XiaoMi-AI文件搜索系统
World File Search System信息性
性别平等计划
DGK 董事会成立并授权了一个项目组，以支持性别平等并在社会中创造平等机会。主要目标是坚持基于证据的对话，以确定德国临床心脏病学和心血管研究中性别不平等的原因，制定措施来抵消这些不平等，分别评估这些措施的成功，并为可持续的性别平等设定方向。1 作为实施建议措施的一部分，该项目组将很快转变为 DGK 内的一个常设部门，并将更名以反映其整体努力，并强调性别平等、多样性和包容性的重要性（多样性、公平和包容性部门）。该项目组目前获得 DGK 工作人员的行政支持。PG 13 主席（或副主席）参加 DGK 董事会的每月会议，以确保持续倡导多样性、公平和包容性，并实施性别平等计划。为实施性别平等计划而投入的进一步资源包括利用 DGK 网站作为平台、在 DGK 年度会议上策划信息性和科学性的会议，以及设立性别平等奖，表彰在促进心血管领域性别平等方面有功的个人。
经济政策不确定性和分析师行为
2 美国和英国有许多相似之处，例如基于普通法的法律体系、艺术文化、政治精神和基于市场的金融体系（La Porta、Lopez-de-Silanes 和 Shleifer，2008 年）。然而，它们在许多其他方面存在差异。美国投资者受到的保护比英国投资者更大，美国证券交易委员会有时会对不法行为者实施严厉的制裁（例如《萨班斯-奥克斯利法案》）。另一方面，与美国公司相比，英国公司提供的信息性报告更多，风险和不确定性披露更多，前瞻性信息更多（Collins、Davie 和 Weetman，1993 年）。 3 现有研究主要关注宏观不确定性对分析师预测表现的影响，主要是对其盈利预测准确性和盈利预测离散度的影响（例如，Amiram、Landsman、Owens 和 Stubben，2018 年，Baloria 和 Mamo，2017 年；Hope & Kang，2005 年），但也有少数研究考察了对分析师股票推荐的影响（例如，Lin，2018 年）。4 基于使用分析师盈利预测和剩余收益模型估计的公司价值的买入并持有投资策略优于基于分析师股票推荐的投资策略（Barniv、Hope、Myring 和 Thomas，2010 年；Bradshaw，2004 年）。
使用视觉和重新定位操作的机器人操纵器的基于NERF的对象模型的不确定性感知到主动学习
摘要 - 操纵看不见的对象在没有3D表示的情况下具有挑战性，因为对象通常具有遮挡的表面。这需要与对象的物理互动以构建其内部表示形式。本文提出了一种方法，该方法使机器人能够快速学习给定对象的完整3D模型，以在不熟悉的方向上进行操作。我们使用部分构造的NERF模型的集合来量化模型不确定性，以通过优化信息性和可行性来确定下一个动作（视觉或重新定位动作）。此外，我们的方法决定了何时以及如何掌握和重新定位对象的部分NERF模型，并重新估计对象姿势以纠正交互期间引入的未对准。在带有基准对象的桌面环境中运行的模拟Franka Emika机器人操作器进行的实验表明，视觉重建质量（PSNR）的14％，（ii）20％的几何/深度/深度重建对象表面（f-得分）和（iii）71％在（iii）71％的成功对象率是一定的，该任务范围是A的任务范围，即一定的一定范围。场景中的配置；超过当前方法。其他详细信息显示在以下网址：https：//actnerf.github.io/。
HPMS 公告备忘录-种族和民族 (PDF)
