XiaoMi-AI文件搜索系统
World File Search System决策规则
c学习估计重复疾病的最佳个性化治疗方案
抽象的经常性事件，其特征是在个人研究中反复发生同一事件，是医学研究中的一种常见数据。是出于癌症的促进，我们旨在估算有效减轻此类复发事件的最佳个性化治疗方案（ITR）。ITR是一项决策规则，它根据个性化信息将最佳治疗方法分配给每个患者，以最大程度地提高整体治疗益处。但是，现有的估计ITR的研究主要集中于初次事件，而不是经常发生的事件。要解决重复事件的最佳ITR的问题，我们提出了经常性的C-学习方法（RECL）方法，以从两个或多个处理选项中识别最佳ITR。所提出的方法将优化问题重新定义为加权分类问题。我们介绍了三个错误分类成本的估计器：结果回归估计器，逆概率加权估计器以及增强的反概率加权估计器。RECL方法利用分类技术来生成针对经常性事件数据量身定制的可解释的最佳ITR。在各种情况下通过模拟证明了RECL方法的优点。此外，基于关于结直肠癌治疗的实际数据，我们采用了这种新颖的方法来得出结直肠癌的可解释的树木治疗方案，从而为增强治疗策略提供了实用的框架。
综合预测与优化规范树在可再生能源交易中的应用
摘要 — 从数据中得出决策通常涉及一个包含两个部分的连续过程，即预测和优化。预测模型通过最小化代表特定任务成本（例如交易、调度）的损失函数来学习，而不考虑下游优化，这在实践中会造成性能瓶颈并掩盖数据对决策的影响。这项工作提出了一个单一的数据驱动模块，该模块利用优化组件的结构并直接学习以解释数据为条件的策略。为此，我们描述了一种算法，通过直接最小化特定任务的成本来训练决策树集合，并通过原始问题的加权样本平均近似来规定决策。然后，我们开发了一个通用框架来评估解释数据对规定性能的影响。为了说明所提出的建模方法的有效性，我们考虑了两个与可再生能源交易相关的案例研究。首先，我们研究日前市场的交易，并提出平衡最佳交易决策和预测准确性的策略。接下来，我们添加一个存储设备，并基于使用线性决策规则方法的可处理近似值共同优化日前报价和运营策略。实证结果表明，与标准随机优化框架下得出的解决方案相比，规范性能有所提高。此外，我们还提供了关于解释性数据如何影响优化性能以及这种影响在不同市场设计下如何演变的宝贵见解。
主方案临床试验设计的演变
目的：近年来，临床试验的开展方式发生了变化。出现了比传统的自适应和成组序贯试验更灵活的设计，这些设计允许在总体试验结构内进行具有可能不同目的、干预措施和亚组的多个子研究，该总体试验结构由术语“主方案”概括。本综述旨在确定现有的主方案研究并总结其特征。本综述还确定了与主方案试验设计相关的文章，例如拟议的试验设计和相关方法。方法：我们进行了全面系统地搜索，从设计和分析的角度回顾了当前关于主方案试验的文献，重点关注平台试验并考虑篮子试验和伞式试验。无论统计复杂程度如何，都纳入文章，并归类为与计划或进行的试验、试验设计或统计方法相关的综述。报告了文献检索的结果，并总结了已确定文章的一些特点。发现：大多数使用主方案的试验都是单臂设计的（n = 29/50），肿瘤学 II 期试验（n = 32/50）采用二元终点（n = 26/50）和频率决策规则（n = 37/50）。我们观察到，过去几年中，该领域的计划和实施试验以及相关方法的出版物数量呈指数级增长，我们认为这一增长尚未达到顶峰。尽管此类试验存在许多操作和统计挑战
本地化
人工智能 (AI) 已成为我们社会的主要组成部分之一，其应用范围涵盖我们生活的方方面面。在这个领域，复杂且高度非线性的机器学习模型（例如集成模型、深度神经网络和支持向量机）在解决复杂任务方面始终表现出卓越的准确性。尽管准确，但人工智能模型通常是我们无法理解的“黑匣子”。依赖这些模型会产生多方面的影响，并引发对其透明度的重大担忧。敏感和关键领域的应用是尝试理解黑匣子行为的强大动机因素。我们建议通过聚合“局部”解释在黑匣子模型之上提供可解释层来解决此问题。我们提出了 GLocalX，一种“局部优先”模型不可知解释方法。从以局部决策规则形式表达的局部解释开始，GLocalX 通过分层聚合它们，将它们迭代地概括为全局解释。我们的目标是学习准确但简单且可解释的模型来模拟给定的黑匣子，并且在可能的情况下完全取代它。我们在标准和受限设置中的一组实验中验证了 GLocalX，这些实验对数据或本地解释的访问有限或根本没有访问。实验表明，GLocalX 能够使用简单和小型模型准确模拟多个模型，与原生全局解决方案相比达到最先进的性能。我们的研究结果表明，即使在具有高维数据的复杂领域中，也通常可以实现分类模型的高水平准确性和可理解性，而不必用一个属性换取另一个属性。这是值得信赖的人工智能的关键要求，对于高风险决策应用程序的采用必不可少。
