XiaoMi-AI文件搜索系统
World File Search System性能提高
一种可解释的 AI 系统，用于根据 CT 扫描结果自动评估 COVID-19 并进行病变分类
由 SARS-CoV-2 病原体引起的 COVID-19 感染在世界范围内爆发了灾难性的大流行病，确诊病例数呈指数级增长，不幸的是，死亡人数也呈指数级增长。在这项工作中，我们提出了一种基于深度学习范式的 AI 驱动流程，用于从 CT 扫描中自动检测 COVID-19 并对病变进行分类。我们首先提出了一个新的分割模块，旨在自动识别肺实质和肺叶。接下来，我们将这种分割网络与分类网络相结合，以识别 COVID-19 和对病变进行分类。我们将获得的分类结果与三位专家放射科医生在包含 162 次 CT 扫描的数据集上获得的结果进行了比较。结果显示，COVID-19 检测的敏感性为 90%，特异性为 93.5%，优于专家放射科医生的结果，平均病变分类准确率超过 84%。结果还表明，先前的肺和肺叶分割发挥了重要作用，使我们能够将性能提高 20 个百分点以上。此外，对训练后的 AI 模型的解释表明，支持 COVID-19 识别决策的最重要区域与与病毒临床相关的病变一致，即疯狂铺路、实变和毛玻璃。这意味着人工模型能够通过评估 CT 扫描中这些病变的存在来区分阳性患者和阴性患者（对照组和间质性肺炎患者的 COVID 检测结果均为阴性）。最后，AI 模型被集成到一个用户友好的 GUI 中，以支持放射科医生的 AI 可解释性，该 GUI 可在 http://perceivelab. com/covid-ai 上公开获取。整个人工智能系统是独一无二的，因为据我们所知，它是第一个公开的基于人工智能的软件，它试图向放射科医生解释人工智能方法使用了哪些信息
基于 FPGA 的系统的动态可靠性管理
FPGA 的辐射耐受性是一个重要的研究领域，特别是对于航空航天和卫星任务中使用的电子设备的可靠计算。这项研究的动机是由于辐射粒子引起的单粒子效应导致 FPGA 硬件可靠性下降。冗余是一种常用的技术，可以增强辐射敏感应用的容错能力。但是，冗余会带来过多的面积消耗、延迟和功耗方面的开销。此外，冗余电路实现的结构和资源使用情况会随着冗余插入算法以及使用的冗余级数而变化。辐射环境在任务的运行时间跨度内会根据轨道和空间天气条件而变化。因此，还应在运行时根据当前辐射水平优化冗余引起的开销。在本文中，我们提出了一种称为动态可靠性管理 (DRM) 的技术，该技术利用辐射数据，对其进行解释，选择合适的冗余级别，并执行运行时重新配置，从而改变目标计算模块的可靠性级别。DRM 由两部分组成。DRM 的设计时工具流生成具有不同性能因子大小的电路各种冗余实现库。运行时工具流在利用辐射/错误率数据的同时，选择所需的冗余级别并使用相应的冗余实现重新配置计算模块。DRM 的两个部分都已通过各种基准测试的实验进行了验证。我们从这次实验中得出的最重要发现是，通过使用 DRM 的部分重新配置功能，可以将性能提高数倍，例如，与静态可靠性管理技术相比，我们的数据分类器和矩阵乘法器案例研究的性能结果分别提高了 7.7 倍和 3.7 倍。因此，DRM 允许在应用程序运行时在计算可靠性和性能开销之间保持适当的权衡。
IHG环境政策 2024英国性别薪酬差距报告 碳和能源的更新 - 成绩单
1。此政策适用于谁？此政策适用于我们公司办公室（包括预订中心），IHG托管酒店以及IHG集团公司的所有董事和高管的所有IHG员工。与我们的合作伙伴，供应商和加盟商一起工作时，我们鼓励他们应用本政策中规定的标准和原则。2。政策概述和IHG酒店及度假村（IHG）的目的，我们认识到我们有责任保护环境，并尊重人类拥有清洁，健康和可持续的环境的权利。照顾我们的人民，社区和星球是IHG的关键战略重点之一，也是我们开展业务方式的基本部分。我们的明天负责任的商业计划阐明了我们的承诺，旨在对我们的业务和周围的世界产生积极影响。通过承担我们保护环境并回馈社区的责任，我们将实现真正的款待目的。下面列出了指导我们追求本计划的原则和标准。通过实施和遵守这一环境政策，我们相信我们可以为后代创造一个更好，更可持续的未来。此策略列出了最低IHG标准。某些IHG部门或位置可能具有更雄心勃勃的目标或要求。3。，我们将与我们在倡导所有者脱碳的国家的国家的政府互动。4。碳足迹减少，我们致力于通过与我们现有酒店的三个确定的能源效率的脱碳杠杆合作，以减少酒店的碳足迹，并将新的建筑酒店带入以非常低的碳运营的现场，并利用可易货可再生能源的作用。能源效率我们促进了能源有效的技术和实践的实施，以减少所有IHG酒店的能源消耗。这包括将节能措施强制纳入我们的品牌标准，例如节能照明，智能建筑系统，以及通过我们的环境管理系统（Green Green Angage）定期，准确地报告能源消耗，以推动性能提高。
