XiaoMi-AI文件搜索系统
World File Search System相互依赖
人工智能在新冠肺炎疫情期间重塑医疗保健：以诊断和预后为背景的综述
摘要：预防呼吸衰竭对于感染 SARS-CoV-2 病毒性肺炎（称为新型冠状病毒肺炎 (NCP)）的大部分 COVID-19 患者至关重要。快速诊断和检测高危患者以进行有效干预已被证明是困难的。使用大型计算机断层扫描 (CT) 数据库，我们开发了一个人工智能 (AI) 参数来诊断 NCP 并将其与其他类型的肺炎和传统对照区分开来。对来自 Scopus、Nature medicine、IEEE、Google scholar、Wiley Library 和 PubMed 等各种资源的文献进行了研究和分析。使用的搜索词是“COVID-19”、“AI”、“诊断”和“预后”。为了加强 AI 在 COVID-19 诊断和预后中的整体表现，我们分离了几个组成部分来感知威胁和机遇，以及它们影响医疗保健部门的相互依赖关系。本文旨在找出印度背景下医疗保健行业中 AI 的关键因素。通过批判性文献综述和专家意见，我们共发现了 11 个影响 COVID-19 诊断和预后的因素，并最终使用解释结构模型 (ISM) 构建了已识别因素之间的相互关系框架。最后，交叉乘法应用和分类影响矩阵 (MICMAC) 分析得出了这些已识别因素的驱动力和依赖力。我们的分析将帮助医疗保健利益相关者认识到成功实施 AI 的要求。
模糊加权影响非线性测量系统在 NASA 先进技术评估中的应用
由于评估标准多重且相互交织，而且未经证实的新技术本身具有不确定性，因此很难评估 NASA 的先进技术项目。传统的多标准决策模型往往忽略了评估过程中的相互依赖性和不确定性。我们提出了一种模糊加权影响非线性量规系统 (WINGS) 来评估肯尼迪航天中心 (KSC) 的先进技术项目。WINGS 方法使用表意因果图来揭示复杂问题中相互交织的标准及其因果关系。模糊集理论是一种有效的方法，它使用模糊逻辑来模拟定义不明确的问题中的不确定性。本研究提出的模糊 WINGS 方法通过识别依赖关系 (影响) 的方向及其强度以及评估标准的强度来揭示评估标准之间的相互依赖关系。模糊判断用于应对未经测试的新技术中的不确定性。传统的 WINGS 方法不考虑解空间中的参考点。为此，我们引入了理想解和最低点解的概念，这是 WINGS 的新概念，根据备选方案与理想解（或最低点解）之间的欧几里得距离对备选方案进行排序。最后，我们提出了一个案例研究，根据六个相互交织的标准和 38 个子标准对 KSC 的十个先进技术项目进行评估，以证明本研究提出的新模糊 WINGS 方法的适用性。
一个支持AI的政府的综合框架
随着人工智能改变公共部门的运营，政府努力将技术创新整合到连贯的系统中，以进行有效的服务提供。本文介绍了算法状态体系结构（ASA），这是一个新颖的四层框架，概念化了数字公共基础架构，数据 - 实体，算法，政府/治理的方式以及GovTech在AI-na-abled州中作为一个集成系统的相互作用。与将这些的方法视为平行发展不同，ASA将它们定位为具有特定启示关系和反馈机制的相互依赖层。通过对爱沙尼亚，新加坡，印度和英国实施的比较分析，我们演示了基础数字基础架构如何实现系统数据收集，从而为算法决策过程提供动力，最终在面向用户的服务中表现出来。我们的分析表明，成功的实施需要在所有层次上平衡发展，特别关注它们之间的集成机制。该框架通过弥合数字政府研究的先前断开的领域，确定影响实施成功的关键依赖性，并提供一种结构化方法来分析支持AI-ai-ai-abable政府系统的成熟度和发展途径。关键字：算法状态体系结构（ASA），数字公共基础设施（DPI），政策数据（DFP），算法政府 /治理（AG），Govtech，AI-NI-Spair Mappend Goildment，公共部门转型< / div> < / div>
陆军医疗现代化战略
