XiaoMi-AI文件搜索系统
World File Search System偏差
COVID-19的管理疫苗给药错误和偏差
如果有效剂量：在最后一个有效剂量后至少向接受Sinovac，Sinopharm或Covaxin的患者提供一剂剂量的mRNA疫苗。个体如果要求服用两剂剂量，则可能会收到两次mRNA疫苗。所有剂量都被认为有效。请参阅疫苗资格和调度文件，以评估其他剂量资格。如果剂量无效：用mRNA疫苗重新启动系列。个人已收到加拿大非健康授权的Covid-19疫苗的第三次/助推器/额外剂量。（先前剂量的有效性需要如上所述确认。）
人类认知偏差识别以产生安全...
技术系统的复杂性、快速变化和规模快速增长，引起了人们对安全关键系统中人为因素的日益关注。毫无疑问，随着技术的发展，关键系统的安全性已经有了很大的提高，因为硬件和软件引起的事故数量已经绝对减少了，但是在每次事故中发现的人为决策偏差数量仍然更多，因为对近几十年来重大安全关键事故的分析得出结论，系统操作员、管理人员和设计人员的人为错误起了重要作用[2]。文献中有许多安全关键系统故障是由于认知偏差导致的，从而造成了巨大的悲剧。这些安全关键系统事故包括荷兰皇家航空 408 航班事故、三哩岛核电站事故、法航 447 坠毁事故以及更多的安全关键系统事故，这些事故都被归咎于人为错误 [2]。在安全关键系统中，应充分分析潜在风险，以防止未来操作员的失误，这不仅需要关注外部人为错误，还需要关注心理角度，特别是认知偏差，以阻止源于思想和信念的错误，最终导致糟糕和错误的决策。由于当前研究领域有许多人为错误识别技术，但仍需要确定根本原因
类偏差CD-2022-04
行政命令（E.O.）14008呼吁联邦机构以榜样为由解决国内外的气候危机。 第205条特别呼吁GSA，美国能源部和白宫，使用所有可用的采购机构制定联邦清洁电力和车辆采购策略，以实现或促进清洁和零排放车辆（ZEVS），用于联邦，州，州，地方和部落政府机队，包括美国邮政邮政服务的车辆。 2022年12月8日，为代理商提供实现这一目标的蓝图，总统签署了E.O. 14057关于通过联邦可持续性催化美国清洁能源经济。 通过新的E.O.的协调整个政府方法 鼓励联邦政府与美国车辆，电池和充电设备制造商和安装商合作，以将其规模和采购能力转变为将其量表和采购能力实现为2027年的100％轻型车辆的收购，并在2027年以100％作为ZEV作为ZEV，并在2035年之前作为Zevs作为ZEV。14008呼吁联邦机构以榜样为由解决国内外的气候危机。第205条特别呼吁GSA，美国能源部和白宫，使用所有可用的采购机构制定联邦清洁电力和车辆采购策略，以实现或促进清洁和零排放车辆（ZEVS），用于联邦，州，州，地方和部落政府机队，包括美国邮政邮政服务的车辆。2022年12月8日，为代理商提供实现这一目标的蓝图，总统签署了E.O.14057关于通过联邦可持续性催化美国清洁能源经济。 通过新的E.O.的协调整个政府方法 鼓励联邦政府与美国车辆，电池和充电设备制造商和安装商合作，以将其规模和采购能力转变为将其量表和采购能力实现为2027年的100％轻型车辆的收购，并在2027年以100％作为ZEV作为ZEV，并在2035年之前作为Zevs作为ZEV。14057关于通过联邦可持续性催化美国清洁能源经济。通过新的E.O.的协调整个政府方法鼓励联邦政府与美国车辆，电池和充电设备制造商和安装商合作，以将其规模和采购能力转变为将其量表和采购能力实现为2027年的100％轻型车辆的收购，并在2027年以100％作为ZEV作为ZEV，并在2035年之前作为Zevs作为ZEV。
COVID-19 疫苗接种错误和偏差指南
本指导文件旨在为医疗保健提供者提供在发生无意的疫苗接种错误或偏差后应采取的建议措施，以支持对这些事件进行一致且最佳的管理。疫苗接种错误是任何可预防的事件，可能导致或导致疫苗使用不当和/或患者受到伤害。本指导还涉及偏离其他推荐做法的情况（例如，疫苗使用不符合制造商和/或加拿大国家免疫咨询委员会 (NACI) 的建议，但不属于疫苗接种错误）。这些在下文中称为“偏差”。
运动增强对食物线索的注意力偏差.pdf
