XiaoMi-AI文件搜索系统
World File Search System在线数据
关于在针对儿童的广告和在线数据收集实践中使用人工智能的合规警告
2024 年 5 月 1 日 摘要 BBB 国家计划儿童广告审查部门（“CARU”）发布此合规警告，涉及 CARU 儿童广告自律指南 1（“广告指南”）和 CARU 儿童在线隐私保护自律指南 2（“隐私指南”）在针对儿童的广告和数据收集实践中使用人工智能（“AI”）。具体而言，CARU 提醒广告商、品牌、代言人、开发商、玩具制造商和其他人，CARU 的广告和隐私指南适用于在针对儿童的广告中使用人工智能以及在线收集儿童的个人信息。CARU 将严格执行其广告和隐私指南。广告商应特别谨慎，避免在广告中使用误导儿童的人工智能：1) 关于产品特性或性能；2) 关于真实与虚构或幻想体验之间的区别； 3) 他们与品牌或品牌人物、名人或影响者有个人关系；4) 名人或其他人代言过产品，而他们没有。此外，广告商应确保在广告中使用人工智能不会：1) 描绘不安全或不适当的行为，或 2) 产生或反映负面的社会刻板印象或偏见。关于数据隐私，将人工智能技术融入其产品的公司必须明确披露数据收集实践，并在收集儿童个人信息 4 之前获得可验证的父母同意 3。数据收集透明度和父母同意仍然是维护隐私和安全的指导标准。CARU 的广告指南 CARU 监控和审查针对儿童的广告是否符合其广告指南。CARU 寻求通过公司的自愿合作以及在必要时采取公共执法行动来实现变革。CARU 的广告指南适用于任何媒体中针对 13 岁以下儿童的所有广告，包括使用人工智能制作或传播广告的广告。指南的基础阐述了 CARU 的总体原则，广告商应遵循这些原则
BrainForge：用于综合神经影像采集、分析和共享的在线数据分析平台
1. Morita T、Asada M、Naito E。神经影像学研究对理解人类认知大脑功能发展的贡献。Front Hum Neurosci。2016；10：464。doi：10.3389/fnhum.2016.00464 2. Bandettini PA。神经影像学方法有什么新进展？Ann NY Acad Sci。2009；1156：260-293。doi：10.1111/j.1749-6632.2009.04420.x 3. Verner E、Baker BT、Bockholt J 等人。使用 BrainForge 加速神经影像学研究。Gateways 2020，会议改善生物医学研究的数据使用； 2020 年 10 月 21 日。4. Poldrack RA、Baker CI、Durnez J 等人。扫描地平线：迈向透明和可重复的神经影像学研究。Nat Rev Neurosci。2017；18(2):115-126。doi: 10.1038/nrn.2016.167 5. Gorgolewski K、Poldrack R。提高神经影像学研究透明度和可重复性的实用指南。PLOS Biol。2016；14:e1002506。doi: 10.1371/journal.pbio.1002506 6. Baker M。1,500 名科学家揭开可重复性的面纱。Nature。2016；533(7604):452-454。 doi: 10.1038/533452a 7. Scott A、Courtney W、Wood D 等人。COINS：为大型异构数据集构建的创新信息学和神经成像工具套件。Front Neuroinform。2011；5：33。doi: 10.3389/fninf.2011.00033 8. Yoo AB、Jette MA、Grondona M。SLURM：用于资源管理的简单 Linux 实用程序。引自：Feitelson D、Rudolph L、Schwiegelshohn U 编。并行处理的作业调度策略。JSSPP 2003。计算机科学讲义。Springer；2003：44-60。9. Avesani P、McPherson B、Hayashi S 等人。开放扩散数据衍生物、通过衍生物的集成发布和可复制的开放云服务进行脑数据升级。 Sci Data 。2019；6(1)：69。doi：10.1038/s41597-019-0073-y 10. Flywheel。为医疗和研究领域的数字化转型提供动力。2021 年 5 月 14 日访问。flywheel.io 11. Kurtzer GM、Sochat V、Bauer MW。Singularity：用于移动计算的科学容器。PLoS One。2017；12(5)：e0177459。doi：10.1371/journal.pone。0177459 12. Merkel D。Docker：用于一致开发和部署的轻量级 Linux 容器。Linux J 。2014；239：2。13. Ashburner J、Barnes G、Chen CC 等人。SPM12 手册。第 2464 卷。威康信托神经影像中心；2014 年。14. Smith SM、Jenkinson M、Woolrich MW 等人。功能性和结构性 MR 图像分析进展以及作为 FSL 的实现。神经影像。2004 年；23 (Suppl 1)：S208-S219。doi: 10.1016/j.neuroimage.2004.07.051 15. Cox RW。AFNI：用于分析和可视化功能性磁共振神经影像的软件。Comput Biomed Res。1996 年；29(3)：162-173。doi: 10. 1006/cbmr.1996.0014 16. Cox RW、Hyde JS。用于分析和可视化 fMRI 数据的软件工具。NMR Biomed。 1997；10(4–5)：171-178。doi：10.1002/(SICI)1099- 1492(199706/08)10:4/5<171::AID-NBM453>3.0.CO；2-L 17. fMRI 工具箱的 Group ICA (v4.0c)。神经影像和数据科学转化研究中心。2021 年 5 月 6 日访问。https://trendscenter. org/software/gift/ 18. TReNDS 中心。Docker, Inc.访问日期：2022 年 1 月 13 日。https://hub.docker.com/orgs/trendscenter/repositories 19. 神经影像和数据科学转化研究中心。GitHub, Inc. https://github.com/trendscenter/ 20. Gorgolewski K、Burns CD、Madison C 等人。Nipype：一个灵活、轻量且可扩展的 Python 神经影像数据处理框架。Front Neuroinform。2011；5：13。doi：10.3389/fninf.2011.00013 21. GorgolewskiKJ、AuerT、CalhounVD 等人。