XiaoMi-AI文件搜索系统
World File Search System测试模型
使用机器学习预测哈萨克斯坦的食品价格
摘要使用机器学习来预测哈萨克斯坦食品的消费价格的相关性是由于需要有效管理价格并确保为人口提供食品的可用性。机器学习可以分析多种因素，例如通货膨胀，季节性波动以及供求的变化，并创建准确的预测，这在经济不确定性和食品价格波动的时期至关重要。在这项工作中，我们使用了一种机器学习方法来预测哈萨克斯坦的食品价格。主要重点是在这种情况下的机器学习方法的应用。我们使用2005年至2020年的每月农村，城市和混合价格数据来开发和测试模型。该研究研究了使用从世界食品计划价格数据库获得的数据集诸如决策树，随机森林和梯度提升之类的机器学习模型的使用。这有助于准确预测未来的食品价格。我们还使用各种指标评估了这些模型的准确性，例如均方根误差（RMSE），均方根误差（MSE），作为平均绝对误差（MAE）和确定系数（R 2）。在我们的工作中，我们得出的结论是，随机森林模型在所有测量指标中表现最佳。实验结果证实，随机森林模型产生的高精度在预测未来的食品价格价值方面具有（0.99）。关键字1机器学习，预测，消费者价格指数，随机森林，决策树，梯度提升。
GEOINT 社区及其他领域的人工智能和机器学习 (AI/ML) 现状
1.确保高管领导层使用全面的沟通计划来强调对 GEOINT 工作流程、分析技巧和分析师培训中的流程和技术的 AI/ML 现代化的支持。2.为 GEOINT 分析师和员工创建一个未分类的 AI/ML 培训管道，重点关注如何查找和加载图像、创建和管理计算机视觉模型以及评估模型性能。3.提供未分类的（影响级别 2）AI/ML 测试平台环境，该环境存储在混合云环境中 - 包括本地和云中。如今，对于分析师来说，找到未分类的图像、将该内容加载到开发测试平台、添加图像分类器以及训练和测试模型是一项挑战。随着自动图像标记、张量处理单元 (TPU) 等强大芯片以及主要云提供商等现代技术的出现，创建和维护 AI/ML 测试平台变得相当简单。此外，确保有一个一致的流程将未分类的图像加载到应用程序中，允许分析师拥有衍生产品的所有下游权利，并确保应用程序可以发展到全球规模。4.建立公共基准数据集、元数据和性能指标，以对 AI/ML 模型性能进行比较评估。
遗传与分子毒理学
N-亚硝胺药物杂质是FDA关注的重点，尤其是由药物本身形成的亚硝胺杂质，称为N-亚硝胺药物相关杂质或NDSRI。杂质可以在药物生命周期的任何时间形成，例如作为合成副产物、在储存过程中以及在接受治疗的患者体内产生的NDSRI。使用突变试验可以识别可能增加癌症风险的N-亚硝胺杂质；具有致突变性的N-亚硝胺被认为是致癌物质，在药物中的含量被控制在非常低的水平。因此，FDA开发能够识别致突变N-亚硝胺的测试模型非常重要。DGMT科学家与药物评估和研究中心（CDER）亚硝胺药物杂质工作组合作，使用体外细菌和人类细胞突变试验评估一系列小分子N-亚硝胺和NDSRI的致突变性和遗传毒性。此外，还使用二维 (2D) 和三维 (3D) 人类肝细胞 (HepaRG) 模型测试了八种不同的 N-亚硝胺的遗传毒性。最后，对不同的 N-亚硝胺在转基因啮齿动物中的致癌性进行了评估。这些研究的目的是开发筛选和后续检测方法，以高置信度确定 N-亚硝胺药物杂质的癌症风险。以下出版物描述了这些研究的结果：Regul Toxicol Pharm 和 Arch Toxicol。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
USAFAlmanac - 空军杂志
