XiaoMi-AI文件搜索系统
World File Search System偏差
联邦收购法规类别偏差（第20-05号Rev 3
目的：这个遥远的类别偏差20-05，修订3取代了类偏差1和2。此修订对于更新52.204-23的条款是必要的，禁止使用卡巴斯基实验室开发或提供的硬件，软件和服务合同，以将“覆盖物品”和“覆盖的实体”更改为“ Kaspersky Lab of Covery Covery Accoper”文章和“ Kaspersky Lab Soved Ensodity”。进行了此更改是为了避免与《联邦收购供应链安全法》（FASCSA）最终规则中排除或删除的涵盖文章的定义混淆。除了更改名称外，更新了52.204-23的（c）（2）（i）段，以将初始报告的报告时间范围从1个工作日更改为3个工作日期，再到与52.204-30的第（c）（4）款相提并论，联邦收购供应供应链供应链订单订单 - 添加到12月2023年12月2023年的范围。 此外，此修订版合并附件1，从修订版1和2。。 请注意，偏离的第52.204-25条，禁止某些电信和视频监视服务或设备的签约。此外，此修订版合并附件1，从修订版1和2。请注意，偏离的第52.204-25条，禁止某些电信和视频监视服务或设备的签约。
AI 何时能减少个人的锚定偏差并增强决策能力
摘要 本研究旨在识别和解释适应人工智能建议的决策行为背后的机制。我们借鉴锚定效应和体验式学习文献，开发了一个新的理论框架。我们关注两个因素：（1）个人的初始估计与人工智能建议之间的差异，以及（2）第二个锚点（即前一年信用评分）的存在。我们在企业信用评级环境中进行了两项纵向实验，其中正确答案随机存在。我们发现个人表现出一些矛盾的行为。在差异较大且没有第二个锚点的情况下，个人更有可能做出调整努力，但他们的初始估计仍然是强有力的锚点。然而，在多锚点环境中，个人往往会减少对初始估计的依赖。我们还发现个人的准确性取决于他们的去偏差努力。
重度抑郁症中负面认知偏差的神经机制理论
由 Aaron Beck 提出的抑郁症认知理论得到广泛认可，该理论关注的是信息处理的偏见，强调情感和概念信息的消极方面。当前，人们试图发现这种认知和情感偏见的神经机制，并成功地确定了与情绪、注意力、沉思和抑制控制等几种偏见功能相关的各个大脑区域。然而，抑郁症患者如何发展出这种选择性消极处理的神经生物学机制仍存在疑问。本文介绍了一个以额叶边缘回路为中心的神经学框架，具体分析和综合了杏仁核、海马和内侧前额叶皮质内的活动和功能连接。首先，建立了正反馈回路如何在自动水平上导致抑郁症患者杏仁核持续过度活跃的可能解释。在此基础上，提出了两个假设：假设 1 围绕双向杏仁核海马投射，促进负面情绪和记忆的放大，同时阻碍海马吸引子网络中对立信息的检索。假设 2 强调腹内侧前额叶皮层通过与杏仁核和海马一起概括概念和情感信息，参与建立负面认知框架。本研究的主要目的是改进和补充现有的抑郁症病理模型，推动情感障碍神经科学当前理解的前沿，并最终有助于成功康复令人衰弱的情感障碍。
用于药物低偏差评估的层次聚类分割......
摘要 — 药物-靶标相互作用 (DTI) 预测在药物发现和化学基因组学研究中非常重要。机器学习，尤其是深度学习，在过去几年中极大地推动了这一领域的发展。然而，学术论文中报告的性能与实际药物发现环境中的性能之间存在显著差距，例如基于随机分割的评估策略在估计现实环境中的预测性能时往往过于乐观。这种性能差距主要是由于实验数据集中隐藏的数据偏差和不适当的数据分割。在本文中，我们构建了一个低偏差 DTI 数据集，并研究了更具挑战性的数据分割策略，以改进现实设置的性能评估。具体而言，我们研究了流行的 DTI 数据集 BindingDB 中的数据偏差，并使用五种不同的数据分割策略重新评估了三种最先进的深度学习模型的预测性能：随机分割、冷药分割、支架分割和两种基于层次聚类的分割。此外，我们全面检查了六个性能指标。我们的实验结果证实了流行的随机分割的过度乐观，并表明基于层次聚类的分割更具挑战性，并且可以在现实世界的 DTI 预测设置中提供对模型通用性的更有用的评估。索引术语——药物-靶标相互作用、数据偏差、数据分割策略、性能评估
错误、嵌合体、偏差和 GC 含量对扩增子测序准确性的影响
摘要 靶向扩增子测序广泛应用于微生物生态学研究。然而，测序伪影和扩增偏差令人担忧。为了确定这些伪影的来源，我们使用由来自 33 种细菌菌株的 16S rRNA 基因组成的模拟群落进行了系统分析。我们的结果表明，虽然测序错误通常只发生在低丰度操作分类单元中，但嵌合序列是伪影的主要来源。单序列和双序列主要是嵌合体。嵌合序列的形成与目标序列的 GC 含量显着相关。低 GC 含量的模拟群落成员表现出较低的嵌合序列形成率。GC 含量对序列恢复也有很大影响。定量能力明显有限，恢复率差异很大，预期和观察到的菌株丰度之间的相关性较弱。GC 含量较高的模拟群落菌株的恢复率高于 GC 含量较低的菌株。由于引物亲和力的差异，还观察到了扩增偏差。两步 PCR 策略将嵌合序列的数量减少了一半。此外，基于模拟群落的比较分析表明，几种广泛使用的序列处理流程/方法，包括DADA2、Deblur、UCLUST、UNOISE和UPARSE，在伪影去除和稀有物种检测方面各有优缺点。这些结果对于提高测序质量和可靠性以及开发新的算法来处理目标扩增子序列具有重要意义。