背景：肥胖症流行仍然是一个主要的公共卫生问题。尽管锻炼是最常见的减肥建议，但锻炼计划的减肥效果往往不理想。人体会补偿通过锻炼消耗的大部分能量，以维持能量稳态和体重。增加能量摄入似乎是最有影响力的补偿行为。对驱动这种行为的机制的研究尚未完全阐明。目的：确定运动是否会影响不运动的超重至肥胖人群对食物线索的注意力处理（注意力偏差）和对食物线索的抑制控制。方法：30 名被归类为超重至肥胖的成年人参加了一项平衡的交叉试验，该试验在不同的日子进行两次评估访问，间隔至少一周。在参与者消耗 500 kcal 的锻炼前后（一次评估访问）以及 60 分钟看电视前后（第二次评估访问）评估对食物线索的注意力偏差和抑制控制。注意偏差被概念化为在特定于食物的点探测任务中，当食物和中性（非食物）线索同时出现时，注视食物线索的时间百分比。抑制控制，特别是运动冲动，被评估为特定于食物的 Go/NoGo 任务期间抑制失败的百分比。结果：观察到对食物线索的注意偏差与时间的显著影响，与饥饿无关，而对食物线索的注意偏差在运动前增加，但在看电视后没有增加。抑制控制不受运动影响，也与对食物线索的注意偏差无关。结论：剧烈运动会增加对食物线索的注意偏差，这表明一种可能导致运动时减肥阻力的机制。需要未来的试验来评估纵向运动干预对食物线索的注意偏差。
附录22 mRNA疫苗给药错误和偏差
疫苗给药错误是任何可预防的事件，可能导致或导致不适当使用疫苗或患者伤害。本附录提供了预防和报告mRNA covid-19疫苗给药错误的资源，以及在发生错误后要采取的措施。为了完整性，这包括其他方案，这些方案偏离了CDC建议的疫苗间隔，但不被视为管理错误。本文档旨在协助提供者处理特殊情况，在这种情况下，已经发生了疫苗接种或偏差，并且在可用的其他信息可用时可能会更新。
减少量子退火偏差以解决图分割问题
当以 QUBO（二次无约束二进制优化）或 Ising 形式表示时，量子退火器提供了一种计算 NP 难题高质量解决方案的有效方法。这是通过将问题映射到量子芯片的物理量子比特和耦合器上来实现的，在称为量子退火的过程之后，从中读取解决方案。然而，这个过程受到多种偏差来源的影响，包括校准不良、相邻量子比特之间的泄漏、控制偏差等，这些偏差可能会对退火结果的质量产生负面影响。在这项工作中，我们旨在通过提供一种两步方法来减轻此类偏差对解决约束优化问题的影响，并将其应用于图分区。在第一步中，我们测量并减少因实施问题约束而导致的任何偏差。在第二步中，我们将目标函数添加到约束的结果偏差校正实现中，并将问题发送给量子退火器。我们将这一概念应用于图分割，这是一个重要的 NP 难题，它要求找到一个图的顶点分割，该分割是平衡的（约束）并最小化切割尺寸（目标）。我们首先量化量子退火器上约束实现的偏差，也就是说，在无偏实现中，我们要求任何两个顶点被分配到相同或不同分区部分的可能性相同。然后，我们提出了一种迭代方法来纠正任何此类偏差。我们证明，在添加目标后，在量子退火器上解决由此产生的偏差校正的 Ising 问题可获得更高的解决方案精度。
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。
用于偏差场的深度卷积神经网络...
摘要 偏置场作为一种低频平滑信号，对磁共振（MRI）图像具有一定的破坏作用，是医生诊断和图像处理（如分割、纹理分析、配准等）的主要障碍。在分析受损的MRI图像之前，需要一个预处理步骤来校正图像中的偏置场。与传统基于信号模型和先验假设的偏置场去除算法不同，深度学习方法不需要对信号和偏置场进行精确建模，也不需要调整参数。经过深度神经网络训练大训练集后，输入带有偏置场的MRI图像，输出校正后的MRI图像。本文提出以log-Gabor滤波器组获得的多个频带上的偏置场局部特征图像和原始图像作为输入，通过深度可分离卷积神经网络对脑MRI图像的偏置场进行校正，并使用残差学习和批量归一化来加速训练过程并提高偏置场校正性能。我们的训练模型在 BrainWeb 模拟数据库和 HCP 真实数据集上进行了测试，定性分析的结果表明我们的训练模型取得了比传统最先进的 N4 和 NIMS（非迭代多尺度）方法更好的性能。关键词：磁共振成像；强度不均匀性校正；偏置场；Log-Gabor 滤波器；深度学习
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。