XiaoMi-AI文件搜索系统
World File Search System房协
全球协调向清洁技术的挑战：汽车创新的教训 *
在稳定的气候中调和经济活动的重大进展需要多个部门的彻底和快速的技术变化。在这里，我们研究了汽车行业向电动汽车的过渡，其中涉及在两种不同的技术之间进行选择：燃料电池电动汽车（FCEV）或电池电动汽车（BEVS）。我们对这种技术不确定性在塑造企业策略，技术和气候政策的效力以及技术转移的速度中所发挥的作用一无所知。在这里，我们解释说，由于技术互补性以及行业市场和供应链的全球性，这两种技术之间的选择构成了全球和多部门协调游戏。我们使用有关专利，供应链关系和国家政策的数据来记录这两种技术的历史趋势和行业动态。虽然该行业最初专注于燃料电池技术，但在2008年左右，该技术范式转移到了电池电动汽车上。国家级政策具有有限的能力，可以围绕一种干净的汽车技术协调全球参与者。替代汽车领域外部的外源创新溢出在解决此协调游戏中起着关键作用，以支持电池电动汽车。我们的结果表明，可能需要全球和跨部门技术政策来加速其他部门的低碳技术变化，例如运输或航空。这丰富了现有的理论范式，该范式忽略了技术与公司之间相互依赖的规模。
全球协调向清洁技术的挑战：汽车创新的教训 *
在稳定的气候中调和经济活动的重大进展需要多个部门的彻底和快速的技术变化。在这里，我们研究了汽车行业向电动汽车的过渡，其中涉及在两种不同的技术之间进行选择：燃料电池电动汽车（FCEV）或电池电动汽车（BEVS）。我们对这种技术不确定性在塑造企业策略，技术和气候政策的效力以及技术转移的速度中所发挥的作用一无所知。在这里，我们解释说，由于技术互补性以及行业市场和供应链的全球性，这两种技术之间的选择构成了全球和多部门协调游戏。我们使用有关专利，供应链关系和国家政策的数据来记录这两种技术的历史趋势和行业动态。虽然该行业最初专注于燃料电池技术，但在2008年左右，该技术范式转移到了电池电动汽车上。国家级政策具有有限的能力，可以围绕一种干净的汽车技术协调全球参与者。替代汽车领域外部的外源创新溢出在解决此协调游戏中起着关键作用，以支持电池电动汽车。我们的结果表明，可能需要全球和跨部门技术政策来加速其他部门的低碳技术变化，例如运输或航空。这丰富了现有的理论范式，该范式忽略了技术与公司之间相互依赖的规模。
aimIndmaps：通过AI协作和用户输入来增强思维图创建
引言映射是一种使用层次结构和类别来构建思想的强大技术（Tony and Buzan 1993）。思维地图可以在思维过程的任何阶段使用，例如产生个人和小组思想，构造这些想法以及计划如何使用它们（Bouthuner 2006）。思维地图可以在各个领域使用，包括做笔记，做出选择，写作，组织项目，集思广益，会议，制作清单，演示和自我完善（Wycoff 1991； Buzan和Buzan 2006）。的思维映射用作笔记工具，具有召回功能（荷兰，荷兰和戴维斯2004； Brinkmann 2003; Buzan and Buzan 2006），结构和分类思想（Buzan and Buzan和Buzan 2006）（2006年），概念理解的增强（Goodnough and Long Mannough 2006; Brinkmann 2003; Ab-Haho; Ab-Hahao 2003; Ab-ab-abi-ab-ab-ab-ab-ab-ab; El-Khalick 2008），并简化了笔记（Buzan and Buzan 2006）。但是，很明显，构建这种思维图不是一件容易的任务（Erdem 2017）。创建思维地图的用户遇到了与个人化和材料有关的几个挑战。一些用户会遇到认知困难，例如在精神上征税并忘记符号的含义（Erdem 2017）。绘画技巧通常也缺乏（Erdem 2017）。材料约束包括彩色铅笔的无法访问和寻找所需的视觉内容的差异（Erdem 2017）。最近，出现了几种人工智能的思维映射工具，例如Xmind（Xmind，Ltd.