具有增强的生存能力。非后掠翼设置可在高空巡航期间提供最大航程。全后掠位置用于超音速飞行和高亚音速低空穿透。轰炸机的进攻性航空电子设备包括合成孔径雷达 (SAR)、地面移动目标指示器 (GMTI)、地面移动目标跟踪 (GMTT) 和地形跟踪雷达、极其精确的全球定位系统/惯性导航系统 (GPS/INS)、计算机驱动的航空电子设备和战略多普勒雷达，使机组人员能够导航、更新飞行中的目标坐标和精确轰炸。当前的防御性航空电子设备包以 ALQ-161 电子对抗 (ECM) 系统为基础，由 ALE-50 拖曳诱饵和箔条和照明弹补充，以防御雷达制导和热寻的导弹。飞机结构和雷达吸收材料将飞机的雷达信号降低到 B-52 的大约百分之一。ALE-50 可以更好地抵御射频威胁。B-1A。美国空军在 20 世纪 70 年代获得了这种新型战略轰炸机的四架原型飞行测试模型，但该项目于 1977 年取消。四架 B-1A 型号的飞行测试一直持续到 1981 年。B-1B 是里根政府于 1981 年发起的改进型。第一架生产模型于 1984 年 10 月首飞，美国空军共生产了 100 架。B-1 于 1984 年 12 月 1 日在沙漠之狐行动中首次用于支援对伊拉克的作战。
基础模型中的医学幻觉及其对医疗保健的影响
能够处理和生成多模式数据的基础模型已改变了AI在医学中的作用。然而，其可靠性的关键局限性是幻觉，其中不准确或捏造的信息会影响临床决策和患者安全。我们将医疗幻觉定义为模型产生误导性医学内容的任何实例。本文探讨了医学利润率的独特特征，原因和含义，特别关注这些错误如何在现实世界中的临床情况下表现出来。我们的贡献包括（1）用于理解和解决医学幻觉的分类法，（2）使用医学幻觉数据集对模型进行基准测试模型，以及对实际医疗病例的LLM的反应，从而直接了解幻觉的临床影响，以及（3）对医疗幻觉的多政治临床调查。我们的结果表明，诸如链链（COT）和搜索增强产生等推论技术可以有效降低幻觉率。，尽管有这些改进，但幻觉的非平凡水平仍然存在。这些发现强调了强大的检测和缓解策略的道德和实践意义，为监管政策建立了优先级的监管政策基础，随着AI的融合更加集成到医疗保健中。临床医生的反馈意见不仅迫切需要技术进步，而且还需要更清晰的道德和监管指南，以确保患者安全。可在https://github.com/mitmedialab/medical幻觉上提供纸张资源，摘要和其他信息的存储库。
交叉分类的概率模型
大多数自然领域可以通过多种方式表示：我们可以根据其营养内容或社会角色对食物进行分类，动物的分类学群体或其生态壁ni，以及乐器根据其分类学cate-cate-gore-gore或社会用途。对人类分类进行建模的先前方法在很大程度上忽略了交叉分类的问题，专注于学习一个单一的类别系统，这些类别可以解释所有功能。跨类别提出了一个困难的概率：我们如何在不首先知道该类别要解释的情况下推断类别？我们提出了一个新型模型，该模型表明人类跨类别是关于多个类别系统及其解释的特征的联合推断的结果。我们还为交叉分类行为形式化了两个常见的替代解释：第一个特征和对象 - 第一个方法。第一种方法表明，交叉分类是注意力程序的结果，其中特征是通过注意机制选择的，并且类别是第二个。对象 - 第一个方法表明，跨属性是重复的，顺序解释特征的连续性尝试，其中类别是第一个派生的，然后重新解释的特征。我们提出了两组模拟和实验，以测试模型对人类分类的预测。2011 Elsevier B.V.保留所有权利。我们发现，基于共同推论的方法为人类分类行为提供了最佳拟合，我们建议对人类类别学习的完整说明需要纳入类似于这些能力的东西。
经济正义中心的补充评论