医疗保险和医疗补助服务中心 (CMS) 对支持医疗保险优势处方药 (MAPD) 计划的注册和支付系统实施了软件更改。本备忘录旨在宣布在个人注册申请表 (OMB 编号 0938-1378) 模板上增加种族和族裔数据字段，以注册 MA 或 Part D 计划，并提供计划于 2023 年 1 月发布的相关系统更改的高级提前通知。这些新字段必须包含在注册表中；但是，申请人对这些问题的回答是可选的。当申请人提供这些数据时，MA 和 Part D 计划将这些数据作为注册交易的一部分提交给 CMS。如果计划收到拒绝交易回复代码 (TRC) 394 或信息性 TRC 396（参见附件 C），则计划必须发送后续更正交易代码 (TC) 92 进行纠正。 CMS 希望计划提交受益人对种族和族裔字段的回复，包括确认受益人是否未提供可选数据。在 CMS 接受所有种族和族裔数据（包括注明受益人未回答问题）之前，该字段不被视为完整。
转导零射击和少量剪辑-CVF Open Access
转导的推论已通过几片图像分类进行了广泛研究，但在最近的，快速增长的文献中，有关适应视觉模型（如剪辑）的文献被完全忽略了。本文介绍了转换零射击和少量剪辑的分类，其中在其中共同进行推理，在一批无标记的查询样品中共同执行，而不是独立处理每个实例。我们最初构建了信息性的文本概率特征，从而在单元单元集中导致分类问题。受期望最大化（EM）的启发，我们基于优化的分类目标使用Dirichlet定律对每个类别的数据概率分布进行模型。然后使用一种新颖的块最小化最小化算法来解决最小化问题，该算法同时估计分布参数和类分配。在11个数据集上进行的广泛的Numerical实验强调了我们批处理推理方法的效果和效率。在带有75个样本的测试批次的零摄像任务上，我们的APARCH产量比Clip的零弹性性能提高了20％的ImageNet准确性。此外，我们在几次设置中胜过最先进的方法。代码可在以下网址提供：https：//github.com/ segolenemartin/trandductive-clip。
![arxiv：2502.13080v1 [cs.lg] 2025年2月18日](/simg/7\78a73d211cfea610677f328c8a47b1c1de992e03.webp)
arxiv：2502.13080v1 [cs.lg] 2025年2月18日
摘要。基因表达分类是生物信息学中的一项关键但具有挑战性的任务，这主要是由于高度数据的高维度和过度拟合的风险。为了弥合这一差距，我们提出了Bolimes，这是一种新型特征选择算法，旨在通过系统地重新发现特征子集来增强基因表达分类。与仅依赖统计排名或分类特定选择的常规方法不同，我们将Boruta的稳健性与石灰的可解释性相结合，从而确保只保留最相关和最相关的基因。Bolimes第一位使用Boruta通过比较每个特征与其持有的对应物进行比较，从而释放了非信息性基因，从而保留了有价值的信息。然后，它使用石灰根据其对分类器的局部重要性来对剩余基因进行排名。最后，迭代分类评估通过选择最大化预测精度的基因数来确定最佳特征子集。通过将详尽的特征选择与可解释性驱动的重新结合结合，我们的解决方案有效地平衡了维数的降低与高分类性能，从而为高维基因表达分析提供了强大的解决方案。
1. 我很高兴欢迎您来到斯图尔特堡士官学院，基础领导课程 (BLC) 06-23 班。您被选入 BLC 证明了您有晋升和承担更多责任的潜力。您被选入本课程是您专业能力和领导对您的信任的有力证据。2. 报告：a. 学员将于 2023 年 4 月 14 日（第零天）NLT 0600 在 35 Road B Fort Stewart, GA 31314（FSGA 119 号公路旁）报告。b. 第零天机动方案，见附件 1。
