XiaoMi-AI文件搜索系统
World File Search System共性
从多组学数据到癌症可用药基因的发现
靶向药物的开发使得癌症治疗可以实现精准医疗，并实现最佳的靶向治疗。准确识别癌症药物基因有助于加强对癌症靶向治疗的认识，促进癌症的精准治疗。然而，由于多组学数据的多样性和复杂性，发现的癌症药物基因非常少见。本研究提出了一种基于机器学习的癌症药物基因发现新方法DF-CAGE。DF-CAGE整合了~10000个TCGA谱中的体细胞突变、拷贝数变异、DNA甲基化和RNA-Seq数据，以识别癌症药物基因的概况。我们发现DF-CAGE从多组学数据的角度发现了目前已知的癌症药物基因的共性，并在OncoKB、Target和Drugbank数据集上取得了优异的表现。在~20,000个蛋白质编码基因中，DF-CAGE精确定位了465个潜在的癌症药物基因。我们发现候选癌症药物基因（CDG-基因）具有临床意义，可分为高可信、可靠和潜在基因集。最后，我们分析了组学数据对药物基因识别的贡献。我们发现DF-CAGE主要根据CNA数据、基因重排和人群中的突变率来报告药物基因。这些发现可能对未来新药的研究和开发有所启发。
异构集成路线图，2023 年版
本章中使用的集成电力电子元件 (IPEC) 定义如图 1 所示。IPEC 体现了功率调节的主要功能，包括功率开关半导体、无源电容器和电感器储能元件、带相关电容器的半导体栅极驱动器以及控制器。IPEC 可以作为独立系统组件整体实现，如第 II、III 和 IV 节所述，也可以将其分成多个部分，例如功率开关和控制，在 IP 内实现，而储能则在低成本空间内实现，例如中介层，如第 I 节所述。从第 I 节到第 III 节，对现有电子封装技术和未来发展需求的识别不断建立，尽管封装技术方法之间存在很大的共性，但讨论中的冗余有限。因此，建议读者按顺序从第 I 节移动到第 III 节。第 IV 节是一个不断发展的主题，将在 HIR 的下一次修订中得到扩展，与第 II 节更加一致。此外，第 10 章主要关注 ≤48V/100A 的功率调节。但是，基本技术适用于更高的功率水平。表 1 显示了每个部分所涉及的领域的图形描述。突出显示的“IPEC”如下所述。
培养人工智能和大数据时代的计算思维，实现数字社会
物联网运动不仅促进了计算机和技术的发展，还促进了设计的发展。根据 Young 和 Kijima (2019) 的说法，2010 年代初，由 John Maeda (2011) 领导的 STEM 教育向 STEAM 教育转变。他通过简单性来增强创造力，并培育了“美学 + 计算”设计师社区 (Maeda, 2004)，并支持麻省理工学院的 Scratch 语言项目，该项目目前在全球使用。在 2000 年代，工商管理硕士 (MBA) 课程存在共性问题，创新型商业难以创建。因此，他创建了一个具有设计思维的新 MBA 课程，并与美国国会议员合作。 Young 和 Kojima 在图 3 中总结了新 MBA 课程中强调的设计思维与其他思维的区别。进入 MBA 课程的一项要求是 GMAT（研究生管理入学考试），该考试要求学生回答一道英语和数学的快速选择题，以检查成为 MBA 课程学生所需的简单快速决策技能。在英语和数学技能的基础上，他们学习如何在人工智能和大数据时代为第四次工业革命创造和管理创新业务。
哺乳动物大脑皮层间连接的可预测性
尽管哺乳动物的大脑大小相差五个数量级，但它们具有许多共同的解剖和功能特征，这些特征转化为皮质网络的共性。在这里，我们开发了一个机器学习框架来量化加权区域间皮质矩阵的可预测程度。部分网络连接数据是通过采用一致方法生成的逆向追踪实验获得的，并辅以非人类灵长类动物（猕猴）和啮齿动物（小鼠）的投影长度测量。我们表明，这两个物种的区域间皮质网络都具有显著的可预测性。在二进制级别，对于猕猴，链接是可预测的，ROC 曲线下面积至少为 0.8。加权中和强链接的可预测准确率为 85% – 90%（小鼠）和 70% – 80%（猕猴），而这两个物种的弱链接都不可预测。这些观察结果证实了先前的观察结果，即中尺度皮层网络的形成和演化在很大程度上是基于规则的。使用本文介绍的方法，我们对所有区域对进行了归纳，为两个物种的完整区域间网络生成了样本。这对于在物种内和物种间以最小偏差进行连接组比较研究是必要的。
