XiaoMi-AI文件搜索系统
World File Search System模型结构
营销中的机器学习和人工智能
由机器学习算法驱动的人工智能 (AI) 代理正在迅速改变商业世界，引起研究人员的高度兴趣。在本文中，我们回顾并呼吁市场研究利用机器学习方法。我们概述了常见的机器学习任务和方法，并将它们与市场研究人员传统上使用的统计和计量经济学方法进行了比较。我们认为机器学习方法可以处理大规模和非结构化数据，并具有灵活的模型结构，可产生强大的预测性能。同时，这种方法可能缺乏模型透明度和可解释性。我们讨论了突出的人工智能驱动的行业趋势和实践，并回顾了使用机器学习方法的仍处于萌芽阶段的学术营销文献。更重要的是，我们提出了一个统一的概念框架和一个多方面的研究议程。从实证营销研究的五个关键方面：方法、数据、使用、问题和理论，我们提出了一些研究重点，包括扩展机器学习方法并将其用作营销研究的核心组成部分，使用这些方法从大规模非结构化、跟踪和网络数据中提取见解，以透明的方式使用它们进行描述性、因果性和规范性分析，使用它们规划客户购买旅程并开发决策支持能力，并将这些方法与人类见解和营销理论联系起来。机器学习方法在营销中的机会比比皆是，我们希望我们多方面的研究议程能够激发这一激动人心的领域的更多工作。© 2020 Elsevier B.V. 保留所有权利。
用于表示学习的混合量子变分自动编码器
创新的神经网络架构不断涌现，旨在解决有趣的问题 [1]–[3]。当人们专注于学习表示时，这类模型提供了一定的多功能性 [4]。有趣的是，人们往往更喜欢无监督方法，以消除可能引入的、可能不想要的标签偏见。这项研究基于经典的自动编码器架构，并结合了一种新颖的量子变分方法。自动编码器 (AE) 被认为是一种无监督学习模型，它使用神经网络重建输入信号 [5]。AE 因其一些成功的版本而闻名，包括变分自动编码器 (VAE) [6] 和去噪 AE [7], [8]。特别是密集 AE，已被证明在学习数据表示（通常经过压缩）方面非常强大，同时保留了大部分信息 [9]。近年来，营销研究人员对利用机器学习的兴趣日益浓厚。与传统的统计和计量经济学方法相比，机器学习方法可以处理大规模数据、非结构化数据，具有灵活的模型结构并能产生更好的预测。自动编码器开始用于从营销环境中的复杂数据中生成有意义的描述，例如消费者社交网络或消费者产品网络[10]。分析大规模网络的方法论挑战在于高维性。最近一项关于 Facebook 用户参与数据中的用户-品牌网络的研究使用深度自动编码器进行嵌入，并表明品牌的市场结构比标准行业分类所建议的更具流动性和重叠性[11]。此外，变分自动编码器已被开发用于
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）
scFv-CdtB 作为乳腺癌治疗新型免疫毒素的计算机设计和评估
背景：乳腺癌是女性人群中最常见的癌症类型，约 15% 至 20% 的乳腺癌患者为人表皮生长因子受体 2 (HER2) 阳性。目前的癌症治疗方法，如手术、放疗和化疗，在降低死亡率方面效果不佳；然而，免疫疗法是一种治疗癌症的新方法，它更有效，对身体的危害更小。抗癌免疫毒素是嵌合分子，包含两部分，即免疫部分（抗体或抗体的结合片段）和毒素部分（杀伤毒素分子）。目的：在本研究中，我们试图设计一种新型免疫毒素，包括抗 HER2 受体曲妥珠单抗，它源自与空肠弯曲菌细胞致死扩张毒素 (Cj-CdtB) 的功能部分相连的单链可变片段 (scFv)。方法：分别使用 ProtParam、PROSO II 和 GORV 分析嵌合蛋白的理化性质、溶解性和二级结构。使用 I-TASSER 建立三维 (3D) 模型，并使用 GalaxyRefine 进行细化。使用 PROCHECK 和 RAMPAGE 对细化前后的模型结构进行评估。使用 AlgPred 服务器预测免疫毒素的致敏性，并使用 RNAfold 评估 mRNA 稳定性。最后，使用 ZDOCK 将免疫毒素与 HER2 对接。结果：分析表明嵌合蛋白可以是一种稳定的可溶性蛋白质，其各部分的二级结构不会改变，蛋白质具有稳健的 3D 结构，可能具有稳定的 mRNA 结构并可与 HER2 受体结合。结论：设计的免疫毒素是一种稳定的可溶性蛋白质，具有与 HER2 受体结合的能力，使其成为乳腺癌治疗的合适免疫毒素候选药物。当前研究的结果可能对未来的实验研究有用。
基于机制的模型中对人端粒酶逆转录酶候选疗法的桥接反应