- 早餐 4.30 美元 - 午餐 6.85 美元 - 晚餐 5.95 美元 8. 其他信息： a. 授予以下荣誉：“杰出荣誉毕业生、荣誉毕业生、杰出领导奖、指挥官名单、优异学业成绩（前 40%）、指挥官写作奖（SHARP 论文）和铁人战士奖。” b. 最终 GPA 仅基于 GPA 加权作业，包括“1009S 公共演讲和信息简报、1009W 评估写作（比较和对比论文）、1009W 评估写作（信息性论文）、进行个人训练评估、进行体能准备训练评估和进行小队演习评估。” (1) 为支持 AD 2023-08，ACFT 计划在课程第一天进行。在每个评估项目中得分为 540 分或更高且至少 80 分的士兵将免于参加在课程第九天进行的 AR 600-9 磁带评估。（2）赞助商和单位领导有权在周一至周五 1200-1300 访问 SM。请提前 24 小时致电 (912)-435-2506 或 (912)-435-2505 进行协调。访客必须将车停放在 NCOA 总部以外的指定位置，并签到
cctr：校准不确定性的轨迹预测 -
自主驾驶系统依靠精确的轨迹前词进行安全有效的运动计划。尽管努力提高预测准确性，但由于数据噪声和不完整的观察，固有的不确定性仍然存在。许多策略需要将预测结果形式化为分布，并利用差异代表不明显。然而，我们的实验研究表明，现有的轨迹预测模型产生了不可靠的不可估计的估计，需要进行其他定制的核心过程。另一方面，直接将电流校准技术应用于预测输出可能会产生亚最佳结果，因为对所有预分解使用了通用缩放器并忽略了信息性的数据提示。在本文中，我们提出了使用调节器（CCTR）的定制校准温度，这是一个通用框架，可以校准外部分布。具体来说，CCTR 1）采用基于校准的正规器将输出差异与预测与地面真相之间的差异相一致，并且2）使用上下文和历史信息为每个预测提供了每个预测的量身定制的温度缩放器。涉及多种谓词和计划方法的广泛评估表明，CCTR比现有的校准算法和不确定性意识方法的优越性，校准质量的11％ - 22％的显着提高，运动计划的17％-46％。
概率的不确定性定量
机器学习应用于地球观察（EO）数据，以得出用于表征，理解和保护自然资源的数据集，从而促进了国际协定的进步。但是，派生的数据集包含固有的不确定性，需要可靠地量化以避免向下流后果。应对报告不确定性的需求的增加，我们将注意力集中在EO领域内的共形预测的希望。共形预测是一种不确定性定量（UQ）方法，该方法具有统计有效和信息性的预测区域，同时同时是计算高效，模型无关的，无分布的，并且可以在不需要访问下面的模型和训练数据集的情况下以HOC的方式应用。我们评估了EO-MAIG中不确定性定量的当前状态，发现只有21％的审查数据集融合了一定程度的不确定性信息，并且不可靠的方法普遍存在。接下来，我们介绍了Google Earth Engine本地模块，这些模块可以集成到现有的预测建模工作流中，并通过将它们应用于跨越大陆的数据集中到全球尺度，回归和分类任务，以传统学习和深度学习工作来证明这些工具的多功能性，效率和可扩展性。我们预计，易于使用的保形预测因子（例如这里提供的预测）的可用性会增加
cctr：校准不确定性的轨迹预测 -
自主驾驶系统依靠精确的轨迹前词进行安全有效的运动计划。尽管努力提高预测准确性，但由于数据噪声和不完整的观察，固有的不确定性仍然存在。许多策略需要将预测结果形式化为分布，并利用差异代表不明显。然而，我们的实验研究表明，现有的轨迹预测模型产生了不可靠的不可估计的估计，需要进行其他定制的核心过程。另一方面，直接将电流校准技术应用于预测输出可能会产生亚最佳结果，因为对所有预分解使用了通用缩放器并忽略了信息性的数据提示。在本文中，我们提出了使用调节器（CCTR）的定制校准温度，这是一个通用框架，可以校准外部分布。具体来说，CCTR 1）采用基于校准的正规器将输出差异与预测与地面真相之间的差异相一致，并且2）使用上下文和历史信息为每个预测提供了每个预测的量身定制的温度缩放器。涉及多种谓词和计划方法的广泛评估表明，CCTR比现有的校准算法和不确定性意识方法的优越性，校准质量的11％ - 22％的显着提高，运动计划的17％-46％。