人工智能在商业分析中的集成
有意义的见解，并优化战略决策。美国对创新和强大技术基础设施的重视推动了人工智能整合成为现代商业战略的基石。相比之下，非洲大陆在商业分析领域采用人工智能方面经历了独特的轨迹。尽管面临与基础设施和资源限制相关的挑战，但非洲企业越来越认识到人工智能的变革潜力。促进人工智能教育和与全球技术合作伙伴合作的举措促进了非洲各行业对商业分析中人工智能的认识和实施。本评论探讨了美国和非洲之间观察到的趋势的共性和差异，强调了影响每个地区人工智能整合的因素。监管框架、文化细微差别和经济格局等因素在塑造两种情况下的人工智能格局方面都发挥着关键作用。通过了解这些趋势，企业可以根据区域动态调整其 AI 战略，促进可持续增长和创新。这项研究为商业分析中 AI 集成的不断发展提供了宝贵的见解，并对美国和非洲的趋势进行了比较分析。随着组织应对采用 AI 的复杂性，承认区域差异对于制定有效且针对具体情况的战略至关重要。关键词：AI、商业分析、美国、非洲、商业、创新。_______________________________________________________________________________
操作人工智能伦理（OpAIE）研究计划
详细主题 推荐系统用于促进用户和优惠之间的匹配。几年来，它们已大量出现在商业导向应用中，例如在线广告或电影推荐等。在这种情况下，人们试图将用户与他或她最有可能点击的产品的潜在广告相匹配；或者他或她最有可能观看的电影。这些推荐系统主要以利润为导向（例如，最大化点击次数，增加用户参与度），因此它们往往不考虑公共服务标准。对于公共部门的推荐系统，公共服务标准可能会补充甚至取代利润最大化。开发公共服务推荐系统 [1] 是该项目的核心。我们的项目是终身学习过程的一部分。更准确地说，我们处理的输入数据是用户的学习路径，以文凭、所接受的培训和过去几年所担任的职位的序列形式呈现。我们的目标是根据给定的用户设置目标（例如新职位及其相关的技能集）推荐最适合的培训计划。公共推荐系统最近开始出现在研究文献中，例如解决就业市场上的工作推荐问题 [3, 2]，或在线教育资源推荐 [5, 4]，这两个领域与我们的项目表现出很强的共性。从这些先前的研究开始，我们的目标是探索顺序推荐系统 (RS) [6] 在这种背景下的潜力。RS 方法通常分为基于内容的（其中内容指的是用户的个人资料信息）和协同过滤（基于用户过去的互动）。另一方面，顺序 RS 旨在了解用户随时间变化的输入，并按顺序对其过去的互动进行建模。因此，这些模型对我们来说特别有趣。
利用文本结构策略阅读说明文和医学文章
这项课堂研究在科威特进行，旨在调查文本结构策略 (TSS) 教学对 54 名英语作为外语 (EFL) 大学生理解说明性文本和医学文本的方式的影响。数据收集包括两项调查、实地笔记、课堂观察和小组访谈。根据访谈数据和课堂观察中反复出现的模式和共性，开发了一个代码和类别系统。两项调查分为两个间隔，间隔 8 周，重点是确定文本结构策略，例如介绍文本结构的概念、提出引导性问题、识别信号词和使用图形组织器，以及参与者应用文本结构策略来理解说明性医学文本的程度。数据分析涉及使用 Microsoft Excel 程序生成两个表格和描述性统计数据，包括两次调查结果的平均值、标准差和百分比。研究结果表明，参与者受益于 TSS 教学，其策略涉及小组讨论，而不是依赖个人课堂作业的策略。此外，很大一部分参与者将他们在分析说明性文本中所学到的大部分知识运用到了阅读医学文本中。这为英语教师开展针对英语学习者的文本结构策略的行动研究以及在适合英语学习者的小组和配对工作中应用 TSS 教学提供了启示。最后，英语研究人员受邀开展基于课堂的 TSS 教学研究。
智力
