XiaoMi-AI文件搜索系统
World File Search System偏好
通过分析和分类eeg信号对消费者偏好的认可
神经营销已关注弥合传统营销研究与脑电图（EEG）基于脑部计算机界面（BCI）研究之间的差距。它通过偏好预测确定客户实际想要的东西。基于EEG的偏好检测系统的性能取决于适当的特征提取技术和机器学习算法。在这项研究中，我们使用脑电图指数的不同特征组合和不同算法进行特征提取和分类检查了神经营销数据集的偏好检测。对于EEG特征提取，我们采用了离散小波变换（DWT）和功率谱密度（PSD），这些变换（PSD）用于测量基于EEG的偏好指数，从而提高了偏好检测的准确性。此外，我们将深度学习与其他传统的分类器进行了比较，例如K-Neartime（KNN），支持向量机（SVM）和随机森林（RF）。我们还研究了偏好指标对分类算法性能的影响。通过严格的局部分析，我们研究了偏好检测和分类的计算智能。拟议的深神经网络（DNN）的性能在准确性，精度和召回方面优于KNN和SVM；但是，RF获得的结果与同一数据集类似于DNN的结果。
格罗宁根大学患者对人工晶体的偏好......
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
希腊溃疡性结肠炎患者的治疗偏好：横断面研究
参考文献：1. Raine, T. 等人，Journal of Crohn's and Colitis，2022，2–17。2. Triantafillidis JK 等人，Drug Des Devel Ther。2011；5：185–210。3. Gonzalez J 等人，J Am Board Fam Pract。2005；18：87–96。4. Vlasnik JJ 等人，Case Manager。2005；16：47–51。5. Wilke T 等人，Value Health。2011；14(8)：1092–100。6. Horne R. J Psychosom Res。1999；47(6)：491–5。7. Conrad S 等人，Z Gastroenterol。 2012；50(04)：364–72。 8.西格尔CA。炎症性肠病。 2010；16：2168–2172。9.西格尔CA。肠道。 2012；61：459–465。 10. Van Der Pol M 等人，Eur J Health Econ。 2017；18(3)：373–86。
研究论文 基于脑电图的神经营销应用偏好分类
神经营销是一种现代营销研究技术，利用神经科学方法分析消费者的行为。在这项研究中，我们创建、处理和研究了消费者对图像广告反应的脑电图数据库，目的是建立能够根据消费者脑电图数据对其偏好进行分类的预测模型。我们使用三种分类器算法（即 SVM、KNN 和 NN 模式识别）进行了几种类型的分析。据报道，女性受试者和 KNN 分类器的最大准确度和灵敏度分别为 75.7% 和 95.8%。此外，额叶区域电极产生了最佳的选择性通道性能。最后，根据得到的结果，KNN 分类器被认为最适合解决偏好分类问题。新创建的数据集及其得出的结果将帮助研究界开展神经营销方面的进一步研究。
生育计划/生育偏好工作表 随着您的宝宝的出生...