在静止状态功能性MRI指标中对静脉偏差进行建模
图1 MNI152空间中RSFMRI指标和QSM图像的处理管道的概述。从QSM图像中提取的静脉中，在天然空间中生成了距离图和传播直径图。然后将图像注册到MNI152空间。The top row depicts the rsfMRI metrics in MNI152 space: sagittal view of the amplitude of low-frequency fluctuations (ALFF), fractional ALFF (fALFF), Hurst Exponent (HE), Coherence [Coherence (Cohe)-Regional Homogeneity (ReHo)], Kendall's Coefficient Concordance (KCC)-ReHo and一个参与者的特征向量中心（EC）值。底部行：来自天然空间中同一参与者的定量敏感性映射（QSM）图像，从容器分割档案中（阈值= 0.5;天然空间），所得的部分体积（PV；第二行）和直径图（第三行）（第三行）。PV和直径图排除了所有静脉<0.3 mm。距离图和传播直径图分别从PV和天然空间中的直径图计算出来。距离> 6.7 mm的组织体素。地图已注册到MNI152空间，并仅限于GM（第二行和第三行的最后一列）。
自动驾驶边缘人工智能算法中的偏差检测与泛化
摘要 — 机器学习模型在对未知数据集进行推理时，通常会对熟悉的组或相似的类集产生有偏差的输出。人们已经研究了神经网络的泛化以解决偏差，这也表明准确度和性能指标（例如精确度和召回率）有所提高，并改进了数据集的验证集。测试和验证集中包含的数据分布和实例在提高神经网络的泛化方面起着重要作用。为了生成无偏的 AI 模型，不仅应对其进行训练以实现高精度并尽量减少误报。目标应该是在计算权重时防止一个类/特征对另一个类/特征占主导地位。本文使用选择性得分和余弦相似度等指标研究了 AI 模型上最先进的对象检测/分类。我们专注于车辆边缘场景的感知任务，这些任务通常包括协作任务和基于权重的模型更新。分析是使用包括数据多样性差异、输入类的视点和组合的案例进行的。我们的结果表明，使用余弦相似度、选择性得分和不变性来衡量训练偏差具有潜力，这为开发未来车辆边缘服务的无偏 AI 模型提供了启示。索引术语 — 偏差、数据多样性、特征相似度、泛化、选择性得分
AI驱动的目标营销中的偏差检测和缓解效果
摘要： - 在这项工作中，检查了AI驱动的目标营销中的偏差识别和缓解措施，重点是保证自动化消费者分析的公平性。通过初步研究发现了AI模型中的明显偏见，尤其受到采购历史和地理位置等特征的影响，这些特征与种族和社会经济地位（例如种族和社会经济位置）非常相对应。具有0.60的不同影响（DI），-0.25的统计奇偶差异（SPD），机会均等的差异（EOD）为-0.30，针对原始模型计算的公平措施揭示了针对某些人群群体的显着偏见。我们使用了三种主要的缓解策略：预处理，进行中心和后处理，以抵消这些偏见。对培训数据进行了取样和平衡，将DI提高到0.85，SPD至-0.10，EOD至-0.15。措施通过处理要好得多，这可以直接在学习算法中增加公平性限制，DI为0.90，SPD为-0.05，EOD为-0.10。最成功的是后处理修改，它改变了模型输出以确保公平性；他们产生的DI为0.95，SPD为-0.02，EOD为-0.05。这些结果支持已经出版的研究，并证明AI中的偏见是一个复杂且持久的问题，需要采取多维策略。本文强调了持续的审计，开放性和多学科合作如何减少偏见。营销人员，AI从业者和立法者将发现深刻的后果，这强调了道德AI方法的要求，以维护客户信心并遵守法律。这种方法推进了有关AI伦理学的更大讨论，促进正义，并减少了AI驱动的营销系统中的偏见。
大规模并行报告分析中基于序列的条形码偏差校正
大规模并行报告基因检测 (MPRA) 是一种高通量方法，用于评估数千个候选顺式调控元件 (CRE) 的体外活性。在这些检测中，候选序列被克隆到由独特 DNA 序列标记的报告基因的上游或下游。然而，标签序列本身可能会影响报告基因的表达，并导致测量的顺式调控活性出现重大潜在偏差。在这里，我们提出了一种基于序列的方法来校正标签序列特异性效应，并表明我们的方法可以显著减少这种变异源并提高 MPRA 对功能性调控变体的识别。我们还表明我们的模型可以捕获与 mRNA 转录后调控相关的序列特征。因此，这种新方法不仅有助于提高 MPRA 实验中对调控信号的检测，而且还有助于设计更好的 MPRA 协议。