人工智能 (AI) 是社会上的一个热门话题，因为它似乎扩展并挑战了人类的认知能力。然而，令人惊讶的是，人类智能研究尤其是心理学研究迄今为止对正在进行的人工智能辩论以及相关的超人类主义和后人类主义哲学运动贡献甚微。超人类主义促进了旨在大力增强人类心理（尤其是智力）能力的技术的发展，通过应用神经科学方法实现，例如经颅电/磁刺激 (TES, TMS)、脑机接口 (BCI)、深部脑刺激 (DBS)、药理学甚至纳米技术方法，旨在修复大脑或增强大脑可塑性。目标是实现一个“后人类未来”，最终解决人类当前的问题。在本文中，我将 (1) 描述旨在增强人类智能的当前神经科学和药理学方法以及它们目前的成功程度； (2) 概述认知增强技术的更广泛应用可能产生的影响（从社会角度和个体差异的进化角度来看）；（3）概述人类智能与人工智能概念之间的共性和差异；（4）讨论（人工）“超级智能”的前景和风险（Nick Bostrom 定义）；（5）思考心理学可以或应该如何为这种“超级智能”的发展做出贡献。最后，我将尝试回答这个问题：我们对心理特征（例如认知和社会/情感特征、价值观）个体差异的了解对于人工智能的进一步发展有何影响？
元宇宙中的 Replika - 研究门户 - 班戈大学
摘要 本文评估了与现有开放式社交聊天机器人相关的计算同理心主张，以及这些聊天机器人将在最近出现的混合现实环境中发挥作用的意图，由于对元宇宙的兴趣而受到重视。在社会中孤独感日益增加以及使用聊天机器人作为解决这一问题的潜在解决方案的背景下，本文考虑了两个当前领先的社交聊天机器人 Replika 和微软的小冰，它们的技术基础、同理心主张和属性，这些属性可以扩展到元宇宙（如果它能保持一致）。在寻找人类从社交聊天机器人中受益的空间时，本文强调了依赖自我披露来维持聊天机器人的存在是有问题的。本文将微软的共情计算框架与元宇宙推测和构建所依据的哲学思想联系起来，包括惠勒的“它来自比特”论题，即存在的所有方面都可以计算，查尔默斯的哲学主张，即虚拟现实是真正的现实，博斯特罗姆的提议和挑衅，即我们可能已经生活在模拟中，以及长期主义者的信念，即未来的复杂模拟需要受到保护，免受今天做出的决定的影响。鉴于对当前和新兴社交聊天机器人的要求、对基于比特的可能和预测未来的信念以及工业界对这些哲学的认同，本文回答了计算共情是否真实存在。本文发现，当考虑到不同的共情解释时，虽然在“它来自比特”的共情解释中不可挽回地丢失了一些东西，但缺失的部分不是准确性，甚至不是人类经验的共性，而是共情的道德维度。
深度神经网络剪枝综述
摘要 — 现代深度神经网络，尤其是最近的大型语言模型，具有巨大的模型大小，需要大量的计算和存储资源。为了能够在资源受限的环境中部署现代模型并加快推理时间，研究人员越来越多地探索修剪技术作为神经网络压缩的热门研究方向。从 2020 年到 2024 年，已经发表了三千多篇修剪论文。然而，关于修剪的最新综合评论论文却很少。为了解决这个问题，在这篇调查中，我们对现有的深度神经网络修剪研究工作进行了全面的回顾，分类为 1) 通用/特定的加速，2) 何时修剪，3) 如何修剪，以及 4) 修剪与其他压缩技术的融合。然后，我们对八对对比设置（例如非结构化/结构化、一次性/迭代、无数据/数据驱动、初始化/预训练权重等）进行了彻底的比较分析，并探讨了几个新兴主题，包括大型语言模型、视觉变压器、扩散模型和大型多模态模型的修剪、训练后修剪以及不同级别的监督修剪，以阐明现有方法的共性和差异，并为进一步的方法开发奠定基础。最后，我们就选择修剪方法提出了一些有价值的建议，并展望了神经网络修剪的几个有前途的研究方向。为了促进未来对深度神经网络修剪的研究，我们总结了广泛的修剪应用（例如，对抗鲁棒性、自然语言理解等），并建立了一个精选的数据集、网络和不同应用的评估集合。我们在 https://github.com/hrcheng1066/awesome-pruning 上维护了一个存储库，它是神经网络修剪论文和相应开源代码的综合资源。我们将不断更新此存储库，以包含该领域的最新进展。