治疗性癌症疫苗是新型免疫治疗药，旨在改善其他免疫疗法的临床结果。然而，其成功的临床发育仍然存在障碍，模型知识的药物开发方法可能会解决这种障碍。UV1是一种基于端粒酶的治疗癌疫苗候选者，正在在I期临床试验中针对多种指示进行研究。我们使用非线性混合效应建模技术开发了一种基于机制的模型结构，该结构基于纵向肿瘤大小（最长直径的总和，SLD），UV1特异性免疫学评估（刺激指数，SI，SI）和包括UV1阶段I的IIA IIA（NS iiA IIA IIA）（包括非ung cancer canter）的UV1特异性免疫学评估（刺激指数，SI）（刺激指数，SI）（OS）（OS）（OS）（OS）。黑色素瘤（MM）患者。最终结构包括机械肿瘤生长动力学（TGD）模型，该模型描述了观察UV1特异性免疫反应（SI≥3）的可能性和OS的事件时间模型。机械TGD模型解释了疫苗肽，免疫系统和肿瘤之间的相互作用。在NSCLC和MM患者中，模型预测的UV1特异性效应子CD4 + T细胞分别为103和154天诱导肿瘤收缩。观察UV1特异性免疫反应的可能性主要由模型预测的UV1特异性效应子和内存CD4 + T细胞驱动。分别确定了NSCLC和MM患者OS降低的主要预测指标，高基线SLD和较高的相对增加。我们的模型预测强调了其他维护剂量，即UV1给药更长的时间，可能会导致持续的肿瘤大小收缩。
![使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类](/simg/g:\will\search\icon\source\c\c82f9175d25c0bc6ff164861a883d62a00589155.webp)
使用3D卷积神经网络[18F] Florbetaben脑宠物图像分类
在淀粉样蛋白脑扫描的深度学习分类中已经报道了高精度，这是阿尔茨海默氏病诊断的重要因素。但是，应该考虑过度拟合的可能性，因为该模型配备了样本数据。Therefore, we created and evaluated an [ 18 F]Florbetaben amyloid brain positron emission tomography (PET) scan classification model with a Dong-A University Hospital (DAUH) dataset based on a convolu- tional neural network (CNN), and performed external validation with the Alzheimer's Dis- ease Neuroimaging Initiative dataset.在DAUH和外部数据集上进行了空间归一化，计数归一化和头骨剥离预处理。但是，平滑仅在外部数据集上进行。使用了三种类型的模型，具体取决于它们的结构：Inception3d，resnet3d和vgg3d。在使用DAUH数据集的80％训练后，选择了适当的模型，其余的DAUH数据集用于模型评估。然后使用外部数据集验证了所选模型的概括潜力。Inception3d，Resnet3d和VGG3D的模型评估的准确性为95.4％，92.0％和97.7％，外部验证的准确性分别为76.7％，67.1％和85.3％。inception3d和resnet3d用外部数据集重新训练；然后，比较曲线下的面积，以确定二元分类性能的显着性水平小于0.05。进行微调后再次执行外部验证时，Inception3d的性能提高到15.3％P，RESNET3D的性能提高到16.9％P。在[18 F] Florbetaben淀粉样蛋白脑PET扫描使用CNN中，可以通过外部阀门观察到概括势。当模型分类性能与外部验证之间存在显着差异时，更改模型结构或微调模型可以帮助改善分类性能，并且还可以通过通过基于Web的开放平台进行协作来找到最佳模型。
软件能力评估 (SCE) 2.0 版实施指南
图 1-1 能力成熟度模型 1.1 版 1-4 图 1-2 能力成熟度模型结构 1-7 图 1-3 随着组织过程成熟度的提高，预测的性能分布 1-8 图 1-4 CMM 中的 2 级和 3 级关键过程域 1-10 图 1-5 DoD-STD-2167A 活动 1-12 图 1-6 软件过程的产品方法 1-13 图 1-7 软件密集型采购中可以考虑的承包商属性示例 1-17 图 1-8 关键过程域发现示例 1-19 图 1-9 过程评估和能力评估之间的差异 1-20 图 1-10 将评估方法转移到组织中的步骤 1-23 图 1-11 SCE 实施检查表 1-24 图 2-1 SCE 准备时间表2-28 图 B-1 受分包商影响的源选择活动 B-40 图 3-1 分包商使用决策标准 3-44 图 3-2 一次源选择的分包商估计劳动力 3-53 图 3-3 分包商人员负荷随时间变化 3-54 图 3-4 分包商成本汇总示例（培训加现场） 3-56 图 3-5 分包商施加的开发组织成本示例 3-57 图 4-1 RFP 发布前的分包商进度表示例 4-62 图 4-2 RFP 发布后的分包商进度表示例 4-65 图 4-3 具体标准或技术项目示例 4-68 图 4-4 颜色描述 4-69 图 4-5 风险描述 4-70 图 4-6 最近一次分包商的总结结果 4-71 图 4-7 详细结果 4-73 图4-8 详细发现（续）