不明原因栓塞性卒中患者房性心脏病和阵发性心房颤动倾向的预测
结果：75名ESUS患者的平均年龄为58岁。 60%的患者为男性，最常见的伴随疾病是高血压（53.3%）。 40 名患者患有心房颤动，15 名患者患有阵发性房颤。高血压和E/e->12是心房心脏病的独立预测因素，p值分别为0.001和0.02。对患有房心病的患者进行多变量回归分析； V导联P波终末力速度（PTFV）> 5000 mV.ms、左心房容积指数> 34 ml/m 2和射血分数< 45%是AF的显著独立预测因素，显著p值分别为0.001、< 0.001和0.001。
基因组位点影响人类大脑结构协变模式
Junhao Wen a,b,1 , Ilya M. Nasrallah b,c , Ahmed Abdulkadir b, Theodore D. Satterthwaite b,d , Zhijian Yang b, Guray Erus b, Timothy Robert-Fitzgerald e, Ashish Singh b, Aristeidis Sotiras f, Aleix Boquet-Pujadas g, Elizabeth Mamourian b, Jimit Doshi b, Yuhan Cui b, Dhivya Srinivasan b, Ioanna Skampardoni b, Jiong Chen b, Gyujoon Hwang b, Mark Bergman b, Jingxuan Bao h, Yogasudha Veturi i, Zhen Zhou b, Shu Yang h, Paola Dazzan j, Rene S. Kahn k, Hugo G. Schnack l, Marcus V. Zanetti m, Eva Meisenzahl n, Geraldo F. Busatto M，Benedicto Crespo-Facorro O，Christos Pantelis P，Stephen J. Wood Q，Chuanjun Zhuo R，Russell T. Shinohara B，E，Ruben C. Gur D，Raquel C. Gur D，Raquel E. U，Olivier Colliot V，Katharina Wittfeld W，Hans J. dd、Paul Maruff dd、Jurgen Fripp ee、Sterling C. Johnson ff、John C. Morris gg、Marilyn S. Albert hh、R. Nick Bryan c、Susan M. Resnick y、Yong Fan b、Mohamad Habes ii、David Wolk b,jj、Haochang Shou b,e 和 Christos Davatzikos b,1
对老旧房屋中安装特殊太阳能吸收器的冰蓄冷 (PCM) 供暖系统进行分析
1 矿业、生态、过程技术和地质技术学院、地源研究所、科希策技术大学、Letn á 9, 042 00 科希策，斯洛伐克；peter.taus@tuke.sk（PT）；radim.rybar@tuke.sk（RR）；martin.beer@tuke.sk（MB）；zuzana.simkova@tuke.sk（Z.Š.）；jana.citbajova@tuke.sk（J. ˇ C.）2 电气工程和机电一体化系、电气工程和信息学学院、科希策技术大学、Letn á 9, 042 00 科希策，斯洛伐克；frantisek@banik.sk 3 西伯利亚联邦大学贸易与经济研究所，79 Svobodny av.，660041 克拉斯诺亚尔斯克，俄罗斯； zhironkinsa@kuzstu.ru 4 戈尔巴乔夫库兹巴斯国立技术大学矿业学院，28 Vesennya 街，650000 克麦罗沃，俄罗斯 5 国家研究托木斯克理工大学核心工程教育学院，30 Lenina 街，634050 托木斯克，俄罗斯 * 通讯地址：peter.sivak.2@tuke.sk
根据机器学习方法预测智能房屋中故障的方法，viktoriia zhebka 1，pavlo skladannyi 2，serhii zhebka 1，s
摘要本文提供了一个预测智能家居失败的平台。已经描述了预测平台的详细算法。已经开发了用于将故障预测平台集成到智能家庭系统中的算法。已经介绍了基于机器学习的失败预测程序的智能家居算法。该软件是使用Jhipster1 Generator和Java编程语言开发的。在智能家庭系统中使用机器学习方法可以扩展其分析大量数据并确定可能发生故障的模式的能力。这使系统可以预测可能的问题并提前回应它们。使用预防措施可以使系统自动采取措施避免故障，例如自动根据预测调整设备的操作或执行备份。关键字1失败，机器学习方法，预测，方法论，信息技术，物联网，智能家庭。1。简介
加速人工智能：联合学习如何保护隐私、促进协作和改善结果
摘要 跨机构合作受到数据共享挑战的限制。这些挑战阻碍了创新，特别是在人工智能领域，模型需要多样化的数据来确保强大的性能。联邦学习 (FL) 解决了数据共享挑战。在典型的协作中，数据被发送到中央存储库，在那里训练模型。使用 FL，模型被发送到参与站点，在本地进行训练，并聚合模型权重以创建具有改进性能的主模型。在 2021 年北美放射学会 (RSNA) 会议上，进行了一个名为“加速人工智能：联邦学习如何保护隐私、促进协作和改善结果”的小组讨论。“两个小组分享了见解：来自 EXAM 研究 (EMC CXR AI 模型) 的研究人员和美国国家癌症研究所早期检测研究网络 (EDRN) 胰腺癌工作组的成员。EXAM 汇集了 20 家机构，创建了一个模型来预测急诊科出现 COVID-19 症状的患者的氧气需求。EDRN 合作的重点是通过早期检测改善胰腺癌患者的预后。本文介绍了小组的主要见解，包括直接引用。小组成员描述了 FL 的动力、FL 的长期潜在愿景、FL 面临的挑战以及 FL 的直接前进道路。
用于群组人工智能交互的 XAI：面向协作和包容性解释
摘要 机器学习 (ML) 越来越多地融入各个领域的决策制定，引发了人们对道德、合法性、可解释性和安全性的担忧，凸显了人类监督的必要性。作为回应，可解释人工智能 (XAI) 应运而生，它通过提供对 ML 模型决策的洞察，并让人类了解底层逻辑，从而成为一种增强透明度的手段。尽管现有的 XAI 模型具有潜力，但通常缺乏实用性，无法提高人机性能，因为它们可能会引入过度依赖等问题。这强调了以人为本的 XAI 需要进一步研究，以提高当前 XAI 方法的可用性。值得注意的是，目前的大部分研究都集中在 XAI 与个体决策者之间的一对一互动上，忽视了现实世界场景中人类群体使用 XAI 进行集体决策协作的多对一关系的动态。在这项最新工作中，我们借鉴了以人为中心的XAI研究的当前成果，并讨论了如何将XAI设计过渡到群体AI交互。我们讨论了XAI从人机交互过渡到群体AI交互的四个潜在挑战。本文有助于推动以人为中心的XAI领域的发展，促进群体XAI交互的讨论，呼吁在该领域进一步研究。关键词 可解释AI，群体AI交互，交互设计