全面的看法。本文有助于阐明本质上透明的人工智能模型与黑盒复杂模型的事后解释之间的实际理论争论——这场争论很可能在未来人工智能系统的发展和操作化中发挥重要作用。
改善基于证据的环境政策评估
4.3.1。背景42 4.3.2。基线方案与策略方案43 4.3.3。方法论44 4.3.4。评估结果46 4.3.5。与最佳实践指南的一致性一致性，用于前盘分析和评估46 4.4。私人车辆转换保费的事后评估48 4.4.1。背景48 4.4.2。评估方法49 4.4.3。评估结果51 4.4.4。与最佳实践指南的一致性一致，用于后分析和评估52 4.4.5。最新的转换保费评估的见解54 4.5。对欧盟工业排放指令（IED）的事后评估55 4.5.1。背景55 4.5.2。评估IED 56 4.5.3的基线。方法论56 4.5.4。评估结果57 4.5.5。与最佳实践指南的一致性一致性分析和评估59