2024年5月16日至17日，法国图卢兹Isae-Supaero致电
呼吁在ICCAS 2022取得巨大成功之后，我们很高兴组织ICCAS 2024会议。目的是促进有关下一代民用飞机和军用飞机的传播和交流科学信息。它提供了一个很好的论坛，可以将学术研究和工业工作结合起来，以研究我们如何开发智能飞机系统，拥有更多的选择自由，对环境，学习能力的敏感性，并能够与船员或操作员自然互动，同时保存他们的心理和身体资源。该领域的最新趋势涉及一些主要方面，例如基于行为，生理和神经系统测量的在线监视飞行表演，设计更生态的人类机器机器接口的设计，从而提供有关飞行或任务状态以支持决策过程的直觉信息，以及支持决策规则，以确保高级操作安全。该会议涉及与神经工程学和人为因素或人工智能有关的广泛理论和实践主题。它主要集中在航空上，但欢迎来自汽车，机器人，无人机或人造代理等广泛领域的贡献。邀请作者使用单词或乳胶会议模板提交最多300个单词的摘要。摘要将由计划委员会审查，可以接受口头或海报演示文稿的接受。如果接受了摘要，则参与者可以选择提交完整的论文（包括8页参考），也可以使用会议模板。全文也将由计划委员会审查。在线摘要汇编将作为开放访问发布。提交指南和信息可在https://events.isae-supaero.fr/event/32/page/145--贡献摘要提交是可选的：学术，工业和学生参与者可以通过简单的注册参加会议。
了解人类协作中的选择独立性和错误类型
做出适当授权决定的能力是效率人类协作的重要先决条件。最近的工作表明，人们很难在存在预测错误的情况下评估AI系统，而不得依赖AI系统。我们使用预先注册的众包研究（�= 611）通过人AI决策的两个未置换的Crucial特征来扩展此文献：选择独立性和错误类型。我们的研究中的受试者反复完成两个预测任务，并选择他们想委派给AI系统的预测。对于一项任务，受试者会收到一个决策启发式，使他们能够做出明智且相对准确的预测。第二任务很难解决，因此受试者必须提出自己的决策规则。我们系统地改变了AI系统的性能，因此它要么为这两个任务提供了最佳的可能性预测，要么仅为两者之一提供。我们的结果表明，人们通过在不相关的第二任任务中将AI的表现采用AI的表现来系统地侵犯了选择独立性。在自己的专业知识领域中将预测委托给上级AI的人明显降低了适当的依赖，而当模型在互补的外观领域中犯了系统的错误。相比之下，在互补专业知识领域中将预测的人委托给上级AI的人类明显增加了在人类专业知识领域中系统地错误时的适当依赖。此外，我们表明人类在误差类型之间有所不同，并且这种效率在被考虑的专业知识领域是有条件的。这是人类协作背景下的选择独立性和错误类型的最经验。我们的结果对AI系统的未来设计，部署以及适当的应用具有广泛而重要的含义。
了解人类协作中的选择独立性和错误类型
做出适当委派决定的能力是有效的人类协作的重要先决条件。最近的工作表明，人们很难在存在预测错误的情况下评估AI系统，而不得依赖AI系统。我们使用预先注册的众包研究（𝑁= 611）通过人AI决策的两个未置换的Crucial特征来扩展此文献：选择独立性和错误类型。我们的研究中的受试者反复完成两个预测任务，并选择他们想委派给AI系统的预测。对于一项任务，受试者会收到一个决策启发式，使他们能够做出明智且相对准确的预测。第二任务很难解决，因此受试者必须提出自己的决策规则。我们系统地改变了AI系统的性能，因此它要么为这两个任务提供了最佳的可能性预测，要么仅为两者之一提供。我们的结果表明，人们通过在不相关的第二任任务中将AI的表现采用AI的表现来系统地侵犯了选择独立性。在自己的专业知识领域中将预测委托给上级AI的人会大大降低适当的依赖，而该模型在互补的外观领域中犯了系统的错误。相比之下，当模型在人类专业知识领域中系统地错误时，将预测预测为互补专业知识领域的上级AI的人显着提高了适当的依赖。此外，我们表明人类会区分错误类型，并且这种效果是有条件的，这是根据所考虑的专业知识领域的条件。这是人类协作背景下选择独立性和错误类型的第一个经验典范。我们的结果对AI系统的未来设计，部署以及适当的应用具有广泛而重要的含义。
使用伤寒 Vi-多糖疫苗作为疫苗探针来描述伤寒的临床标准