在气候变化下的保护区域设计网络中整合功能连接：驯鹿案例研究
摘要 - 动态场景中的移动对象细分（MOS）是一个重要的，具有挑战性但探索不足的重新搜索主题，以供自动驾驶，尤其是对于从移动的自我车辆获得的序列而言。大多数分割方法利用了从光流图获得的运动提示。但是，由于这些方法通常是基于从连续的RGB框架中预先计算的光流，因此这忽略了对间框架内发生的事件的时间考虑，因此限制了其识别其表现出相对静态性但在运动中确实在运动中表现出相对静态物体的能力。为了解决这些局限性，我们建议利用事件摄像机以更好地理解视频，从而在不依赖光流的情况下提供了丰富的运动提示。为了培养该领域的研究，我们首先引入了一个名为DSEC-MOS的新型大型数据集，用于从移动自我车辆中移动对象进行分割，这是同类的第一个。为了进行基准测试，我们选择了各种主流方法，并在我们的数据集上严格评估它们。随后，我们设计了一种能够利用事件数据的新型网络。为此，我们将事件的临时事件与空间语义图融合在一起，以区分真正的移动对象和静态背景，并围绕着我们感兴趣的对象增加了另一个密集的监督。我们提出的网络仅依靠用于培训的事件数据，但在推理过程中不需要事件输入，从而使其直接与仅限框架方法相媲美，并且在许多应用程序情况下都可以使用更广泛的使用。源代码和数据集可公开可用：https：//github.com/zzy-zhou/dsec-mos。详尽的比较突出了我们方法对所有其他方法的显着性能提高。
通过联邦学习聚合内在信息以增强 BCI 性能
数据不足是脑机接口 (BCI) 构建高性能深度学习模型的长期挑战。尽管许多研究小组和机构为同一 BCI 任务收集了大量 EEG 数据集，但由于设备的异构性，共享来自多个站点的 EEG 数据仍然具有挑战性。鉴于数据多样性在促进模型稳健性方面起着至关重要的作用，这一挑战的重要性怎么强调也不为过。然而，现有的研究很少讨论这个问题，主要将注意力集中在单个数据集内的模型训练上，通常是在跨受试者或跨会话设置的背景下。在这项工作中，我们提出了一个分层个性化联邦学习 EEG 解码 (FLEEG) 框架来克服这一挑战。这个创新框架预示着 BCI 的一种新的学习范式，使具有不同数据格式的数据集能够在模型训练过程中进行协作。每个客户端都被分配一个特定的数据集并训练一个分层的个性化模型来管理不同的数据格式并促进信息交换。同时，服务器协调训练过程以利用从所有数据集中收集的知识，从而提高整体性能。该框架已在运动想象 (MI) 分类中进行了评估，其中九个 EEG 数据集由不同的设备收集但执行相同的 MI 任务。结果表明，通过实现多个数据集之间的知识共享，特别是对于较小的数据集，所提出的框架可以将分类性能提高高达 8.4%。可视化结果还表明，所提出的框架可以使本地模型将注意力稳定地放在与任务相关的领域，从而获得更好的性能。据我们所知，这是第一个解决这一重要挑战的端到端解决方案。
神经和行为适应正面theta神经反馈训练：概念验证
以前的神经反馈研究表明，与训练相关的额叶theta提高和对真实反馈对照组的某些执行任务的提高和绩效提高。然而，典型的假对照组会收到错误或非义务反馈，因此很难知道观察到的组之间的差异是否与准确的偶然反馈或其他认知机制（动机，控制层，注意力参与，疲劳等）有关。为了解决这个问题，我们研究了两个额叶theta训练组之间的区别，每个训练组都接受了准确的偶然反馈，但具有不同的自上而下的目标：（1）增加和（2）替代/减少/减少。我们假设，与替代组相比，theTa的增加组将显示出更大的增加，而替代组在下调过程中会在下部和上调节块中表现出较低的额叶theta。我们还假设，替代组将在需要改变行为激活和抑制作用的GO-NOGO射击任务上表现出更大的性能提高，因为替代组将接受更大的任务特异性培训，这表明接受准确的偶然反馈可能是额外的theta theta neurofeedback背后培训的更为出色的学习机制。将三十名年轻的健康志愿者随机分配为增加或替代群体。训练包括一个方向课程，五次神经反馈训练课程（六个六个s街区的FCZ Theta调制试验（4-7 Hz），分别为10-s休息间隔），六次GO-NOGO测试课程（在低和高高的压力点数中的90个试验中的4个街区）。多级建模显示，替代组的额叶theta在训练课程中增加了。此外，GO-Nogo任务绩效在增加组中以更大的速度提高（准确性和反应时间，但不是佣金错误）。总的来说，这些结果拒绝了我们的假设，并表明额叶theta和performence结果的变化未通过准确的
