XiaoMi-AI文件搜索系统
World File Search System偏好
个性化的患者偏好预测因素，用于替代医疗保健的判断：技术上FEA
摘要在为无行为能力的患者做出替代判断时，代理人经常努力猜测患者有能力会想要什么。代理人也可能因（唯一）做出这种决定的责任而感到痛苦。为了解决此类问题，已经提出了一种患者偏好预测因子（PPP），该预测因素将使用算法从人群级别的数据中推断出单个患者的治疗偏好，以了解具有相似人口统计学特征的人的已知偏好。然而，批评家们已经表明，即使这种PPP平均比人类替代者更准确，在识别患者偏好方面，拟议的算法仍然无法尊重患者（以前的）自主权，因为它会借鉴“错误的”数据：对于个人而言，这些数据不适合个人的数据，因此他们不适合他们的挑战，并且他们的实际原因是他们的实际原因，或者是实际的，或者是实际上的，或者是实际上的，或者是实际的，或者是实际的，或者是实际的，或者是实际上所依据的，或者是实际的原因。在船上受到这样的批评，我们在这里提出了一种新方法：个性化的患者偏好预测因子（P4）。P4基于机器学习的最新进展，该技术允许包括大型语言模型在内的技术更便宜，更有效地“微调”在特定于人的数据上。与PPP不同，P4将能够从实际上特定于其特定的材料（例如先前的治疗决策）中推断出单个患者的偏好。因此，我们认为，除了在个体水平上比以前提出的PPP更准确，P4的谓词还将更直接地反映每个患者自身的原因和价值观。在本文中，我们回顾了人工智能研究中的最新发现，这些发现表明P4在技术上是可行的，并认为，如果它是开发和适当部署的，则应缓解一些基于自主的主要关注原始PPP的批评者的关注。然后，我们考虑对我们的提案的各种异议，并提供一些暂定的答复。
用于通信的脑机接口：闭锁综合征患者的偏好、汽车
摘要 目标：为严重运动障碍患者开发脑机接口 (cBCI) 理想情况下依赖于最终用户和其他利益相关者（如护理人员和研究人员）之间的密切合作。意识到这些群体之间可能存在的意见分歧对于开发可用的 cBCI 和访问技术 (AT) 至关重要。在本研究中，我们比较了潜在 cBCI 用户、他们的护理人员和 cBCI 研究人员对以下方面的意见：(1) 用户希望用 cBCI 控制哪些应用程序；(2) 用户喜欢使用哪些心理策略来控制 cBCI；(3) 用户希望在临床轨迹的哪个阶段了解 AT 和 cBCI。方法：我们收集了 28 名闭锁综合征患者、29 名护理人员和 28 名 cBCI 研究人员的数据。问卷配有动画视频来解释不同的 cBCI 概念，并评估了这些概念的实用性。结果：三组人对最理想的 cBCI 应用的看法一致，但对心理策略和了解 cBCI 的时间存在分歧。动画视频被认为是向最终用户和其他利益相关者解释 cBCI 和心理策略的清晰且有用的工具。结论：利益相关者之间对于用户喜欢使用哪种心理策略以及他们希望何时了解 cBCI 存在明显分歧。为了推进 cBCI 的开发和临床实施，有必要将研究议程与最终用户和护理人员的需求相结合。
知识，疫苗的偏好和对马来西亚人的Covid-19的恐惧，在Covid-19的阶段增强阶段，大流行Anis aqilah aqilah binti romzi 1，megat
目的：这项研究的目的是调查马来西亚人中对Covid-19的知识，疫苗偏好和恐惧。材料和方法：这项在线问卷调查是从2021年9月6日至2021年11月12日通过成人马来西亚人的Google表格进行的。为了收集数据，将经过试验的经过验证的问卷调查给387个样本。由参与者的社会人口统计学特征，有关信息来源的COVID-19疫苗的知识，参与者的特定疫苗偏好，具有理由，疫苗接种状态和COVID-19的恐惧的调查表。结果和讨论：参与者对Covid-19疫苗有良好的了解。总共275（71％）参与者表现出对特定疫苗的偏爱；辉瑞-biontech是最优选的（61.5％）疫苗。偏爱的主要原因是有效性（56.4％）。疫苗优先组的参与者获得的知识评分（7.38/8）比非偏爱（7.28/8）的知识评分更高。总共376名（97％）的受访者接种疫苗，其中250名（66.5％）接受了首选疫苗，而22（5.85％）未获得挑选，而休息却没有偏爱。在11名未接种疫苗的参与者中，有3名拒绝接种疫苗，以提供非脱颖而出的疫苗。与非接种疫苗的组相比，疫苗接种组中对共vid-19分数的恐惧更高（21.34/35）（19.09/35），尽管没有观察到显着差异。结论：大多数马来西亚人都对COVID-19疫苗接种知识渊博，接受了疫苗优先和疫苗接种。疫苗偏爱的参与者比没有明显差异的非偏爱更具知识渊博。在非接种疫苗的参与者中，有27％（3/11）拒绝提供的疫苗接种，如提供的非偏爱疫苗。疫苗接种组对19009的恐惧比非接种疫苗的恐惧更多，而差异无关。提高意识是人们不愿意或犹豫接种疫苗所必需的。
营养教育的运动员偏好：定量调查的开发和发现
