XiaoMi-AI文件搜索系统
World File Search System用户数据
艺术作为虚拟现实中的疗法：范围的评论
此范围审查的重点是治疗干预措施，其中涉及虚拟现实中艺术品的创建。这项研究的目的是调查新媒体时代的艺术疗法和治疗性艺术的传统实践可能会采用的可能方向，重点是完全沉浸式虚拟现实。从在线数据库中收集论文后，使用主题分析提取并分析了随附论文的数据。结果表明，虚拟现实引入了艺术表达，自我完善以及心理治疗和神经康复的动机的新机会。可以在虚拟现实的许多方面找到虚拟现实中的艺术在治疗环境中具有很高的好处，例如其虚拟，可怕，诚信，远程掌握能力，受控环境，用户数据的效用以及对数字本地人的流行。然而，数字素养中的缺陷，当前虚拟现实设备的技术局限性，在虚拟环境中缺乏触觉，在维护技术中的困难，跨学科问题，跨学科问题以及包容性方面应受到治疗实践者，研究人员和软件开发人员的考虑。最后，报告的结果揭示了对未来实践的影响。
fao GM食品平台用户指南
摘要联合国食品和农业组织（FAO）维护“ FAO GM Foods平台”，可在http://fao.org/gm-platform/上找到，这是一种简单，易于访问的全球在线资源，可在遗传改造的食品安全评估（GM）工厂（GM）工厂提供的信息。本用户指南为平台的用户提供了简单的参考，以便他们可以根据相关的Codex Alimentarius指南有效地共享其GM食品安全评估数据。本用户指南旨在确保用户数据保持最新状态并提供全球利益，尤其是在较低级别的存在情况下。有四种类型的粮农组织食品平台用户：1）访问者，2）注册用户（焦点），3）内容管理员和4）IT经理。本用户指南特别针对注册用户，以便他们可以查看，上传和使用有关GM食品安全评估的相关数据。关键词食品安全，转基因的生物； GMO；通用食品； GM饲料；风险分析；风险评估；风险管理；风险交流；数据库;信息系统；贸易;低水平的存在；不定的存在；法典Alimentarius;刑事指南；监管框架
工程人工智能应用
“More Like This”推荐方法在多个领域中无处不在，其特点是推荐与用户当前选择的项目类似的项目，在用户数据稀缺时尤其重要。我们研究了在“More Like This”推荐中对移动应用程序使用语义相似性的影响，通过利用密集表示来推断应用程序之间的相似性（基于它们的文本字段）。由于没有针对此特定任务的基准测试，我们通过将其与移动应用程序商店 Aptoide 目前使用的解决方案进行比较来验证我们的方法。为了进一步评估所提出的模型，我们要求 1262 名用户比较两种方法所取得的结果，这也使我们能够构建类似应用程序的带注释数据集。结果表明，与 Aptoide 的当前解决方案相比，语义表示能够捕捉应用程序的上下文，并向用户呈现更有用的建议。为了复制和未来的研究，本研究中使用的所有代码和数据均已公开，包括两个新数据集（超过一百万用户的已安装应用程序和应用程序用户标记的相似性）、微调模型和测试平台。
![arXiv:2501.07927v1 [cs.LG] 2025 年 1 月 14 日](/simg/g:\will\search\icon\source\d\d9644cb0e3282e91ab0a0efdbf71e923c6565160.png)
arXiv:2501.07927v1 [cs.LG] 2025 年 1 月 14 日
目前对大型语言模型 (LLM) 应用程序中针对即时攻击的防御的评估通常忽略了两个关键因素：对抗行为的动态性质以及限制性防御对合法用户施加的可用性惩罚。我们提出了 D-SEC（动态安全效用威胁模型），该模型明确将攻击者与合法用户分开，对多步骤交互进行建模，并以可优化的形式严格表达安全效用。我们通过引入 Gandalf 进一步解决了现有评估中的不足之处，Gandalf 是一个众包、游戏化的红队平台，旨在生成逼真的自适应攻击数据集。使用 Gandalf，我们收集并发布了 279k 次即时攻击的数据集。结合良性用户数据，我们的分析揭示了安全性和实用性之间的相互作用，表明 LLM 中集成的防御措施（例如系统提示）即使不阻止请求也会降低可用性。我们证明，受限应用程序域、纵深防御和自适应防御是构建安全且有用的 LLM 应用程序的有效策略。代码可在 https://github.com/lakeraai/dsec-gandalf 获得。
HyperLeDger Fabric平台，用于自动驾驶汽车中的安全有效数据共享
摘要 - 无线通信中的投入，可以构成蜂窝和非事物网络，是赋予自动驾驶汽车（AV）以彻底改变运输方式。实现实时数据交换和与基础架构的无缝通信有望提供更安全，更有效的旅行的未来。但是，有效地管理AVS生成的广泛数据的重大挑战。此数据包括传感器读数，有关周围环境的信息以及潜在的用户数据。因此，解决与数据处理，各种利益相关者之间共享，隐私，诚信和安全性相关的问题至关重要。本文通过提出和评估基于区块链技术HyperLeDger Fabric建立的平台来应对数据共享挑战。该平台旨在促进与AVS有关的各方之间的安全和有效的数据共享。我们的初始测试表明，模拟用户的数量（虚拟用户数）和处理的数据量（数据负载）可能会对系统的性能产生负面影响。这突出了需要进一步优化，以确保平台可以有效地处理大规模数据共享。索引条款 - DATA共享，安全性，隐私，区块链，HyperLedger，自动驾驶汽车