mihai croicu-预测战斗 - uu .diva
在过去的十年中，预测冲突领域已经发生了显着的变形，从一系列具有低预测能力的孤立努力转变为具有令人印象深刻绩效的大型全球范围的项目。，尽管有这种发展，但仍然存在许多挑战。首先，虽然我们擅长预测绝对风险，但我们在预测冲突动态方面很差（ONSET，升级，降级和终止）。第二，由于我们使用的事件数据的性质，我们在时空特征和机械模型上过度稳定，因此不包括Actor代理。第三，我们不处理数据或模型不确定性。第四，我们落后于机器学习的最先进。本论文试图通过为当前产生预测系统的六个核心要素做出贡献来解决其中一些显着困难。首先，通过查看数据和预测范围之间时间距离的实质效果和不确定性。第二，空间，通过查看高分辨率地理空间数据的固有不确定性，并提出了一种解决此问题的统计方法。第三，特征空间，通过解决事件数据中的极端特征稀疏，并提出了一种新颖的，深厚的活跃学习方法，以从现有的大型冲突相关文本中心地讲述特征。第四，实质性知识，结合了以前的论文的发现，以重新研究冲突升级的微动力学。论文中的六篇论文表现出显着的性能提高，尤其是在预测动态方面。第五，预测过程本身，通过构建直接预测文本的模型，消除了手动数据策划的中间步骤。最后，事件数据的前沿，通过查看新闻媒体的沉重方式我们收集暴力致命事件的重大方式可以扩展到非暴力事件的收集。从方法论上讲，论文将最新的方法引入了该领域，包括使用大语言模型，高斯流程，主动学习和深度时间序列建模。
ROCAM 2024的程序
s1 -pp1：Marius Husanu； “ Al掺杂的SRTIO 3光催化剂，其性能提高”。s1 -pp2：mihaela botea; “批量分级（BA，SR）TIO 3结构具有增强的热稳定性”。s1 -pp3：liviu nedelcu; “ BA 1-X SR X TiO 3 /聚乙烯复合材料中的热漂移通过宽带介电光谱研究”。s1 -pp4：Oji Babatunde和Emmanuel Imoru； “使用稻壳灰的合成无形二氧化硅开发的基于mullite的陶瓷的形态和相检查”。s1 -pp5：Marius Cristian Cioangher； “用于成骨的应用的SR和GA掺杂的钛酸钡压电法”。s1 -pp6：mihaela bojan＆cristian udrea; “用于土壤中重金属检测的Terahertz时域光谱”。S1 -PP7：Cristina Stefania Florica； “基于聚二苯胺和多壁碳纳米管的复合材料与羧酸基团在能量储存中的应用官能化”。 s1 -pp8：teodora burlanescu; “在过滤过程中使用的SERS支持和膜，含有用于应用的聚（乙烯基氯化物）的复合材料”。 S2 -pp1：Lucian Dragos Filip； “在多层异质结构中对绝缘体层在极化方向稳定性中的作用的研究”。 S2 -PP2：Liliana Marinela Balescu; “异质结构中铁电成分的Wurtzite III-V材料”。S1 -PP7：Cristina Stefania Florica； “基于聚二苯胺和多壁碳纳米管的复合材料与羧酸基团在能量储存中的应用官能化”。s1 -pp8：teodora burlanescu; “在过滤过程中使用的SERS支持和膜，含有用于应用的聚（乙烯基氯化物）的复合材料”。S2 -pp1：Lucian Dragos Filip； “在多层异质结构中对绝缘体层在极化方向稳定性中的作用的研究”。S2 -PP2：Liliana Marinela Balescu; “异质结构中铁电成分的Wurtzite III-V材料”。
焊料联合可靠性分析和双行QFN的测试...