Thebrainimagingdatastructure，一种组织和描述神经影像实验输出的格式。Sci Data。2016；3(1)：160044。 doi: 10.1038/sdata.2016.44 22. FosterI.Globusonline：通过云服务加速和民主化科学。IEEEInternetComput。2011；15(3)：70-73。doi: 10.1109/MIC。2011.64 23. Allen B、Bresnahan J、Childers L 等人。面向数据科学家的软件即服务。Commun ACM。2012；55(2)：81-88。doi: 10.1145/2076450.2076468 24. Calhoun VD、Adali T、Pearlson GD、Pekar JJ。一种使用独立成分分析从功能性 MRI 数据进行组推断的方法。Hum Brain Mapp。2001；14(3)：140-151。 doi: 10.1002/hbm.1048 25. Allen E、Erhardt E、Damaraju E 等。静息状态网络多变量比较的基线。Front Syst Neurosci。2011；5：2。doi: 10.3389/ fnsys.2011.00002 26. Allen EA、Damaraju E、Plis SM、Erhardt EB、Eichele T、Calhoun VD。跟踪静息状态下的全脑连接动态。大脑皮层。2014；24(3)：663-676。doi: 10.1093/cercor/bhs352 27. Ashburner J、Friston KJ。基于体素的形态测量——方法。神经影像学。2000；11(6)：805-821。 doi: 10.1006/nimg.2000.0582 28. Fischl B. FreeSurfer。神经影像学。2012；62(2):774-781。doi: 10.1016/j.neuroimage.2012.01.021 29. Andersson JLR、Sotiropoulos SN。一种用于校正扩散 MR 成像中的偏共振效应和受试者运动的综合方法。神经影像学。2016；125:1063-1078。doi: 10.1016/j.neuroimage.2015.10.019 30. Andersson JL、Skare S、Ashburner J。如何校正自旋回波平面图像中的磁化率畸变：应用于扩散张量成像。神经影像学。 2003；20(2):870-888。doi: 10.1016/s1053-8119(03)00336-7 31. Andersson JLR、Graham MS、Drobnjak I、Zhang H、Filippini N、Bastiani M。面向扩散 MR 图像运动和失真校正的综合框架：体积运动内。神经影像学。2017；152:450-466。doi: 10.1016/j.neuroimage.2017.02.085 32. CalhounVinceD、MillerR、PearlsonG、Adal 𝚤 T。Thechronnectome：时变连接网络作为fMRIdatadiscovery 的下一个前沿。神经元。2014；84(2):262-274。 doi: 10.1016/j.neuron.2014.10.015 33. Du Y、Fu Z、Sui J 等人。NeuroMark：一种基于自动化和自适应 ICA 的管道，用于识别可重复的 fMRI 脑部疾病标记物。神经影像：临床。2020；28：102375。doi: 10.1016/j.nicl.2020.102375 34. Griffanti L、Zamboni G、Khan A 等人。BIANCA（脑强度异常分类算法）：一种用于自动分割白质高信号的新型工具。神经影像学。2016；141：191-205。doi：10.1016/j.neuroimage.2016.07.018
欧洲空中导航安全组织在线数据交换 (OLDI) 规范
图 C-1 - 消息序列 - 第 1 部分.......................................................................................................... 154 图 C-2 - 消息序列 - 第 2 部分.......................................................................................................... 155 图 D-3 - 民事/军事协调......................................................................................................................... 156 图 E-4 - 登录转发，使用 LOF，以及 ATN 的通信传输......................................................................... 157 图 E.5 - 登录转发，使用 CM 接触，以及通信传输......................................................................... 158 图 E.6 - 登录转发，使用 LOF......................................................................................................... 159 图 F.1 — 传输单元 - 协调状态...................................................................................................................161 图 F.2 — 接收单元 - 协调状态...................................................................................................................162 图 F.3 — 序列图 – ABI 消息.163 图 F.4 - 序列图 - ACT 消息 164 图 F.5 – 序列图 – PAC 消息………………………………………………..….…..165 图 F.6 – 序列图 – REV 消息……………………………………………………..…166 图 F.7 – 序列图 – MAC 消息…………………………………………………….…166
分类器传输与在线数据选择策略...
