XiaoMi-AI文件搜索系统
World File Search System决策规则
自动医疗决策规则从文本提取
医疗决策规则在许多临床决策支持系统（CDS）中起关键作用。但是，这些规则通常是由医学专家制定的，这是昂贵且难以扩大规模的。在本研究中，我们探讨了从文本中自动提取医疗决策规则，从而实现了大规模医疗决策规则的解决方案。我们采用医疗决策规则的表述，作为由条件/决策节点组成的二进制树。这样的树被称为医疗树木，我们介绍了几种生成模型以从文本中提取它们。所提出的模型继承了两类成功的自然语言生成框架的优点，即序列到序列的生成和自动回归产生。为了释放预验证的语言模型的潜力，我们设计了三种线性化样式（自然语言，增强自然语言和JSON代码），是我们模型的目标序列。我们的最终系统在全面的中国基准上实现了67％的树木准确性，优于最先进的基线，提高了12％。结果证明了生成模型在明确建模结构决策路线图上的有效性，并显示出巨大的潜力，可以增强CDSS的发展和可解释的AI。我们的代码将在接受后开源。
捐赠经济中的均衡 - ECON 30020
1. 决策理论：在给定价格的情况下，推导出最优决策规则 2. 局部均衡：在给定所有其他市场价格的情况下，确定一个市场的价格 3. 一般均衡：同时确定所有市场的所有价格
物联网感知流程中的可视化决策建模
摘要。现实世界感知业务流程的实施涉及多个互连设备。后者构成了物联网 (IoT) 的基础，并支持通过互联网交换和收集物理数据，而业务流程管理 (BPM) 则支持分析、建模、实施、执行和监控业务流程。在物联网感知流程中，决策可能依赖于多个物联网设备提供的数据，从而导致决策规则结构复杂。在本文中，我们介绍了两种物联网感知流程中决策的可视化建模方法。第一种方法通过扩展业务流程模型和符号 (BPMN) 2.0 来实现复杂决策规则的可视化表示。第二种方法使用拖放建模器将决策逻辑与流程逻辑分开。通过这两种方法，物联网参与决策变得显而易见，复杂的决策可以以直观和简单的方式表示出来。
通过最优稀疏决策树预测医学实验室测试的紧急程度：超声心动图案例研究
背景：在当代医疗保健领域，实验室测试是推动精准医疗进步的基石。这些测试提供了对各种医疗状况的深入见解，从而促进了诊断、预后和治疗。然而，某些测试的可及性受到诸如高成本、专业人员短缺或地理差异等因素的阻碍，这对实现公平的医疗保健构成了障碍。例如，超声心动图是一种极其重要且不易获得的实验室测试。对超声心动图的需求不断增加，凸显了更高效的调度协议的必要性。尽管有这种迫切的需求，但在这一领域的研究却有限。目标：本研究旨在开发一种可解释的机器学习模型，以确定需要超声心动图检查的患者的紧急程度，从而帮助确定调度程序的优先级。此外，本研究旨在利用机器学习模型的高可解释性，深入了解影响超声心动图预约优先级的关键属性。方法：基于来自电子健康记录的大量现实世界超声心动图预约数据集（即 34,293 个预约），进行了实证和预测分析以评估患者的紧急程度，该数据集包含管理信息、转诊诊断和潜在患者状况。我们使用了一种最先进的可解释机器学习算法，即最佳稀疏决策树 (OSDT)，该算法以高准确性和可解释性而闻名，来研究与超声心动图预约相关的属性。结果：与表现最佳的基线模型相比，该方法表现出令人满意的性能（F 1 -score=36.18%，提高了 1.7% 和 F 2 -score=28.18%，比表现最佳的基线模型提高了 0.79%）。此外，由于其高度可解释性，结果为通过从 OSDT 模型中提取决策规则来识别紧急患者进行测试提供了宝贵的医学见解。结论：该方法表现出了最先进的预测性能，证实了其有效性。此外，我们通过将 OSDT 模型得出的决策规则与既定的医学知识进行比较来验证这些决策规则。这些可解释的结果（例如 OSDT 模型中的属性重要性和决策规则）强调了我们的方法在优先考虑患者紧急程度的超声心动图预约方面的潜力，并且可以扩展到使用电子健康记录数据优先考虑其他实验室测试预约。
物联网感知流程中的可视化决策建模
摘要。现实世界感知业务流程的实施涉及多个互连设备。后者构成了物联网 (IoT) 的基础，并支持通过互联网交换和收集物理数据，而业务流程管理 (BPM) 则支持分析、建模、实施、执行和监控业务流程。在物联网感知流程中，决策可能依赖于多个物联网设备提供的数据，从而导致决策规则结构复杂。在本文中，我们介绍了两种物联网感知流程中决策的可视化建模方法。第一种方法通过扩展业务流程模型和符号 (BPMN) 2.0 来实现复杂决策规则的可视化表示。第二种方法使用拖放建模器将决策逻辑与流程逻辑分开。通过这两种方法，物联网参与决策变得显而易见，复杂的决策可以以直观和简单的方式表示出来。