分娩计划/分娩偏好工作表 随着宝宝的预产期临近，分娩过程成为准父母关注的重点。我们的医疗服务提供者、护士和工作人员团队期待与您见面，并在这个特殊时期照顾您和您的家人。您也是我们团队中非常重要的一员。因为每个家庭都是独一无二的，所以了解您并了解您的分娩经历偏好对我们来说很重要。 填写完此工作表后，请在下次预约时与您的医疗服务提供者一起查看。在分娩过程中，您的护士将与您一起审查，并将尽一切努力将您的愿望融入其中，而不会损害我们为您和您的宝宝提供绝对安全的目标。 分娩支持团队 请告诉我们您希望谁在分娩期间陪在您身边。请也与他们分享这个计划，这样他们就知道什么对您来说是重要的。请注意，在病毒爆发期间，例如 COVID-19，产科中心可能会限制访客。 病人：___________________________________________________________ 伴侣：___________________________________________________________ 其他：____________________________________________________________
使用学习动力学模型的有效基于偏好的增强学习
摘要 - 基于偏好的增强学习（PBRL）可以使机器人能够根据个人的喜好学习执行任务，而无需手工制作的重新功能。但是，现有方法要么假设访问高保真模拟器或分析模型，要么采用需要广泛的，可能是不安全在线环境互动的模型方法。在本文中，我们研究执行PBRL时使用学习动力学模型的好处和挑战。，我们提供的证据表明，在执行PBRL时，学到的动态模型提供了以下好处：（1）比无模型的PBRL相比，偏好启发和政策优化需要明显少于环境的互动，（2）可以在没有基于标准模型的RL和（3）奖励的范围内，无需逐步征服（2）各种偏好查询即可综合使用。 相互作用。我们的论文提供了经验证明，学到的动态模型使机器人能够以用户偏好的方式来学习自定义的策略，这些方式比先前的偏好学习方法更安全，更有效。补充材料和代码可在https://sites.google.com/berkeley.edu/mop-rl上找到。
原始研究消费者的偏好和中国电动汽车付费的意愿
鉴于环境的不断增长以及减少碳排放的迫切需求，采用电动汽车（EV）在将汽车行业转变为可持续性方面起着关键作用。 在中国，促进电动汽车的历史可以追溯到2009年，而电动汽车的消费者接受程度低于传统燃料汽车。 经常被用来鼓励电动汽车扩散的大型财务补贴并不长期可行。 因此，必须重新聚焦对电动汽车本身的固有品质和特征的研究。 这项研究研究了中国山东的选择实验（CE）方法，研究了消费者的偏好和愿意（WTP）为电动汽车的属性（WTP）。 评估的属性是驾驶范围，座椅，电池保修期，充电时间和价格。 最后，使用条件logit（CL）和混合logit模型（MXL）检查了330个有效响应的数据。 结果表明，最优选的属性是电池保修持续时间的扩展，这导致WTP的范围从CNY626,352到CNY1,141,580（98,485美元至170,385美元）。 此外，结果表明了基于性别，年龄，教育和收入的不同消费者偏好。 这些发现对政策制定者在发展电动汽车行业方面具有重要意义。鉴于环境的不断增长以及减少碳排放的迫切需求，采用电动汽车（EV）在将汽车行业转变为可持续性方面起着关键作用。在中国，促进电动汽车的历史可以追溯到2009年，而电动汽车的消费者接受程度低于传统燃料汽车。经常被用来鼓励电动汽车扩散的大型财务补贴并不长期可行。因此，必须重新聚焦对电动汽车本身的固有品质和特征的研究。这项研究研究了中国山东的选择实验（CE）方法，研究了消费者的偏好和愿意（WTP）为电动汽车的属性（WTP）。评估的属性是驾驶范围，座椅，电池保修期，充电时间和价格。最后，使用条件logit（CL）和混合logit模型（MXL）检查了330个有效响应的数据。结果表明，最优选的属性是电池保修持续时间的扩展，这导致WTP的范围从CNY626,352到CNY1,141,580（98,485美元至170,385美元）。此外，结果表明了基于性别，年龄，教育和收入的不同消费者偏好。这些发现对政策制定者在发展电动汽车行业方面具有重要意义。
从偏好中学习的多转弯强化学习人类反馈
从人类反馈中学习（RLHF）已成为使大语言模型（LLM）与人类偏好保持一致的标准方法，从而使LLM可以在各种任务中表现出显着的能力。现有方法通过在单个决策（转弯）级别上模拟偏好，限制其在需要计划或多转交互以实现长期目标的设置中的功能。在本文中，我们通过开发新的增强学习方法（RL）来解决这个问题，从两次完整的多转交谈之间的偏好反馈中。在表格设置中，我们为一般多转变的基于多转变的RL问题提供了一种新型的基于镜下降的策略优化算法，并证明了其与NASH平衡的收敛。为了评估绩效，我们创建了一个新的环境，教育对话，教师代理人指导学生学习一个随机主题，并证明我们算法的深度RL变体优于RLHF Baselines。最后，我们表明，在具有明确奖励的环境中，我们的算法恢复了与基于奖励的RL基线相同的性能，尽管仅依靠较弱的偏好信号。
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。