XiaoMi-AI文件搜索系统
World File Search System评估模型
评估模型中的算法偏见，以预测菲律宾学生的学习成绩
摘要算法偏见是教育环境中机器学习模型中的主要问题。但是，它尚未在亚洲学习环境中进行彻底研究，并且只有有限的工作才考虑了基于区域（亚国家）背景的算法偏见。作为解决这一差距的一步，本文研究了菲律宾一所大型大学的5,986名学生的人口，并根据学生的区域背景调查了算法偏见。大学在广泛领域的在线课程中使用了画布学习管理系统（LMS）。在三个学期的典范上，我们收集了4870万个学生在画布中活动的日志记录。我们使用这些日志来训练从LMS活动中预测学生成绩的二进制分类模型。表现最佳的模型达到0.75，加权F1得分为0.79。随后，我们根据学生区域检查了偏见的数据。使用三个指标进行评估：AUC，加权F1得分和MADD在所有人口组中均显示出一致的结果。因此，在年级预测中对特定学生群体没有观察到不公平。
评估模型中的算法偏见，以预测菲律宾学生的学习成绩
摘要算法偏见是教育环境中机器学习模型中的主要问题。但是，它尚未在亚洲学习环境中进行彻底研究，并且只有有限的工作才考虑了基于区域（亚国家）背景的算法偏见。作为解决这一差距的一步，本文研究了菲律宾一所大型大学的5,986名学生的人口，并根据学生的区域背景调查了算法偏见。大学在广泛领域的在线课程中使用了画布学习管理系统（LMS）。在三个学期的典范上，我们收集了4870万个学生在画布中活动的日志记录。我们使用这些日志来训练从LMS活动中预测学生成绩的二进制分类模型。表现最佳的模型达到0.75，加权F1得分为0.79。随后，我们根据学生区域检查了偏见的数据。使用三个指标进行评估：AUC，加权F1得分和MADD在所有人口组中均显示出一致的结果。因此，在年级预测中对特定学生群体没有观察到不公平。
基于人工智能的早期腹腔镜胆囊切除术手术难度评估模型
摘要 腹腔镜胆囊切除术 (LC) 是胆结石患者的标准外科治疗方法，从有症状的胆结石到严重的胆囊炎。由于 LC 期间手术所见差异很大，客观评估手术难度非常重要。这对于进一步开发和在 LC 手术中使用未来的人工智能算法至关重要，因为它可以让外科医生之间进行更可靠的基准测试，并有助于手术室规划。在本研究中，训练了深度学习模型来评估手术第一阶段的难度水平。包括在 Meander 医疗中心录制的 93 个 LC 视频。使用改良的 Nassar 量表来注释胆囊难度（1-3 级）和粘连存在（1-3 级）。各种模型都针对不同的标签组合进行了训练；二元和多标签。在多标签测试集上，最佳模型对胆囊和粘连的分类准确率分别达到 66% 和 40%。最佳二元模型将胆囊难度分为 3 级和 1、2 级，准确率为 88%，将 1 级和 2、3 级的准确率为 82%。这项工作展示了基于早期内窥镜视频的手术场景难度理解的潜力。
混合电动汽车能源管理系统的基于学习的最先进的收费评估模型
收到：2022年12月13日修订：2023年1月14日接受：2023年1月21日发布：2023年1月29日摘要 - 促进电动汽车使用（EVS）是鼓励碳公正性和侵犯环境问题的实用方法。政府法规和用户体验与电动电池电池和电池管理改进直接相关。替代发动机技术在近年来解决传统汽车问题方面变得越来越重要。为了使运输行业脱碳，电动汽车是实用的解决方案。从传统的房屋以及从传统的转变为EV或HEV车辆也至关重要。电动汽车最重要的部分之一是电池。在满足更大的容量和高功率需求时，必须提供电池组（由许多电池组成）。这些大型电池组容易被充电和排放时过热，这可能会导致很多问题。因此，必须采用电池管理系统。它可以优化电池组，以便更有效，安全地发挥作用。本文的主要目标是模拟电池管理系统（BMS）模型，并检查电池管理系统参数估计的几种方法。它还为BMS最有效，最经济的实施策略提供了建议。有效的电池管理系统（BMS），主要用于信号电池电量水平，仍然是众多HEV技术（SOC）的关键组成部分。由于过度充电和放电总是会损坏电池，因此BMS必须提供准确的SOC估计。尽管有几种SOC预测策略可以控制电池电池SOC，但HEV需要提高SOC估计能力。从这个角度来看，用安全能源管理技术的Soc估算模型的建造独特的深度学习模型是本文的主要重点。所提出的模型使用具有长度短期内存（HCL）模型的混合卷积神经网络来精确估计SOC。HCl模型用于促进建模，并提供了电池模型的输入和输出关联的准确表示。一项详细的实验研究表明，所提出的模型在几种方面都优于其他当前方法。
弥合知识经济需求与教育系统成果之间的差距：评估模型
向知识经济的过渡，基于智力能力和无形资产的经济可以使国家的经济多样化（Schwalje，2013年），并增加其在全球财富中的份额（Lange等，2018）。该报告是由区域教育计划中心（RCEP）委托海湾合作委员会（GCC）地区的需求，以跟踪和支持持续过渡到知识经济体的努力。与全球趋势一致，海湾合作委员会各州增加了专门针对知识经济增长的教育领域的倡议，以作为中长期政策作为发展议程。为了制定有效的政策，许多组织和政府使用区域和国际指数和模型来跟踪国家的知识绩效。这些经常采用跨部门“支柱”或组成部分来评估能够形成和扩展知识经济体的领域。
科技赋能下的供应链金融计算机化风险评估模型构建及应用