摘要。据估计，50% 的伤寒病例可通过血培养 (BC) 检测出来。需要经过验证的临床标准来定义 BC 阴性的病例，这既有助于指导经验性抗生素治疗，也有助于更好地评估伤寒疫苗的保护程度。为了推导和验证定义 BC 阴性伤寒的临床规则，我们在印度加尔各答的 Vi 多糖 (ViPS) 伤寒疫苗集群随机有效性试验中评估了 70,865 人在 4 年的全面 BC 监测期间发生的 14,797 次发热发作，这些发热发作持续至少 3 天。使用递归分区算法制定了决策规则来预测 BC 证实的伤寒病例，诊断特异性为 97 – 98%。为了验证此规则作为 BC 阴性伤寒的定义，我们评估了该规则是否定义了 ViPS 疫苗可预防的培养阴性综合征。在一个训练个体子集中，我们确定了以下两条规则：规则 1：年龄 < 15 岁的患者，发热时间延长，并伴有测得的体温 ³ 100 F、头痛和恶心；规则 2：年龄 ³ 15 岁的患者，发热时间延长，并伴有恶心和肝脏可触及，但没有便秘。在另一个验证子集中，对于 2 岁以上的人群，ViPS 对根据这些规则定义的临床伤寒的调整保护效果为 33%（95% CI：4 – 53%）。我们已经定义并验证了使用新型疫苗探针方法预测 BC 阴性伤寒的临床规则。如果在其他环境中得到验证，该规则可能有助于指导临床护理并加强伤寒疫苗评估。
已发布版本的引文 (APA)：Scheper, MC, van Velzen, M., & LU van Meeteren, N. (2024)。在日常实践中负责任地使用人工智能：物理治疗师需要知道、考虑和做什么？《物理治疗杂志》，70 (2)，81-84。https://doi.org/10.1016/j.jphys.2023.07.012 EUR 研究信息门户上的出版物链接
结合丰富的可用数据（例如医疗记录）及其多功能性，人工智能驱动的应用程序通常可以轻松地在数字系统中实现，并且几乎立即影响其使用环境。最常见的人工智能形式也称为“机器学习”（ML）；然而，被称为“深度学习”的其他形式的人工智能正变得越来越频繁地使用，并且在未来会变得更加普遍。6、8 在详细介绍机器学习的技术方面之前，应仅在专业人员和患者共同决策期间在支持角色的背景下考虑人工智能或机器学习的使用。根据机器学习的发展模式，它可以分为：监督学习、无监督学习或强化“学习”。 6 在监督学习中，每个人的数据及其背景都会根据历史数据中某个事件的发生或缺失来创建预测或分类算法（例如，检测慢性疲劳等合并症、预测从 ICU 安全出院或个性化锻炼方案）。无监督学习侧重于未标记的数据集（没有发生预设的结果或事件），旨在探索、解开或确认数据集内现有的模式。强化学习是 ML 的一个子类别，侧重于通过最大化正确和/或不正确结果的可能性来优化预测/分类。虽然所有形式的 ML 都可能用于物理治疗，但监督 ML 算法最为常见，因为其输出类型通常类似于临床推理过程（例如决策树或决策规则）并且通常易于理解/实施。第二个重要特征是，AI 算法首先在数据集的一部分（训练集）上进行训练，然后在独立数据集上进行交叉验证，其性能以类似于物理治疗中常用的标准化临床测试的方式记录。AI 算法的性能指标（灵敏度、特异性、曲线下面积和其他 AI 特定的召回率和偏差指标）遵循与标准化临床测试大致相同的原则。3、6、7
Warby Parke的市场挑战和解决方案
最近的问题，不仅在中国，而且在全世界。因此，在不久的将来，Warby Parker的营销挑战是长期的供应链战略和管理。供应链管理是时尚企业成功的关键因素，这就是许多人选择讨论它的原因。不仅如此，供应链流程包括通过信息流和产品转换，从主要设计阶段到最终用户的最后一个，信息和现金流程形式也是供应链活动的一部分。对于英国政府来说，生产力仍然是英国经济的重要组成部分，并由经济协会组成了公司[1]。此外，可以通过减少系统延迟，更改决策规则的单个梯队的顺序并微调现有策略参数来达到供应链动力学。可以证明，管理供应链的能力是组织能力的中心[1]。有很多示例可以根据此功能来解释业务成功业务。例如，Amazon.com和Asos与新的电子零售组织开发有关，并处理在线商店和客户订单。Warby Parker还是一家在线零售商，互联网正在迅速变化，因此能力供应链对每个电子零售品牌都很重要。供应链策略的重点是提高效率和降低成本，或者基于提供高质量的服务，以使公司对消费者更加印象深刻，并生产高价值的产品[1]。Warby Parker有自己的特殊供应链策略：购买一对，它将向某人捐赠一对，这意味着增加价值是创造一种慈善感并给社会留下深刻的印象。垂直集成也是Warby Parker的特定供应链策略，这意味着该系统中垂直集成的公司的所有权和管理。因此，如果他们想成为长期合作伙伴，供应商必须尽力满足零售商的所有需求。同时，零售商通过将供应商与其他竞争对手（例如故障，服务，质量和准时交付）进行比较来衡量供应商的绩效。因此，可以在常规的经济意义上实现供应商网络的优势的管理，而无需垂直整合。但是这个策略当然具有