为了在 2035 年之前实现这一最终状态，AHS 将对我们的支持方式、支持内容和我们的身份进行现代化改造。这种方法与 AMS 和以人为本战略相契合，整合了陆军和联合部队以及美国盟友和合作伙伴的招募、理论、组织、培训、物资、领导者发展和教育、人员、设施和政策 (DOTMLPF-P) 等要素。我们的支持方式以新编队为中心，是理论、组织和训练的领域，将使陆军在可能快速积累伤亡的环境中保持高生存率。我们的支持以新功能为中心，以物资开发、设备现代化和采购为特点，以陆军将医疗融入跨职能团队、陆军物资现代化优先事项以及正在进行的项目融合 - 陆军对联合全域指挥和控制 (CJADC2) 的贡献为指导。这些新功能还必须允许在退化或有限的网络/网络空间环境中继续作战。我们以我们的人员为中心，包括我们的领导者发展、教育、招聘、留任和 21 世纪人才管理，以提供 AHS 中的关键武器系统和差异化因素 - 我们的人员。我们的医疗部门相互依赖，需要对全球部队态势、设施、治理和政策进行相应的更新，以确保陆军的现代化工作与联合部队的其他部分保持同步。随着 AHS 期待
后新冠疫情时代人道主义供应链数字化综合框架
数字供应链 (DSC) 正在改变各个领域的行业。数字化可以改善协调、提高数据收集和保留能力、增强筹资机制并提高运营绩效和资源利用率。然而，资金不足、运营复杂性、基础设施问题等限制了 DSC 的采用。因此，需要探索人道主义供应链 (HSC) 的数字化并提供可以简化 DSC 采用的解决方案。在本研究中，创建了一个框架以促进后 COVID-19 时代 HSC 的数字化进程。确定了 19 个相关驱动因素，它们有可能使 HSC 数字化。这些驱动因素是从以前的文献中确定的，并在 HSC 利益相关者的协助下最终确定。进行主成分分析以从确定的驱动因素列表中发现最相关的驱动因素。采用 Kappa 分析来完善数字化驱动因素的优先级图。此外，采用中智 DEMATEL 方法对潜在驱动因素进行优先排序，并发现它们之间的相互依赖关系。研究结果表明，最具影响力的驱动因素属于运营和技术类别。然而，社会驱动因素有可能在 HSC 数字化方面发挥重要作用。此外，该研究还提出了利用新兴技术加强资金收集和数据管理的策略。这些策略可以帮助 HSC 决策者制定相关政策和战略干预措施。
图像建模技术在医学影像诊断中的应用探讨
计算机图形学领域在硬件和软件方面都取得了显著的进步，并取得了快速的发展。图像建模技术的运用是影响模拟环境真实性和沉浸感的一个重要方面。能否成功创建逼真而迷人的图像建模环境，很大程度上取决于这项技术的有效实施。鉴于此，本文彻底研究了计算机图形学和图像建模技术的基本概念。此外，本文深入分析了图像建模技术在计算机图形学领域的集成，并探索了其运作背后隐藏的算法。计算机图形系统的不断发展，包括硬件和软件的进步，推动了该领域的快速发展。在影响模拟环境可信度和参与度的各种因素中，图像建模技术的运用是一个关键因素。本研究论文致力于全面研究计算机图形学的基本原理和图像建模技术的复杂工作原理。本研究通过对计算机图形学和图像建模的概念框架进行剖析，揭示了二者之间的相互作用和相互依赖关系，并揭示了计算机图形学中图像建模技术运行背后的隐藏算法，从而为理解图像建模技术的内部工作原理提供了有益的见解。关键词：图像建模技术、计算机图形学、隐藏算法
北欧复原力：加强供应安全和危机防范方面的合作
本报告是北欧部长理事会资助的研究项目的主要成果，该项目名为“管理北欧的竞争性相互依赖：混乱时代的北欧供应安全 (NOSAD)”。研究团队位于芬兰国际事务研究所，由 Mikael Wigell 领导。研究团队特别感谢参考小组在整个项目中的积极和建设性参与。参考小组包括 Esben Mulvad Tomsen（丹麦关键供应机构）、Louisa Hjort Poulsen（丹麦关键供应机构）、Ask Paul Lomholt Kemp（丹麦应急管理局）、Henrik Juhl Madsen（丹麦商业管理局）、Andras Marr Poulsen（法罗群岛渔业部）、Wivi-Ann Wagello-Sjölund（芬兰内政部）、Tiia Lohela（芬兰国家应急供应局）、Henri Backman（芬兰经济事务和就业部）、Margrét Halldóra Hallgrímsdóttir（冰岛司法部）、Lisbeth Muhr（挪威贸易、工业和渔业部）、May-Kristin Ensrud（挪威司法和公共安全部）、Malin Wester（瑞典民事应急机构）、Selma Ilijazovic （瑞典民事应急机构）、Jörgen Gyllenblad（瑞典卫生和社会事务部）、Camilla Palmqvist-Hägglund（奥兰政府，奥兰群岛）。我们还要衷心感谢在
EasyChair 预印本使用机器学习进行飞机事故预测...