本研究旨在帮助中小企业摆脱传统融资模式的束缚，降低供应链金融风险。首先分析了供应链金融业务模式及信用风险，随后探讨了区块链在供应链金融信用风险管控中的应用原理，接下来探讨了解放个体、将金融科技应用于供应链金融风险管理。在计算机化风险评估模型开发的最后阶段，对模糊支持向量机（FSVM）进行了优化，并通过引入可变惩罚因子C来提高风险分类的有效性和效率。为检验C-FSVM风险评估模型的有效性，以中国汽车行业为研究对象。研究结果显示，C-FSVM模型对整个样本的分类准确率为96.35%，对信誉良好的企业分类准确率为96.45%，对违约企业的分类准确率为95.34%。 C-FSVM模型的训练时间为473.9s，远低于SVM和FSVM模型的训练时间1631.6s和1870.2s。综上所述，C-FSVM供应链财务风险评估模型是有效的，在银行实际中具有较大的应用价值。
使用深度学习的胸部X射线图像可变诊断的定量评估模型
这项研究的目的是证明使用深度学习模型在定量评估临床发现中通常会根据常规方案使用二进制测试结果进行二进制测试结果。胸部X射线是用于检测多种疾病的最常用的诊断工具，通常是定期检查的一部分。然而，当涉及可以限制为正常范围内但不被视为与疾病有关的发现时，医师发现的阈值可能会有所不同，因此有必要定义一种新的评估方法并量化它。这种方法的实施在时间和劳动方面都是困难而昂贵的。在这项研究中，总共使用83,005张胸部X射线图像来诊断胸膜增厚和脊柱侧弯的常见发现。一种新颖的方法，用于评估医生判断图像以使这些发现的可能性的概率。所提出的方法成功地使用了仅在二进制注释数据上训练的深度学习模型，成功地量化了Physicians的发现的变化。还证明，使用卷积神经网络进行一般图像分析以及基于矢量量化变异自动编码器的新知识的深度学习模型，可以将开发的方法应用于转移学习，其高相关性高0.89至0.97。
基于空间强度的古代军事防御效率的定量评估模型 - 明朝的智人作为一个例子
然后，确定计算区域的范围。采用千卫式防御的区域大小用于验证Zhejiang Sea Defense System宏观布局的合理性。根据日本海盗入侵点的坐标，在明朝的jiajing时期，在明朝的jiajing时期，使用Arcgis进行了入侵点和海岸线的空间位置之间的接近性分析，使用Arcgis进行了海岸线，以及在入侵点和海岸之间的最接近距离，在62个确定的Spatial Spatial Spatial Spatial Spatial Spatial Spatial位置。入侵点的97％小于37,000
在集成评估模型中捕获小时分辨率能量模型的特征：EU27区域的应用
每小时解决方案对于现实地解决供应和需求的匹配对于太阳能和风的波动源的匹配至关重要。这项工作介绍了一种新颖的方法，可以在以前的工作基础上建立综合评估模型中对能量可变性进行建模，在该模型中，回归分析被用来从能量系统模型中提取小时级信息。增强功能包括：（1）改进的实验设计和更有效的计算，以及（2）通过（i）通过（i）合并灵活性选项组合，以及（ii）通过限制可再生能源的扩展来调节系统削减的能力。场景集中在电力部门上，反映了电流EU27的政策，该政策的目的是在2050年之前进行更高的可再生能源和电气贡献。没有任何可变性控制措施，观察到明显的缩减（高达60％），引入灵活性选项将其降低到一半（30％）。引入了控制可再生能源的能力扩展，以避免这种非限制的限制，从而使该模型可以在80％的电力中实现可再生能源的渗透率，而温室气体排放量则与2015年的电力系统相比，温室气体排放量降低了53％。总而言之，采用的方法产生了广泛一致的结果。
非准备冰冻蔬菜中李斯特菌单核细胞增生李斯特菌的定量风险评估模型
1山调查中心（峰会），政治研究所是葡萄牙Bragança5300-253 Santa Apoli校园的BragançaCnico； vcadavevez@ipb.pt 2 Polyt Institute在山唱片中的可持续性和技术实验室是BragançaCnico，Santa Apoli Campus，5300-253Bragança，葡萄牙3独立研究员，18 Rue Mohamed Al Ghazi，Rabat 10170，摩洛哥； rpouillot.work@gmail.com 4营养和食品安全部，世界卫生组织，瑞士日内瓦1202； deju@who.int（J.D.O.M.）; Hasegawaa@who.int（A.H.）5 Edafology Center y Biolog I Applied Del Segura，Spundo Campus的科学研究高级科学研究（Cebas-CSIC），25，30100 Murcia，西班牙穆尔西亚； aallende@cebas.csic.es 6上海科学技术大学健康科学与工程学院，上海，200093年，中国； qdong@ust.edu.cn 7伊利诺伊州伊利诺伊大学伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州香槟分校的食品科学和人类营养系，美国伊利诺伊州61801，美国； mstasie@illinois.edu 8美国俄勒冈州立大学俄勒冈州立大学食品创新中心，美国97209； jovana.kovacevic@oregonstate.edu 9风险评估部，法国食品，环境和职业健康与安全机构（ANSES），14 Rue Pierre et Marie et Marie et Marie et Marie curie Maison-Alfort，94701，法国Maison-Alfort； laurent.guillier@anses.fr *通信：ubarron@ipb.pt（U.G.-B.）; sanaam@who.int（M.S.）;电话。： +351-273-303-325（U.G.-B。）