“微生物感染和宿主免疫”上的特刊旨在阐明微生物病原体与宿主免疫系统之间的复杂相互作用。本期特刊旨在探索了解微生物感染背后的机制和相应宿主免疫反应的最新进步。我们欢迎原始的研究文章，评论和观点研究各种微生物感染的发病机理，新型治疗策略的发展以及宿主免疫系统在对抗这些感染中的作用。我们鼓励提交，以解决微生物和免疫学方面的基本问题，以及提供与人类健康相关的临床见解的提交问题。通过培养跨学科对话，这一特殊问题努力为微生物感染和宿主免疫的知识不断增长做出贡献。提交将为学术界提供宝贵的贡献，并促进我们对这些相互关联的领域的理解。
算法，专家还是两者？评估特征选择方法对用户偏好和Reliance
sof umer洞穴是一个未开发的极端环境，可容纳新型微生物和潜在的遗传资源。来自洞穴的微生物组已被遗传适应以产生各种生物活性代谢产物，使它们能够生存并耐受苛刻的结合。然而，尚未探索Sof umer Cave微生物中与生物合成相关的基因簇标志。因此，使用高通量shot弹枪测序来探索sof umer Cave的微生物组中与生物合成相关的基因簇（BGC）。Geneall DNA土壤迷你试剂盒用于从均质样品中提取高分子量DNA，并使用Novaseq PE150对纯化的DNA进行测序。根据微-RN数据库，乌默洞穴中最常见的微生物属是原细菌，静脉细菌，verrucomicrobobiota和蓝细菌。对与生物合成相关的基因簇进行了注释并分类，并使用抗石和NAPDOS1预先对BGC进行预令。确定了编码广泛的二级代谢物的BGC的460个推定区域，包括RIPP（47.82％），萜烯（19.57％），NRPS（13.04％），杂种（2.18％）和其他新的注释（10.87％）com punds。此外，NAPDOS管道还从链霉菌素的链霉菌素（链霉菌素基因肌链霉菌素）中鉴定出钙依赖性的抗生素基因簇，来自链霉菌Chrysomallus的放线菌素基因簇和来自链霉菌链霉菌的博霉素基因簇。这些发现突出了Sof Umer Cave微生物组的未开发的生物合成潜力，以及其发现天然产物的潜力。
具有策划数据的自我消耗生成模型可证明优化人类偏好
生成模型的快速进步导致了构成质量的令人印象深刻的飞跃，从而模糊了合成数据和真实数据之间的界限。网络规模的数据集现在易于通过合成数据不可避免地污染，直接影响了未来生成的模型的培训。已经在文献中出现了自我消耗生成模型的一些理论结果（又称迭代性重新训练），表明模型崩溃或稳定性可能取决于每个重新培训步骤中使用的生成数据的分数。但是，实际上，合成数据通常受到人类反馈的约束，并在在线使用和上载之前由用户策划。例如，流行的文本到图像生成模型的许多接口（例如稳定的扩散或Midjourney）为给定查询产生了几种图像的变化，最终可以由用户策划。在本文中，我们从理论上研究了数据策展对生成模型的迭代重新培训的影响，并表明它可以看作是一种隐式优先优化机制。但是，与标准偏好优化不同，生成模型无法访问成对比较所需的奖励功能或负面样本。此外，我们的研究不需要访问密度函数，而只需要访问样品。我们证明，如果数据是根据奖励模型策划的，则最大化迭代重新训练程序的预期奖励。我们在每个步骤使用真实数据的正分数时进一步提供了关于重新循环的稳定性的理论结果。最后，我们在合成数据集和CIFAR10上进行说明性实验，表明这种过程扩大了奖励模型的偏见。
直接偏好优化（DPO） +潜在扩散模型
此处使用的目标函数是根据（相当流行的）PPO算法建模的。该算法反过来是一种策略梯度方法，并且是由信任区域策略优化（TRPO）的目标函数所激发的。，但是目标函数背后的（超高级别）直觉如下：1。对奖励的期望表明，在RL训练的模型πRL的样品上，我们希望该样品πrl的概率高时，当奖励rθ高，否则否则为低。2。beta术语的期望表明我们不希望RL训练的模型概率πrl到
橄榄油供应链设计，涵盖有机和传统市场细分以及消费者对当地产品的偏好
Imen Nouira、Ramzi Hammami、Alina Fernandez Arias、Natacha Gondran、Yannick Frein。橄榄油供应链设计，包括有机和传统市场细分以及消费者对本地产品的偏好。国际生产经济学杂志，2022 年，247，第 108456 页。�10.1016/j.ijpe.2022.108456�。�emse-03592598�
动态经济中的位置偏好和效率
∗ 我们感谢 Philippe Bontems、Daniel Buncic、Reto Foellmi、Gerhard Glomm、Michael Grei-necker、Olof Johansson-Stenman、Marko K¨othenb¨urger、Christoph Kuzmics、Marc Law、Nathalie Mathieu-Bolh、Xavier Raurich、Michael Scholz 和 Stephen Turnovsky 的有益讨论和建设性建议。本文的早期版本还受益于欧洲公共选择学会 (EPCS) 2018 年会议（意大利罗马）和公共经济理论 (PET) 2019 年年会（法国斯特拉斯堡）参与者的评论。Aronsson 和 Wendner 非常感谢玛丽安和马库斯·瓦伦堡基金会 (MMW 2015.0037) 的研究资助。我们对任何剩余错误负全部责任。