QAD安全白皮书
●ISO 27001：根据ISO 27001标准进行了认证，该标准指定了建立，实施，维护和不断改进信息安全管理系统（ISMS）的要求。此认证表明了我们对管理和保护公司和客户信息的承诺。●ISO 20000：QAD已根据ISO 20000标准进行了认证，该标准指定了服务提供商计划，建立，实施，操作，监视，审查和改善服务管理系统的要求。●SOC 1 / SOC 2 II类：我们的SOC 2 II类报告证明了我们用于处理用户数据的系统的安全性，可用性和机密性。本年度审计对我们控件的运营有效性进行了深入的审查。●CSA Star：QAD参与云安全联盟（CSA）安全性，信任，保证和风险（Star）注册表强调了我们对云安全透明度的奉献精神。●TISAX（受信任的信息安全评估交换）：QAD在Tisax中维护了专门为汽车行业量身定制的认证，以确保制造商，供应商和服务提供商之间的安全和可信赖的数据交换。此证明适用于QAD供应商关系管理
推荐系统；算法和应用程序
在特定领域和环境中的建议可以被视为对建议目标产生重大影响的重要来源。基于行为和视图的不同类型的数据，例如内容数据，历史数据和用户数据，都用于微调推荐系统中的培训模型。同样，从工业角度来看，单个项目或产品建议也得到了增强以促进销售。推荐系统的目标是预测推荐产品，以便在特定领域和字段中提供个性化的结果。建议系统的上下文可以看作是确保影响建议目标的决定性分类。推荐系统通过使用潜在的预测技术来产生最多的准确性建议，通过大量和广泛的数据（例如时间，空间和社交）进行搜索。从行业的角度来看，服务提供商和产品用户都从改进的决策过程和准确的建议技术中受益。有多种可靠的推荐系统，包括基于信任的推荐系统，实时个性化推荐系统以及高准确性以及多样性平衡的推荐系统。这些已在越来越多的领域中使用，包括信息技术，旅游业，
医学推荐系统
人工智能工程系GH RAISONI工程与管理学院，印度那格浦尔，摘要：医疗保健的复杂性日益增加和可用药物的日益增长的数量，需要开发有效的医学建议系统，以帮助医疗保健提供者和患者做出明智的决定。本文介绍了旨在改善药物选择和依从性的基于Web的药物建议系统的设计和实施。该系统利用高级机器学习算法（例如协作过滤和基于内容的过滤）来根据用户资料，病史和特定的健康状况提供个性化的医学建议。该系统的体系结构包括使用React.js开发的用户友好的前端，该前端允许无缝互动和建议的可视化。后端由烧瓶提供动力，促进了用户请求，数据库交互和机器学习模型部署的处理。使用PostgreSQL数据库可安全地存储用户数据，药物详细信息和历史互动，确保数据完整性和安全关键关键词：医疗建议系统，机器学习，医疗保健，个性化治疗，AI医学中的AI，临床决策支持
医疗保健系统的说服性人工智能技术
智能手机和手表不仅有助于收集用户数据（可穿戴设备可以在用户环境中检测传感器数据），还能帮助用户实现个人健康目标。例如，它们可以向用户传达与健康相关的信息（例如，移动通知）。因此，说服技术可以情境化：它们可以在通知被关注且不会被忽略的可能性更高的环境中发布。这是朝着广泛可用的医疗决策支持系统迈出的一步，通过多模式界面提供健康干预。我们试图通过说服的方法是引导人们朝着某些方向发展：全神贯注并掌握完整的信息以实现自我控制，例如，通过智能手机通知、增强现实眼镜或机器人伴侣。这种方法假设用户的选择不会被阻止、隔离或增加负担。两种不同的选择架构方法是相关的：第一种是由 Thaler 和 Sunstein 2009 提出的，其关键主张是，真实的人会系统地犯错误，人们经常会犯错误，而这些错误是普遍存在的偏见、启发式和谬误的结果。例如，当人们根据一个例子被想起的难易程度来预测事件发生的频率时；或者当人们很可能继续采取一种行动，因为它是传统上所追求的行动，即使这种行动可能显然
结合人工智能和边缘计算重塑远程教育（案例研究：K-12 学习者）
摘要。如今，远程学习的使用正在增加，尤其是在最近的 Covid-19 大流行之后。为了改进电子学习并最大限度地提高其有效性，人工智能 (AI) 用于分析存储在中央存储库（例如云）中的学习数据。但是，这种方法提供的反馈存在时间滞后，可能导致侵犯用户隐私。为了克服这些挑战，一种新的分布式计算范式正在出现，称为边缘计算 (EC)，它将计算和数据存储更接近需要它们的地方。结合 AI 功能，它可以通过对学习者进行实时评估来重塑在线教育，以提高他们的表现，同时保护他们的隐私。这种方法正在导致 EC 和 AI 的融合，并促进边缘 AI 的发展。然而，主要的挑战是在内存容量有限的设备上保持数据分析的质量，同时在本地保存用户数据。在本文中，我们提出了一种基于 Edge-AI 的远程教育方法，该方法为边缘 AI 单元和联合机器学习模型提供了通用的操作架构，以实时预测学生的失败情况。提出了一个 K-12 学习者采用 100% 在线教育的真实场景来支持所提出的方法。