道格·洛伦兹：课程
32。Pierce，M.C.，Kaczor，K.，Lorenz，D.，Bertocci，G.，Fingarson，A.K.，Makoroff，K.，Berger，R.P.，Bennett，B.，Magana，J.，Staley，S.，S. C.，Sheehan，K.，Zucker-Braun，N.，Hickey，S.，Meyers，G.，Leventhal，J.M。 瘀伤特征可以预测幼儿的虐待：验证的临床决策规则。 JAMA Network Open，2021年4月1日; 4（4）：E215832。 doi：10.1001/jamanetworkopen.2021.5832。 pmid：33852003。 PMCID：PMC8047759。Pierce，M.C.，Kaczor，K.，Lorenz，D.，Bertocci，G.，Fingarson，A.K.，Makoroff，K.，Berger，R.P.，Bennett，B.，Magana，J.，Staley，S.，S. C.，Sheehan，K.，Zucker-Braun，N.，Hickey，S.，Meyers，G.，Leventhal，J.M。瘀伤特征可以预测幼儿的虐待：验证的临床决策规则。JAMA Network Open，2021年4月1日; 4（4）：E215832。doi：10.1001/jamanetworkopen.2021.5832。pmid：33852003。PMCID：PMC8047759。
马尔可夫决策过程的结构评估
马尔可夫决策过程 (MDP) 为在不确定的情况下对顺序决策进行建模提供了一个广泛的框架。MDP 有两种类型的变量：状态变量 st 和控制变量 dr，它们都按时间 t = 0、1、2、3 .... , T 进行索引，其中时间范围 T 可能是无穷大。决策者或代理可以用一组原语 (u, p, ~) 表示，其中 u(st, dr) 是代表代理在时间 t 的偏好的效用函数，p(st+ 1Is, d,) 是代表代理对不确定未来状态的主观信念的马尔可夫转移概率，fit(0, 1) 是代理在未来时期内折现效用的比率。假设代理是理性的：它们的行为遵循最优决策规则 d t = (~(St)，该规则求解 vr(s) - max~ Eo { E r o fltu(s,, d,)l So = s}，其中 Ea 表示对由决策规则 6 引起的受控随机过程 {s,,dt} 的期望。动态规划方法 min9 提供了一种建设性的过程，用于计算 6，使用价值函数 V r 作为“影子价格”，将复杂的随机/多周期优化问题分散为一系列更简单的确定性/静态优化问题。
马尔可夫决策过程的结构评估
马尔可夫决策过程 (MDP) 为在不确定的情况下对顺序决策进行建模提供了一个广泛的框架。MDP 有两种类型的变量：状态变量 st 和控制变量 dr，它们都按时间 t = 0、1、2、3 .... , T 进行索引，其中时间范围 T 可能是无穷大。决策者或代理可以用一组原语 (u, p, ~) 表示，其中 u(st, dr) 是代表代理在时间 t 的偏好的效用函数，p(st+ 1Is, d,) 是代表代理对不确定未来状态的主观信念的马尔可夫转移概率，fit(0, 1) 是代理在未来时期内折现效用的比率。假设代理是理性的：它们的行为遵循最优决策规则 d t = (~(St)，该规则求解 vr(s) - max~ Eo { E r o fltu(s,, d,)l So = s}，其中 Ea 表示对由决策规则 6 引起的受控随机过程 {s,,dt} 的期望。动态规划方法 min9 提供了一种建设性的过程，用于计算 6，使用价值函数 V r 作为“影子价格”，将复杂的随机/多周期优化问题分散为一系列更简单的确定性/静态优化问题。
躯体神经假体应用中的神经信号记录和处理。综述
图 2) ENG 分类信号处理的示意图；a) 记录的 ENG 数据集分为训练集和测试集；b) 预处理块应用信号分割和去噪；c) 从运行观察窗口提取和选择特征；d) 数据驱动的分类模型训练；e) 使用从训练中校准的模型对从测试集中提取的特征进行验证以进行类别预测；f) 根据分类器结果驱动设备的决策规则。