抽象QFN软件包已成为移动应用程序的主流设计。随着越来越多的应用程序采用QFN样式软件包，I/O计数要求正在增加。在QFN包装中增加PIN数的典型方法是增加体型以适应其他铅手指。这是不可取的，因为移动设备用户正在推动较小的包装尺寸。通过使用双行设计，可以在相同的整体体型中添加更多的铅手指。这增加了整体性能与包装尺寸比率。先前在双行QFN软件包上发表的研究主要关注制造的设计注意事项。[1-3]由于当前设计使用标准的铅框架处理技术，因此与单行QFN生产相比，不需要其他处理策略。这项研究重点介绍了28条双排QFN软件包的板级焊接联合可靠性。在制造之前，对各种双行QFN足迹进行了机械建模DOE，以通过温度周期测试估算焊料关节寿命。建模之后是雏菊链单元的原型制造。根据JEDEC规格对雏菊链设备进行温度周期测试。进行测试，直到获得完整的寿命估计曲线为止。与单排设计相似的单行设计相比，双行设计实际上可以改善焊料关节可靠性性能。由于包装的直接弯道上没有铅指的双手，这通常是测试过程中包装中最高的应力区域，因此可以增加整体焊料关节寿命。虽然双行包装上的典型失败的铅手指仍然是距包装中心最远的距离，但这些铅手指并不位于包装角中。最终结果表明，双行QFN软件包通过温度周期测试具有良好的性能，并且性能比标准单行QFN软件包的性能提高。
归一化的关联，非差异表达
交叉数据测试对于检查机器学习（ML）模型的性能至关重要。但是，大多数关于转录组和临床数据建模的研究仅进行了数据内测试。还不清楚归一化和非差异表达基因（NDEG）是否可以改善ML的跨数据库建模性能。因此，我们旨在了解归一化，NDEG和数据源是否与ML在跨数据库测试中的性能有关。使用了TCGA和ONCOSG中肺腺癌病例共享的转录组和临床数据。仅使用转录组数据就达到了最佳的跨数据库ML性能，并且在统计学上比使用转录组和临床数据更好。最佳平衡精度（BA），曲线下的面积（AUC）和在TCGA上的ML算法培训中的精度明显高于ONCOSG的测试，而在ONCOSG上进行了测试并在TCGA上进行了测试（所有人的P <0.05）。归一化和NDEG在两个数据集中大大改善了数据集中的ML性能，但在跨数据库测试中却没有。引人注目的是，单独对ONCOSG的转录组数据进行建模优于建模转录组和临床数据，而TCGA中包括临床数据的转录组和临床数据并没有显着影响ML性能，这表明TCGA中转录量数据的临床数据值有限或转录量的倒数影响。在数据内测试中的性能提高更为明显。在比较的六个ML模型中，支持矢量机是在数据集和跨数据库测试中最常见的表现最常见的。因此，我们的数据显示了数据源，归一化和NDEG在建模转录组和临床数据中与数据集和跨数据库ML性能相关。