XiaoMi-AI文件搜索系统
World File Search System相似性
不断发展的业务发展和最新的人工智能 (AI) 使不同的业务实践通过创建新协作方式的能力得到增强。这种不断发展的技术有助于提供品牌服务，甚至提供一些与客户和员工的新类型的企业互动。人工智能数字化同时强调企业专注于现有战略，并定期和尽早寻求新的市场机会。而业务创新框架内的数字技术研究正引起人们的越来越大的兴趣，并且可以通过区块链技术维护数据的隐私。因此，本文提出了基于人工智能和区块链技术的业务创新 (BI-AIBT)，以增强业务实践并保持不同客户之间的安全交互。定性经验数据的收集由来自两个不同业务部门的少数主要受访者组成。通过开展和探索数字化对价值开发、提案和业务获取的影响之间的差异和相似性，对 BI-AIBT 进行了评估。此外，组织能力和员工技能互动问题可以通过 BT 得到改善。实验结果表明，数字化转型通常被视为必不可少的，并能改善业务创新战略。提出的数值结果 BI-AIBT 提高了需求预测率 (97.1%)、产品质量率 (
不断发展的业务发展和最新的人工智能 (AI) 使不同的业务实践通过创建新的协作方式的能力得到增强。这种不断发展的技术有助于提供品牌服务，甚至提供一些与客户和员工的新类型的企业互动。AI 数字化同时强调企业专注于现有战略，并定期和尽早寻求新的市场机会。而业务创新框架内的数字技术研究正引起越来越多的关注，并且数据隐私可以通过区块链技术来维护。因此，本文提出了基于人工智能和区块链技术 (BI-AIBT) 的业务创新，以增强业务实践并保持不同客户之间的安全交互。定性经验数据的收集由来自两个不同业务部门的少数主要受访者组成。通过开展和探索数字化对价值开发、提案和业务获取的影响之间的差异和相似性，对 BI-AIBT 进行了评估。此外，组织能力和员工技能互动问题可以通过 BT 得到改善。实验结果表明，数字化转型通常被视为必不可少的，并能改善业务创新战略。提出的数值结果 BI-AIBT 提高了需求预测率（97.1%）、产品质量率（98.3%）、业务发展率（98.9%）、客户行为分析率（96.3%）和客户满意度率（97.2%）。
新诊断多发性骨髓瘤患者相似性网络可识别患者
多发性骨髓瘤显著的遗传异质性对患者的正确预后和临床管理提出了重大挑战。在这里，我们介绍了 MM-PSN，这是第一个多组学骨髓瘤患者相似性网络。MM-PSN 能够准确剖析疾病的遗传和分子图谱，并确定了 12 个不同的亚组，这些亚组由 655 名患者的基因组和转录组分析生成的五种数据类型定义。MM-PSN 确定了以前未描述的患者亚组，这些亚组由特定的改变模式定义，富含特定的基因脆弱性，并与潜在的治疗方案相关。我们的分析表明，与 t(4;14) 作为单一病变相比，t(4;14) 和 1q 增益同时出现可确定患者的复发风险明显更高且生存期更短。此外，我们的结果表明，1q 增益是最重要的单一病变，具有高复发风险，并且可以改进当前的国际分期系统 (ISS 和 R-ISS)。
对话角色对语音人工智能和人类对话者语音对齐的影响 标题：角色和对话者影响对齐 Georgia Zellou、Michelle Cohn 和 Tyler Kline 语音实验室，加州大学戴维斯分校语言学系 469 Kerr Hall，One Shields Ave.，戴维斯，CA 95616，美国 通讯作者电子邮件：gzellou@ucdavis.edu 摘要 两项研究调查了对话角色对人类和语音人工智能对话者语音模仿的影响。在单词列表任务中，给予者指示接收者将单词放在两个列表中的哪一个上；这个对话任务类似于用户与语音人工智能系统进行的简单口头交互。在地图任务中，参与者与对话者一起完成填空工作表，这是一项更复杂的交互任务。参与者与两个对话者一起完成了两次任务，一次作为信息提供者，一次作为信息接收者。语音对齐通过相似性评级进行评估，使用混合效应逻辑回归进行分析。在单词列表任务中，参与者在更大程度上仅向人类对话者靠拢。在地图任务中，仅作为给予者的参与者更多地向人类对话者靠拢。结果表明，语音对齐由对话者的类型介导，并且对话角色的影响因任务和对话者而异。关键词：语音对齐、语音-AI、人机交互、对话
对话角色对语音 AI 和人类对话者语音对齐的影响 标题：角色和对话者影响对齐 Georgia Zellou、Michelle Cohn 和 Tyler Kline 语音实验室，加利福尼亚大学戴维斯分校语言学系 469 Kerr Hall，One Shields Ave.，戴维斯，CA 95616，美国 通讯作者电子邮件：gzellou@ucdavis.edu 摘要 两项研究调查了对话角色对人类和语音 AI 对话者语音模仿的影响。在单词列表任务中，给予者指示接收者将单词放在两个列表中的哪一个上；这个对话任务类似于用户与语音 AI 系统进行的简单口头交互。在地图任务中，参与者与对话者一起完成填空工作表，这是一项更复杂的交互任务。参与者与两个对话者完成了两次任务，一次作为信息提供者，一次作为信息接收者。通过相似性评级评估语音对齐，并使用混合效应逻辑回归进行分析。在单词列表任务中，参与者在更大程度上仅与人类对话者保持一致。在地图任务中，仅作为给予者的参与者更多地与人类对话者保持一致。结果表明，语音对齐由对话者的类型介导，并且对话角色的影响因任务和对话者而异。关键词：语音对齐、语音-AI、人机交互、对话角色
与相似性评估相关的问题和答案......
