XiaoMi-AI文件搜索系统
World File Search System源源
网络威胁情报人工智能研讨会（WAITI）
征文 网络安全格局不断变化，为安全专业人员带来源源不断的数据流。有价值的威胁情报隐藏在这一庞大的数据流中，包括社交媒体、技术报告和暗网论坛中报道的文本。传统上，网络威胁情报 (CTI) 依赖于手动分析或基本的关键字匹配，导致瓶颈和错失机会。安全分析师面临着数据量巨大的限制、代码混淆和社会工程等策略的复杂性，而威胁的快速发展需要实时处理才能领先于攻击者。在当今的数字环境中，数据量和复杂性不断增加，自然语言处理 (NLP) 技术和大型语言模型已成为解密和缓解网络威胁不可或缺的工具。NLP 使机器能够理解和处理人类语言，为 CTI 提供了显著的好处，例如自动处理、高级威胁检测和实时分析，从而可以立即识别和响应威胁。因此，有效地提取和分析这些信息对于主动防御策略至关重要。本次研讨会探讨了人工智能/生成式人工智能在网络安全领域（尤其是 CTI 收集和分析领域）的革命性潜力。研讨会将为研究人员、从业人员和爱好者提供一个平台，让他们更深入地探讨与 NLP、大型语言模型 (LLM) 以及更广泛意义上的网络安全和网络威胁情报背景下的人工智能技术相关的专业主题。
通过垂直控制建筑供应链弹性
我们研究了两种类型的垂直控制类型的价值（垂直整合和直接源），以增加对随机原材料短缺的韧性。我们使用三层供应链模型，其中0级买家从1级供应商那里得出关键组件，该供应商从易于破坏的2级供应商那里采购原材料。随着垂直集成，买方购买了其1层供应商，控制其采购决策。通过直接采购，买方从第2层购买原材料，并卖给第1层。我们发现，当干扰的可能性中等时，垂直控制的形式最有价值，而垂直整合比直接采购更偏爱更严重的破坏。我们接下来考虑罚款合同（买方向供应商收取对供应商未能交付的每个单位的罚款）是否可以复制垂直控制的结果，并且发现虽然这是可能的，但可能的非交付罚款可能太高，对于供应商而言，供应商可能无法接受，尤其是在中断的范围中，即使是有价值的，也可能是罚款，即使是有价值的合同。最后，我们探讨了第1层中的多源源是否可以消除对垂直控制的需求，并发现虽然它可以减少对垂直控制的需求，但是当干扰风险中等时，垂直控制仍然是最佳的。一起，我们的结果表明，在特定情况下，垂直控制可能是公司用来减轻破坏风险的战略组合的宝贵补充。关键字：垂直集成，直接采购，供应链中断，降低风险
火灾自动目标识别模块开发...
抽象目标识别是军事事务的优先事项。有必要识别移动的对象，不同的地形和景观创造识别障碍，这使此任务变得复杂。作战动作可以在一天中的不同时间进行，因此必须考虑照明角度和一般照明。有必要通过分割视频帧并识别和对其进行分类来检测视频中的对象。在工作中，作者提出了通过人工智能使用在拟议的信息技术框架内开发目标识别模块作为消防系统的组成部分。Yolov8模式识别模型家族用于开发目标识别模块。数据是从开源来源收集的，特别是从YouTube平台上的开源源中发布的视频录像。数据预处理的主要任务是在视频或实时-APC，BMP和TAMP上对三类对象进行分类。数据集是基于标记工具以及随后的增强工具的Roboflow平台形成的。数据集由1193个唯一图像组成 - 每个类别均匀。使用Google Colab资源进行培训。采用100个时代来训练模型。根据MAP50（平均平均精度为0.85），MAP50-95（0.6），精度（0.89）和召回（0.75）指标进行分析。这将是下一步。也有必要扩大军事设备对象的分类。存在巨大的损失，因为在研究中未考虑背景 - 基于未经技术的背景的验证数据（图像）训练模块。
rlfold：在城市自动驾驶中的在线演示中学习的强化
从演示中学习（RLFD）的强化学习已成为一种有效的方法，它通过将专家演示融合到加强学习（RL）培训，利用模仿学习（IL）和RL的优势。但是，现有的算法依赖于离线演示，这可以引入示例和实际培训环境之间的分配差距，从而限制其性能。在本文中，我们提出了一种新颖的方法，并从在线演示中学习（RL- fold），该方法利用在线演示来解决这一限制，确保代理商从相关和最新的场景中学习，从而有效地弥合了分发差距。与典型行为者算法中使用的常规政策网络不同，Rlfold引入了一个策略网络，该策略网络输出两个标准偏差：一个用于探索，另一个用于IL培训。这种新颖的设计使代理可以适应RL和IL固有的不同水平。此外，我们引入了由在线专家指导的探索过程，并结合了基于不确定性的技术。我们对Carla Nocrash基准测试的实验证明了Rlfold的有效性和效率。没有明显的编码器和单摄像头设置，RLFOLD在此评估中也超过了最新方法。这些结果在有限的源源中实现，重点介绍了RLFOLD是现实世界应用的高度有希望的解决方案。