摘要。目标：分类器传输通常伴随着数据集偏移。为了克服数据集偏移，必须应用在线策略。对于实际应用，必须考虑批量学习算法（如支持向量机 (SVM)）的计算资源限制。方法：我们回顾并比较了几种使用 SVM 进行在线学习的策略。我们专注于通过不同的包含、排除和进一步的数据集操作标准来限制存储训练数据大小的数据选择策略。首先，我们对具有不同数据偏移的几个合成数据集上的策略进行了比较。其次，我们分析了使用 EEG 数据的不同传输设置的方法。在处理现实世界数据时，类别不平衡经常发生，例如在奇怪的实验中。这也可能是由数据选择策略本身造成的。我们通过评估两个新的平衡标准来分析这种影响。主要结果：对于不同的数据偏移，不同的标准是合适的。对于合成数据，将所有样本添加到考虑样本池中的表现通常比其他标准差得多。特别是，只添加错误分类的样本表现惊人地好。在这里，当其他标准选择不当时，平衡标准非常重要。对于传输设置，结果表明最佳策略取决于传输期间漂移的强度。添加所有样本并删除最旧的样本可获得最佳性能，而对于较小的漂移，仅添加潜在的 SVM 新支持向量就足够了，从而减少处理资源。意义：对于基于脑电图 (EEG) 模型的脑机接口，使用来自校准会话、先前记录会话甚至来自一个或多个其他受试者的记录会话的数据进行训练。学习模型的这种转移通常会降低性能，因此可以从在线学习中受益，在线学习可以像已建立的 SVM 一样调整分类器。我们表明，通过使用正确的数据选择标准组合，可以调整分类器并大大提高性能。此外，在某些情况下，可以通过使用特殊样本子集进行更新并保留一小部分样本来训练分类器，从而加快处理速度并节省计算量。
脑肿瘤临床磁共振和超声图像在线数据库
目的：医学成像领域的一个重要挑战是找到真实的临床图像来验证新的图像处理算法。对于脑部的跟踪式 3D 超声图像尤其如此。方法：2010 年，作者在蒙特利尔神经病学研究所的成像研究中获取了脑肿瘤患者术前和术后的磁共振和术中超声图像。结果：这些数据可在蒙特利尔神经病学研究所的脑肿瘤图像评估数据库中在线获取，该数据库称为 MNI BITE 数据库。它包含 14 名患者的超声和磁共振图像。每位患者均接受了术前和术后 T1 加权磁共振扫描（钆增强），并在切除术前后获取了多张术中 B 型图像。在某些图像对中手动选择了相应的特征以进行验证。所有图像均为 MINC 格式，这是作者所在研究所用于图像处理的文件格式。 MINC 工具可在 packages.bic.mni.mcgill.ca 免费下载。结论：这是同类中第一个在线数据库。图像处理科学家以及希望比较磁共振和超声成像结果的临床医生可以使用这些图像。VC 2012 美国医学物理学家协会。[http://dx.doi.org/10.1118/1.4709600]
ESID在线数据库网络
摘要：原发性免疫缺陷（PID）属于稀有疾病组。欧洲免疫缺陷学会（ESID）正在建立一个创新的欧洲患者和研究数据库网络，以连续长期记录患者，以改善PID的诊断，分类，预后和治疗。ESID在线数据库是一个基于Web的系统，旨在旨在数据存储，数据输入，报告以及在企业企业对企业企业集成（B2B）中预先存在的数据源的导入。在线数据库基于具有高标准安全功能的Java 2 Enterprise System（J2EE），该系统符合数据保护法和现代研究平台的需求。可用性：ESID在线数据库可通过官方网站（http://www.esid.org/）访问。联系人：b.grimbacher@medsch.ucl.ac.uk补充信息：补充数据可在Online BioInformatics获得。