空中交通系统变得多层次、多维、高度分散、相互依赖，其复杂程度在几十年前是难以想象的。这就是为什么在如此复杂的环境中保持高水平的安全性比以前更具挑战性 [1]。民航是一个复杂的混合体，由许多不同但相互关联的人为、技术、环境和组织因素组成，这些因素影响系统的安全性和性能。在商业航空的早期，飞机事故数量众多是一个特点。所有安全流程的重点是事故预防，但在航空时代初期，飞机事故调查是预防的主要工具。如今，人们采用了主动的安全方法。这意味着利益相关者应该收集数据，以预测不仅实际和当前的安全风险，而且还要预测即将发生的安全风险。在这种情况下，必须改进安全分析以预测未来的安全风险和安全性能。设计和广泛使用识别和预测不良安全事件的技术和方法至关重要。当今是数据丰富和技术繁荣的时代，这为人工智能和机器学习进入我们现实的每一个角落打开了一扇大门。在这项工作中，我们提出了一种用于飞机事故预测的机器学习算法。主要思想是支持主动安全方法。该技术可以在 SAR（搜索和救援）任务中作为空难严重程度预测工具发挥作用，以优化 SAR 行动中的资源投入。机器学习是一种非常强大的技术，它可以使用数据来训练算法并赋予计算机系统“学习”的能力（即逐步
基于模型的电力系统转型场景回顾
政策制定者目前面临的挑战是支持合适的技术组合以实现电力系统脱碳。由于技术和部门多种且相互依赖，以及降低成本和减少排放等目标相互对立，能源系统模型被用于制定实现脱碳电力系统的最佳过渡路径。近年来，该领域的研究有所增加，多项研究使用能源系统建模 (ESM) 来阐明国家电力系统的可能过渡路径。然而，在许多情况下，大量基于模型的研究使政策制定者难以驾驭研究结果并将不同的路径浓缩为一个连贯的图景。我们对瑞士、德国、法国和意大利的 ESM 出版物进行了深入审查，并分析了有关发电组合的主要趋势、关键供应和存储技术趋势以及需求发展的作用。我们的研究结果表明，关于 2030 年和 2050 年的技术组合提出了不同的解决方案，并非所有解决方案都符合当前的气候目标。此外，我们的分析表明，天然气、太阳能和风能将继续成为电力系统转型的关键参与者，而储能的作用仍不明确，需要更明确的政策支持。我们得出的结论是，由于每个国家的目标和当前的能源格局不同，不同的选择似乎成为突出的转型途径，这意味着每种情况都需要制定单独的政策。尽管如此，国际合作对于确保到 2050 年电力系统迅速转型至关重要。
人工智能生态系统的进化动力学
摘要。我们分析了共同参与人工智能 (AI) 的企业和机构的部门和国家系统。除了将 AI 作为通用技术或其特定应用领域的分析之外，我们还借鉴了部门系统的进化分析，并询问“谁在做什么？”在 AI 中。我们提供连接 AI 开发者、制造商和用户的复杂相互依赖模式的细粒度视图。我们区分了 AI 支持、AI 生产和 AI 消费，并分析了企业和社区之间新兴的共同专业化模式。我们发现，人工智能的供应以少数几家大型科技公司为主导，这些公司对人工智能的下游应用（例如搜索、支付、社交媒体）支撑了人工智能最近的大部分进展，同时也提供了必要的上游计算能力（云和边缘）。这些公司在人工智能研究领域主导着顶尖学术机构，进一步巩固了它们的地位。我们发现，只有少数能够数字化和获取高质量数据的公司采用了人工智能，并从中受益。我们考虑了人工智能行业在三个主要地区（中国、美国和欧盟）的不同发展情况，并注意到少数公司正在构建全球人工智能生态系统。我们的贡献是以人工智能为例展示进化思维的演变：我们展示了从国家/部门系统到三螺旋/创新生态系统和数字平台的转变。我们得出了如此广泛的进化理论对理论和实践的影响。