药品包装手册 - Pharma Info Nepal
药品包装是人们在考虑药品、医疗器械或医疗保健行业的其他部门时很少想到的一个话题。包装做得好可以提供保护、无菌和安全。医疗保健专业人员和患者几乎不会考虑这一点。包装做得不好通常意味着包装很难打开。这些看法以及大多数人对药品的理解中几乎看不见的包装科学的存在是本书的理念。药品，或者更确切地说是生物制药产品，以及发达国家的医疗保健是现代世界的奇迹。发展中国家和世界偏远地区的药品和医疗保健似乎就像魔术一样。曾经致命的疾病和摧毁生命的慢性病已逐渐被现代医学征服。在上个世纪的大部分时间里，用 X 射线无法想象人体的视图，现在可以通过新的成像技术看到人体的精细细节。我们已经开始期待源源不断的新技术来治愈或预防疾病和可能致命的病毒。我们理所当然地认为，新的、更好的诊断技术将提高我们理解和修复身体的能力。我们已经习惯了移植、血管成形术、用于打开堵塞动脉的支架、关节置换术和其他用于修复身体部位的装置。这些现代制药和医疗技术奇迹的包装和保护几乎与药物本身一样重要。没有包装，药品和医疗器械就永远不会离开工厂或实验室。包装为需要医疗保健的任何地方提供产品的密封、保护和安全运送，并使药品、疫苗和医疗器械在恶劣环境中的供应和使用成为可能。它
使用对话式人工智能的药物聊天机器人
对话式人工智能系统是只需与计算机对话即可与之交互的计算机。借助对话式人工智能，我们可以解决当今时代的一个重大挑战，即不遵守药物规定。患者很难按照规定的剂量、时间、频率和方向跟踪他们的药物。本文提出了一种虚拟助手，它使用对话式人工智能来提醒人们按时按正确的剂量服药。虚拟助手提供了源源不断的渠道来增强医疗保健基础设施。主要目标是帮助人们提高对推荐的健康和保健治疗的依从性。这对患有慢性疾病的人非常有益。关键词：对话式人工智能、药物依从性、聊天机器人、数字医疗。1. 引言尽管近三分之二的美国人有处方，但其中约有一半没有按处方服药。不按医嘱服药现在每年导致 125,000 人死亡，造成 3000 亿美元的不必要医疗费用。大多数人不知道，不按医嘱服药导致的死亡风险比死于凶杀的风险高出约 10 倍，对于 50 岁以上的人来说，风险高出约 30 倍。根据美国医学协会的说法，“如果患者服用了 80% 的处方药，则被视为遵医嘱服药。如果患者服用的处方药少于 80%，则被视为不遵医嘱服药。”根据约翰霍普金斯大学的一项研究，医疗事故是继心脏病和癌症之后的第三大死亡原因。以下是患者不按医嘱服药的一些原因。
研究解决方案
由联合立法审计和审查委员会解决，指示工作人员审查弗吉尼亚州数据中心行业以及州和地方政策对该行业的总体影响。在进行研究人员时，应（i）研究影响数据中心行业增长的因素的最新和预期趋势，并预测弗吉尼亚数据中心行业的未来增长，考虑到各种因素如何影响这些预测； （ii）评估数据中心行业对弗吉尼亚州自然资源以及历史和文化资源的影响，并确定可以减少其对这些资源影响的潜在技术； （iii）评估数据中心行业对弗吉尼亚州当前和预测的能源需求和供应的影响，包括数据中心如何影响未来的能源基础架构需求，客户类别支付的能源率以及成本分配方法是否确保没有单一的客户类别是否不合理地得到其他客户类别的资助，以及该州从化石富富式富富式源源过渡到可腐烂的能力; （iv）估计数据中心行业对本地收入的影响，并评估当地税收政策如何影响数据中心； （v）确定数据中心如何影响当地居民，包括诸如噪声污染，降低财产价值和不利视觉影响等问题； （vi）确定围绕数据中心的构建和选址的考虑因素，并查看分区和监管限制和要求如何影响数据中心的部署； （vii）确定指导和援助国家机构可以向地方政府提供有关数据中心位置和扩展的决定； （viii）评估更多地理位置多样化的数据中心行业的增长是否会为
shunit：未配对图像到...