计算机和流体-Eprints Soton
超分辨率（SR）生成对抗网络（GAN）有望在大型模拟（LES）中湍流闭合，因为它们能够准确地从低分辨率领域重建高分辨率数据。当前的模型培训和推理策略对于大规模的，分布式计算而不足以成熟，这是由于计算需求以及对SR-GAN的训练通常不稳定的，这限制了改进的模型结构，培训策略和损失功能定义的探索。将SR-GAN集成到LES求解器中进行推理耦合模拟也是评估其后验精度，稳定性和成本的必要条件。我们研究了SR-GAN训练和推理耦合LES的并行化策略，重点是计算性能和重建精度。我们研究了混合CPU – GPU节点体系结构的分布式数据并行培训策略，以及低/高分辨率子盒大小，全局批处理大小和歧视器准确性的相关影响。准确的预测需要相对于Kolmogorov长度尺度足够大的训练子箱。应注意训练批量规模，学习率，培训子箱数量和歧视者的学习能力的耦合效果。我们引入了一个数据并行SR-GAN培训和推理库，以进行异质体系结构，该架构可以在运行时在LES求解器和SR-GAN推理之间进行交换。我们研究了这种布置的预测准确性和计算性能，特别关注精确的SR重建所需的重叠（Halo）大小。同样，有效推理耦合LES的后验并行缩放受SR子域的大小，GPU利用率和重建精度的限制。基于这些发现，我们建立了指南和最佳实践，以优化SR-GAN湍流模型训练和推理耦合LES计算的资源利用率和并行加速，同时保持预测精度。
一种基于知识的气候统计映射的方法
摘要：近年来，对数字形式的空间气候数据的需求显着增加。响应这种需求，已使用多种统计技术来促进与GIS兼容的气候图的生产。但是，观察数据通常太稀疏和无代表性，无法直接支持创建真正代表当前知识状态的高质量气候图和数据集的创建。一种有效的方法是在气候的空间模式及其与地理特征的关系上使用大量专家知识，称为“地理空间气候”，以帮助增强，控制和参数化统计技术。此处描述的是一个基于动态知识的框架，它允许在称为PRISM的统计回归模型（独立斜率模型上的参数 - 高程回归）中表达的有效积累，应用和精致气候知识。最终目标是开发能够再现知识渊博的气候学家将用来创建高质量气候地图的专家系统，并具有一致性和重复性的额外好处。但是，必须首先通过持续的模型应用过程来积累和评估知识；开发知识原型，参数和参数设置；测试；评估;和修改。本文描述了用于气候映射的基于知识的框架的当前状态，并提出了来自Prism的特定算法，以演示如何应用和精制以适应困难的气候映射情况。提出了气候映射示例。加权气候回归函数承认高程对气候的主要影响。气候站是分配的权重，这些权重占其他重要因素以外的其他重要因素。方面和地形暴露，这些范围从山坡到山坡的偏向和背风的各种尺度上影响气候，通过将地形分为地形方面来模拟。沿海接近度措施用于说明海岸线附近的急剧气候梯度。2层模型结构将大气分为下部边界层和上部自由大气层，从而模拟温度反演以及中斜率沉淀的最大值。还估计了各种地形配置在产生地形降水增强方面的有效性。
CalSim 3 建模更新
要求的行动：使用最新开发的 CalSim 模型平台（通常称为 CalSim 3）获取项目运营建模概述。详细描述/背景：Sites 项目已在 CalSim II 中进行了全面建模和分析，该平台数十年来一直用于模拟加州水务运营。提醒一下，CalSim II 对 Sites BA/ITP 建模分析的结果包含在附件 A 中。CalSim 3 于 2021 年发布，并于 2022 年首次用于全面建模工作。垦务局直到 2023 年中期才发布包含使用 CalSim 3 的 CVP 和 SWP 运营表示的基准模型。随着此基准模型的发布以及在 2023/2024 年 CVP 和 SWP 重新咨询工作中使用 CalSim 3，水务界目前正处于从常规使用 CalSim II 过渡到在 CalSim 3 中开发项目建模表示的过渡状态。CalSim 3 具有更高的空间分辨率和范围（即，模型将提供输出的区域更多，并且模型中模拟了其他较小和/或远程系统）。CalSim 3 还具有延长的模拟期，从 1921 年到 2021 年长达 100 年，同时表示动态地下水-地表水相互作用。CalSim 3 也具有不同的模型结构，将 Sites 项目纳入 CalSim 3 模型是一项艰巨的工作。但是，过渡到 CalSim 3 模型平台可确保管理局可以继续使用可与代表其他主要水基础设施和运营的其他模型“通信”的 Sites 建模平台。迄今为止，Sites CalSim 3 模型的开发工作已涵盖该项目的物理基础设施（例如水库和管道）以及引水和蓄水。团队目前正在最终确定该项目的放水方案，包括三角洲南部成员水账户运营和垦务局账户运营。用于实施 Sites 运营的每日计算也正在开发和整合中。与奥罗维尔的交换也正在纳入其中。