XiaoMi-AI文件搜索系统
World File Search System增强数据
人工智能和数据促进可持续发展
人工智能 (AI) 系统为可持续发展和可持续发展监测提供了新的机遇。应用包括用于地球观测的遥感、用于增强数据和信息可访问性的生成式人工智能以及用于挖掘非结构化数据源的机器学习等。然而，人工智能存在缺陷，包括连接需求、输出偏差的可能性以及对环境的影响。毫不奇怪，人工智能和官方统计数据一起成为数据和统计领域的讨论话题，包括联合国欧洲经济委员会统计现代化高级工作组、联合国大数据中心等各类实体都从不同角度着手构建和利用其发展能力。在这个领域，有两种方式可以讨论人工智能。第一种也是最成熟的方法是将人工智能用于数据（例如机器学习）。第二种方法也是较少尝试的，即人工智能的数据方法，它提出了一些有趣的新问题，即如何训练人工智能模型以及使用什么样的数据。本次会议将基于现有用例和共享经验，通过深入讨论三个主题，反思需要做些什么才能释放人工智能的力量，实现可持续发展：
批判性地检查自我保健和数据驱动的作用...
摘要。将数字技术用于自我保健，例如慢性疾病的自我管理，已经通过移动应用程序和可穿戴设备（通常在医疗保健环境之外的日常生活中设计，开发和使用）出现。新的自我保健实践在许多方面可能是有益的，但也可能带来风险，并且有相应的需要了解可能影响用户的潜在算法和偏见。在本文中，我们将移动应用程序的设计和开发描述为糖尿病自我管理的一部分，并严格讨论其对患者和设计师的影响。总而言之，这项研究强调了需要仔细考虑如何设计，开发和用于自我护理的自我管理工具的必要性。我们提出共同设计，特别是与数据驱动的医疗保健有关，尤其是数据驱动的决策工具。我们的发现表明，患者需要在增强数据驱动的决策方面平衡过度依赖和不信任，这需要道德考虑以及对所有未来设计师的关键方法。关键字：医疗保健，数据驱动的决策，数据驱动的医疗保健，自我管理，移动应用，批判性研究，社会技术。
1-x} {\ rm sr} _x {\ rm cufeo} _5 $ liaed perovskites
摘要。对于一系列应用，例如现在施放或处理大型降雨集合以进行不确定性分析，快速的城市植物浮动模型是必需的。 数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。 然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。 这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。 但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。 我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。 我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。 我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。 然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。快速的城市植物浮动模型是必需的。数据驱动的模型可以帮助克服传统流量模拟模型的漫长计算时间，而最先进的模型已显示出有希望的准确性。然而，由于城市流量映射所需的细分解决方案，数据驱动的城市浮游模型的普遍性对于看不见的降雨和明显不同的地形，仍然限制了他们的应用。这些模型通常采用基于补丁的框架来克服多个瓶颈，例如数据可用性，计算和磁性约束。但是，这种方法不包含围绕小图像贴片的地形的上下文信息（通常为256m×256m）。我们提出了一个新的深度学习模型，该模型维持了局部斑块的高分辨率构成，并结合了更大的环形区域，以增加模型的视觉范围，以增强数据驱动的UR-ban Pluvial pluvial流量模型的普遍性。我们以1 m的空间分辨率在苏黎世市（瑞士）培训并测试了该模型，在5分钟的时间分辨率下进行了1小时的降雨事件。我们证明，我们的模型可以忠实地代表各种降雨事件的浮游深度，高峰降雨强度范围为42.5至161.4 mmh -1。然后，我们在不同的城市环境中，即卢塞恩（瑞士）和新加坡，在不同的城市环境中提出了模型的地形概括。该模型准确地识别了水积累的位置，与其他深度
使用卷积神经网络进行脑肿瘤检测技术的建议方法
摘要：脑肿瘤是由脑组织细胞不规则生长而成的颅内肿块。医学影像在发现和检查器官的精确功能方面起着至关重要的作用。利用深度学习的最新进展，物体检测的性能得到了显着提高。本文提出了一种基于卷积神经网络（CNN）架构模型的分类方法，用于从磁共振成像（MRI）图像中检测脑肿瘤。网络训练在原始数据集和增强数据集中进行。而整个脑部MRI图像被缩放以适合每个预训练CNN网络的输入图像大小。此外，在准确度、精确度、特异性、灵敏度和F1分数方面对所提出的模型与其他预训练模型进行了比较研究。最后，实验结果表明，无需数据增强，所提出的方法在分割率为80:20的情况下实现了96.35％的总体准确率。而添加数据增强功能可将相同分割率的准确率提高到 97.78%。因此，获得的结果证明了所提出的方法在协助专业人员进行自动医疗诊断服务方面的有效性。
西澳大利亚州 2021-25 年大地测量战略