两家欧洲公司——荷兰的 Friss 和法国的 Shift Technologies，凭借由人工智能驱动的保险欺诈软件工具，在美国获得了关注。尽管类似的工具已经进入市场有一段时间了，但保险公司愿意冒险尝试缺乏美国经验的新手，这表明人工智能 (AI) 模型发生了快速变化，这使得更广泛的竞争对手能够提供不同的工具来应对欺诈，并将其模型扩展到承保。通过查看保险公司的索赔数据，这些公司应用基于人工智能的解决方案来识别可能的欺诈活动。Friss 表示，它每年处理 1.03 亿份索赔。在下载保险公司的索赔数据后，它会根据已知的索赔结果测试模型——无论是支付、拒绝、欺诈、和解还是以其他方式解决。然后，该模型将这些发现与外部数据源联系起来，这些数据源包括保险公司的历史索赔数据集、国家保险犯罪局、天气数据、Carfax 数据、通过抓取网络和社交媒体找到的数据，以及索赔人的信用评分和以前的破产记录。有了这些资料，Friss 可以为每项索赔建立一个欺诈评分。上个月，Friss 收购了俄亥俄州的 Terrene Labs，目前正在向承保领域扩张，Terrene Labs 提供数据（例如企业人口统计数据、风险评分和从网络上抓取的信息），用于预填商业险种申请表和其他表格。这样做的目的是在承保过程中预先提供在索赔过程中发现的类似见解。
引用本研究：Bhadauria, A.P.S., Singh M., Kumar, R., & Kumar, A., (2025)。使用机器学习 T 进行边缘计算中的实时入侵检测
边缘计算的普及为通过在更靠近数据源的地方处理数据，优化延迟敏感和带宽密集型应用程序带来了新的机会。此外，这种范式转变也带来了独特的安全挑战，特别是在入侵检测领域。在边缘计算环境中，数据在更靠近数据源的网络边缘进行处理，实时入侵检测对于保障系统安全至关重要。攻击者也在利用边缘网络的快速扩展。相反，由于行为复杂、处理能力低下，传统的入侵检测系统 (IDS) 无法检测到高速实时网络中最新类型的攻击模式。本研究介绍了一种开发有效 IDS 模型来处理实时网络中此类威胁的新方法，并探讨了针对边缘计算环境的实时入侵检测系统 (IDS) 的设计和实现。所提出的模型被认为是系统性和可靠的，并且采用了监督式机器学习 (ML) 技术。目标是实时准确地识别和分类网络中的有害入侵或恶性活动。为了训练和测试模型，本研究使用了一个自创的数据集，该数据集同时利用了恶意和良性的 PCAP（数据包捕获文件）。为了确定 IDS 模型的有用性，使用随机森林、决策树、额外树和 K-最近邻作为分类技术。所提出的 IDS 模型在适应性和可扩展性等几个因素上表现出色。该模型还产生了更高的准确度、检测率、F 度量、精确度、召回率和更低的 FPR。
通过 Shapley 加法解释比较 ANOVA 和 PowerShap 特征选择方法，该解释使用 Theta 和 Alpha EEG 频带比率构建的心理工作量模型
摘要：背景：创建模型来区分自我报告的心理工作量感知具有挑战性，需要机器学习来识别脑电图信号中的特征。脑电图频带比率量化了人类活动，但对心理工作量评估的研究有限。本研究评估了使用 theta-to-alpha 和 alpha-to-theta 脑电图频带比率特征来区分人类自我报告的心理工作量感知。方法：在本研究中，分析了 48 名参与者在休息和任务密集型活动时的脑电图数据。使用不同的脑电图通道簇和频带比率开发了多个心理工作量指标。使用 ANOVA 的 F 分数和 PowerSHAP 提取统计特征。同时，使用逻辑回归、梯度提升和随机森林等技术建立和测试模型。然后用 Shapley 加法解释来解释这些模型。结果：根据结果，使用 PowerSHAP 选择特征可以提高模型性能，在三个心理工作量指数中表现出超过 90% 的准确率。相比之下，用于模型构建的统计技术表明所有心理工作量指数的结果都较差。此外，使用 Shapley 值来评估特征对模型输出的贡献，可以注意到，ANOVA F 分数和 PowerSHAP 测量中重要性较低的特征在确定模型输出方面发挥了最重要的作用。结论：使用具有 Shapley 值的模型可以降低数据复杂性并改进对感知人类心理工作量的更好判别模型的训练。但是，由于选择过程中特征的重要性及其对模型输出的实际影响有所不同，因此结果有时可能不明确。