XiaoMi-AI文件搜索系统
World File Search System建议方案
个性化机器学习 - 基于内存的方法
成对工作：打开一个应用程序（例如，Instagram）或访问网站（例如Seznam.cz），并找到上面已经应用的四个建议方案中的每个示例，或者您认为可以实现它。
应对过度处方挑战：用于药物建议任务的大型语言模型
药物推荐系统在医疗保健中引起了人们的关注，因为它们的潜力根据患者的临床数据提供了个性化和有效的药物组合。但是，现有的方法论在适应多种电子健康记录（EHR）系统并有效地利用非结构化数据时会遇到挑战，从而产生有限的概括能力和次优性能。最近，利用医疗领域的大型语言模型（LLM）的兴趣正在增长，以支持医疗保健专业人员并增强患者护理。尽管出现了医疗LLMS及其在医疗问题回答之类的任务中，他们在临床环境中的实际应用，尤其是在药物建议中，但通常仍然没有得到充实的态度。在这项研究中，我们评估了用于药物建议任务的通用和医学特异性LLM。我们的发现表明，LLMS经常遇到过度处方的挑战，导致临床风险增加并降低药物建议精度。为了解决这个问题，我们提出了语言辅助药物建议（LAMO），该建议采用了一种参数高效的微调方法来量身定制开源LLM，以在药物建议方案中进行最佳性能。lamo杠杆在临床注释中提供了大量的临床信息，这是一种在传统方法论中通常不足的资源。由于我们的方法，Lamo的内部阀门准确性超过10％以上的最先前方法。此外，时间和外部验证证明了Lamo在各种时间和医院的强大概括能力
价格建议算法在线平台上
每天都会接待Amazon，eBay和Airbnb等现代在线平台。同时，他们接待了数百万卖家。在这些平台上互动的大量公司和消费者的存在，以及这些交互产生的大量数据，导致最近使用机器学习算法来设定价格的公司最近在公司中激增，希望能比竞争对手获得优势。反过来，这些算法引起了监管机构1和经济学家2的关注，因为它们可以导致事实上的犯罪结果，而无需任何人类干预，从而避免了现有的反托拉斯法律。然而，这种环境的结果是另一个经常被忽视的结果：它涉及平台与卖在其上的公司之间的急性信息不对称。3虽然公司通常只能通过监视自己的交易来获得有关平台上潜在消费者集的最佳粗略信息，但平台能够生成有关这些消费者特征的详细数据。响应这种信息不对称，许多平台开发了与公司本身使用的定价算法相似的推荐算法。这些算法然后为如何根据平台的私人信息提供有关如何对其商品定价的建议。这些价格建议算法对使用在线平台的公司和消费者的后果尚不清楚。但是，他们批判性地认为公司将平台的建议解释为廉价谈话。Pavlov和Berman（2019）在平台是否应该集中定价的背景下研究它们的用途，并发现与集中定价相比，与价格建议结合使用的定价和价格建议可以通过增加的竞争来使消费者受益。相比之下，在本文中，我认为构建价格建议算法可以解决两个技术问题 - 否则，该平台可以处理其数据并为潜在的大量公司提供有用的价格建议，也是一个战略性问题，这是一个战略性问题，这是一个战略性问题 - 它允许平台与公司共享其私人信息的特定计划，从而使其不得不廉价地进行交谈，因此可以使该公司的私人信息交流。由于价格建议算法允许平台投入给定的价格建议方案，因此平台在构造它们时会面临信息设计问题。一方面，他们可以与公司共享更多信息，从而允许公司设置