我们为未配对的图像到图像（I2i）翻译提出了一种新颖的解决方案。要将带有各种对象的复杂图像转换为不同的域，最近的十种方法使用对象注释来执行每类源源到目标样式映射。但是，我们在i2i中仍有一个要利用的意义。每个类中的一个对象由多个组件组成，所有子对象组件都具有不同的特征。例如，汽车类中的汽车由汽车车身，轮胎，窗户，头部和尾灯等组成，应分别处理它们以进行现实的i2i换算。问题的最简单解决方案将是使用比简单对象注释使用更详细的注释带有子对象组件的注释，但这是不可能的。本文的关键思想是通过利用In-of图像的原始样式绕过子对象的注释，因为原始样式将包括有关子对象组件的特征的信息。具体来说，对于每个像素，我们不仅使用源和目标域之间的每类样式差距，还使用像素的原始样式来确定像素的目标样式。为此，我们为未配对的i2i翻译（Shunit）提供了风格的协调。我们的回流通过从类存储器和原始源图像样式检索的目标域样式来生成新样式。我们的目标是源和目标样式的协调，而不是直接源到-target样式映射。源代码可在线获得：https：//github.com/bluejangbaljang/shunit。我们通过广泛的实验来验证我们的方法，并在最新的基准集合中实现最先进的性能。
双重靶向治疗规避靶向治疗的非遗传耐药性
将各种靶向药物引入癌症治疗的武器库已彻底改变了癌症患者的标准护理。然而，像常规化疗一样，耐药性（耐药性或内在耐药性）或在治疗后发育（二次或获得性耐药性）仍然是所有靶向药物的致命弱点，无论均无例外，都可以通过遗传或非遗传机制。在后者中，新兴的证据支持以下观点：肿瘤细胞存活的细胞内信号传导途径通过广泛的交叉对话和反馈回路充当相互依存的网络。因此，多种信号通路的失调通常是促进肿瘤生成，肿瘤进展，侵袭，转移和耐药性，从而为响应靶向药物而非遗传抗性的所谓“旁路”机制提供了基础。在这种情况下，需要同时中断两个或多个相关的靶标或途径（一种被线性或平行抑制的方法（一种称为双目标治疗的方法，DTT），才能处理对靶向剂的这种形式的耐药性，这些耐药性能够有效地抑制一种单一的致癌蛋白或源自源性蛋白或源源不断的路径。在一起，虽然大多数类型的肿瘤细胞通常会沉迷于两个或多个靶标或途径，或者可以在它们之间切换其依赖性，但DTT靶向本质上激活或药物诱导的补偿靶标/途径/途径会有效地克服由非遗传事件引起的耐药性，而这些耐药的机会尤其是易于易于易于的易用的机会。在这篇评论文章中，我们从我们的经验中讨论了对靶向药物的非遗传耐药性的多种机制，以及对癌症治疗的理由，强调血液学恶性肿瘤。
对表面沉积物中微生物群落的宏基因组学和培养基分析，以及原始河中抗生素抗性基因的流行：
摘要：居住在河流地区沉积环境中的微生物群落是原始河流生态系统的关键指标。虽然已经建立了抗生素抗性与致病性与核心肠道细菌之间的相关性，但存在着一个很大的知识差距，即抗生素抗性基因（ARGS）与人类病原细菌（HPB）与河流中的特定微生物的相互作用，通常引用了“ terrestrial terestrial gut”。在自然栖息地内，了解微生物组成，包括细菌和居民遗传因素，例如ARGS，HPB，移动遗传因素（MGE）和毒力因子（VFS）（VFS），在全球变化的背景下是必须的。为了解决这一差距，在本研究中进行了一种基于富集的培养基互补培养物和宏基因组学，以表征微生物生物库，并提供初步的生态见解，以介绍兰坎河源流域中ARG的传播。根据我们的发现，在兰开河源盆地的主流中，有674种细菌菌株在厌氧条件下包括540个菌株，在有氧条件下有124个菌株，已成功地分离出来。其中，有98种被确定为已知物种，而4种是潜在的新物种。在这98种中，有30种与人类健康有关的HPB。此外，Baca和Bacitracin分别作为该河中最丰富的ARG和抗生素出现。此外，对ARGS的风险评估主要表明危害人类健康的风险等级（等级IV）。总而言之，基于富集的培养基学被证明可有效分离稀有和未知细菌，尤其是在厌氧条件下。ARG的出现显示与MGE的相关性有限，表明对兰开河源源盆地主流内人类健康的威胁很小。