声称生物特性和/或生物活性的差异对产品的预期治疗效果和/或安全属性具有重要意义和相关性，应基于合理的科学依据，例如基于科学文献或可用的体外数据/体内（非）临床数据。可以使用临床数据（如果有），但不需要生成临床数据。需要强调的是，评估两种活性物质之间的相似性并不意味着证明新产品比之前授权的产品更安全、更有效或在临床上更优越，如法规 (EC) No 141/2000 第 8(3)(c) 条所规定。
基于多个相似性度量融合>的合成致命相互作用预测
摘要综合致死性（SL）关系会产生，而两个基因中的遗传结合导致细胞死亡，而两种基因中的任何一个都没有缺乏效率。突变肿瘤细胞的存活取决于突变基因的SL伴侣，从而通过抑制致癌基因的SL伴侣而被选择性地杀死癌细胞，但正常细胞不能杀死。因此，迫切需要开发更有效的SL对鉴定的癌症靶向治疗的计算方法。在本文中，我们提出了一种基于相似性融合的新方法，以预测SL对。多种类型的基因相似性度量是整合的，并应用了k -neart最初的邻居算法（K -NN），以实现基因对之间基于相似性的分类任务。作为一种基于相似性的方法，我们的方法在多个实验中表现出了出色的性能。除了我们方法的效果外，易用性和可扩展性也可以使我们的方法在实践中更广泛地使用。
基于化学相似性的毒性目标探测器
确定化学物质与毒性靶标相互作用的能力，例如不良结局途径中的蛋白质，是药物发现和风险评估的重要步骤。筛选化学毒性目标相互作用的计算方法可以作为传统体外 /体内方法的快速替代方法。在这项工作中，我们开发了一种基于化学相似的方案，该方案可以预测化学物质与64个已建立的毒性靶标相互作用的潜力。特别是，我们从公共数据源创建了一个化学基因组学数据库，以识别目标代表，即已知与所选靶标相互作用的化学物质。我们使用Chembl数据库的外部评估集在正确排名的已知相互作用化合物中评估了2D和3D相似性方法的性能。我们发现2D方法在目标预测中的表现优于3D方法。在这里，我们使用基于2D相似性的筛选方法开发了一种公开可用的毒性profiler网站（https://toxpro.bhsai.org/），该方法允许用户为一组查询化合物获得毒性目标配置文件。我们将探测器用于屏幕649已知的急性和剧毒化学物质，全球统一系统（GHS）得分小于2。在此组中，乙酰胆碱酯酶是毒性的最常见目标。开发的毒性特性工具提供了一种快速筛选化学毒性的机制的方法。
研究文章对航空航天测试应用的SRS相似性的定量评估
冲击响应频谱（SRS）和目标冲击规范之间的相似性对于评估空间成分的合格检验的成功至关重要。资格测试设施通常利用冲击响应数据库进行快速测试。在特殊情况下，两种冲击（SR）的比较取决于视觉评估，这充其量是主观的。tis论文比较了评估冲击响应相似性的五种不同的定量方法。工作旨在找到最适合从Pyroshock数据库检索SRS的度量。五种方法是SRS的差异，平均加速度差异，平均SRS比率，无量纲SRS系数和均为平方的拟合方法。没有一个相似性指标可以说明目标SRS和数据库SRS之间偏差的迹象，从而使满足良好冲击测试的标准具有挑战性。我们提出了一个指标（加权距离），用于从这项工作中的冲击数据库中检索最相似的SRS SRS。加权距离的表现优于数据库SRS检索中的均方根优点和其他指标，以进行快速质量测试。
选择Bert的大脑：使用代表性相似性分析
顾名思义，语言的上下文表示语言表示通常是由于其编码上下文的能力而动机。这些表示形式捕获了上下文的哪些方面？我们采用了一种使用代表性相似性分析（RSA）来解决这个问题的方法。作为案例研究，我们研究了动词嵌入动词的主题的程度，代词嵌入的代词编码代词的前提，并且一个全句子表示编码句子的头部单词（由依赖性parse确定）。在所有情况下，我们都表明，伯特的上下文化嵌入反映了所研究的语言依赖性，而伯特的依赖性比编码语言较低的偏见对照的程度更大。这些结果证明了我们的方法在假设之间裁定上下文的哪个方面在语言表示中编码的能力。
学习数值模拟的相似性度量
我们提出了一种基于神经网络的方法，该方法可计算一个稳定且通用的度量（LSiM）来比较来自各种数值模拟源的数据。我们专注于标量时间相关的二维数据，这些数据通常来自基于运动和传输的偏微分方程（PDE）。我们的方法采用了一种由度量的数学性质驱动的孪生网络架构。我们利用带有 PDE 求解器的可控数据生成设置，在受控环境中从参考模拟中创建越来越不同的输出。我们学习到的度量的一个核心组成部分是一个专门的损失函数，它将关于单个数据样本之间相关性的知识引入训练过程。为了证明所提出的方法优于现有的向量空间度量和其他基于图像的学习到的度量，我们在大量测试数据上评估了不同的方法。此外，我们分析了可调节训练数据难度的泛化优势，并通过对三个真实数据集的评估证明了 LSiM 的稳健性。