我们州的第一个大地测量系统建立于 19 世纪末，现已发展成为一项现代基础设施资产，具有切实的经济、环境和社会效益。它可以精确定位和/或追踪建筑和自然特征的空间和时间，以及无缝集成独立来源的空间信息。如今，西澳大利亚 (WA) 大地测量系统是澳大利亚地理空间参考系统不可或缺的一部分，为澳大利亚所有测量、制图和定位应用提供基础框架。随着全球导航卫星系统 (GNSS) 技术与移动设备的广泛集成，大地测量系统支持数百万日常基于位置的应用程序用户。预计随时可用且准确的 GNSS 衍生定位，加上开放数据、高级分析和云计算，将实现更大的创新和提高生产力。精确的定位有助于提高当前和新兴应用（如空间数字孪生和智能城市）的空间能力。为了确保西澳拥有准确、可靠和相关的大地测量系统，Landgate 将继续维护其地面基础设施，提高定位精度，并增强数据质量和访问能力。 Dione Bilick Trish Scully
![arxiv：2502.09827V1 [CS.IR] 2025年2月13日](/simg/g:\will\search\icon\source\d\d87770f9eabea0f22351b740be4e0b3c2bd1ed99.webp)
arxiv：2502.09827V1 [CS.IR] 2025年2月13日
数据和决策可追溯性是指数据生命周期的全面和可审计的文档，包括其起源，转换，移动和利用，以及使用该数据的决策背后的基本原理和影响因素。它代表了记录和链接数据元素和决策点的系统方法，创建了可验证的证据链。该链允许重建数据出处以及整个系统操作中做出的选择的理由。在复杂的系统中，尤其是涉及多个利益相关者或自动决策过程的系统中，可追溯性对于建立问责制，增强数据完整性，促进调试和优化以及支持遵守监管要求至关重要。e ff的可食用性机制可以识别数据血统，数据质量评估以及决策过程的分析，最终有助于提高透明度，信任和理解。此外，它通过鉴定潜在偏见，ffi ciencies和用于细化数据处理和决策算法的区域，为持续改进提供了基础。提供数据和决策可追溯性所需的信息包括两个主要共同点，如图3。对于系统中的每个过程，需要跟踪捕获的信息（输入）和生成（输出）。提供信息的可追溯性
Privshieldros：扩展机器人操作系统集成了以太坊和行星际文件系统，用于增强传感器数据隐私
摘要：随着机器人技术在安全监控，医疗保健，图像分析和其他高私人领域中的应用，机器人操作系统（ROS）中的视觉传感器数据面临着增强安全存储和传输的挑战。最近，有人提出，利用区块链的分布优势来提高ROS中数据的安全性。仍然，它具有诸如高潜伏期和大量资源消耗之类的局限性。为了解决这些问题，本文介绍了Privshieldros，这是一个由行星际文件系统（IPFS），区块链和Hybridabenc开发的扩展机器人操作系统，以增强ROS中视觉传感器数据的机密性和安全性。系统利用IPF的分散性质来增强数据可用性和鲁棒性，同时结合杂交式访问控制。此外，它通过使用区块链技术持续存储数据分配机制的安全性和机密性来确保数据分配机制的安全性和机密性。最后，通过三个实验验证了该系统的有效性。与最新的区块链扩展的ROS相比，PrivShieldros显示了关键指标的改进。本文已部分提交给IROS 2024。
健康劳动力战略计划2021
该健康劳动力战略计划（战略计划）为改善健康劳动力的前瞻性框架提供了一个前瞻性的框架，重点介绍了四个关键目标：扩大供应，确保公平分配，提高质量以及增强数据和证据的使用，以改善计划的成果。这项战略计划将促进协调和有意的努力，以解决加强健康劳动力的长期障碍 - 障碍因持续危机而扩大，包括2019年冠状病毒疾病（Covid-19）大流行，经济状况，较低和中等家庭的经济状况，较低和中等家庭的经济状况，由于气候变化而改变了健康的影响，并导致了促进种族平等的影响，以及促进种族平等的现象。该战略计划还与与19009年大流行有关的国家共同响应和大流行准备和总统执行命令的国家战略保持一致。值得注意的是，总统执行命令中有几项任务HHS秘书以及其他联邦部门和机构的负责人制定计划和建议，并立即采取行动来加强公共卫生劳动力。共同努力，这些努力将为相关利益相关者的参与以及对该战略计划中规定的框架的完善提供机会。
机器学习中的神经网络：共享还是不共享......
权重共享是卷积神经网络及其成功背后的支柱之一。然而，在大脑等物理神经系统中，权重共享是不切实际的。这种差异提出了一个基本问题：权重共享是否必要。如果是，精度要达到什么程度？如果不是，有什么替代方案？本研究的目的是调查这些问题，主要通过放宽权重共享假设的模拟。从神经回路中汲取灵感，我们探索了自由卷积网络和具有可变连接模式的神经元的使用。使用自由卷积网络，我们表明，虽然权重共享是一种实用的优化方法，但它并不是计算机视觉应用中的必需品。此外，当使用正确翻译的数据（类似于视频）进行训练时，自由卷积网络的性能与标准架构中观察到的性能相匹配。在平移增强数据的假设下，自由卷积网络学习平移不变的表示，从而产生一种近似形式的权重共享。© 2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
生成对抗网络在基于结构和功能 MRI 的脑部疾病诊断分类中的应用综述
基于结构和功能 MRI（磁共振成像）的机器学习诊断分类一直很有前景，但要发挥其潜力还面临许多障碍。虽然传统的机器学习模型无法捕捉复杂的非线性映射，但深度学习模型往往会过度拟合模型。这是因为神经影像学中存在数据稀缺和类别不平衡的问题；从人类受试者那里获取数据的成本很高，在临床人群中更是如此。由于生成对抗网络 (GAN) 能够通过学习底层分布来增强数据，因此它为这个问题提供了一个潜在的解决方案。在这里，我们提供了 GAN 的方法入门，并回顾了 GAN 在从神经影像数据（例如功能性 MRI）中对精神健康障碍进行分类的应用，并展示了迄今为止取得的进展。我们还强调了尚未解决的方法论和可解释性方面的差距。这为该领域如何向前发展提供了方向。我们认为，由于用户有多种方法可供选择，因此用户与方法开发人员进行互动至关重要，以便后者可以根据用户的需求定制其开发。神经成像领域的方法开发人员和用户之间的这种结合可以丰富该领域。