XiaoMi-AI文件搜索系统
World File Search System跨场
跨职位、跨公司、跨空间的远程工作
感谢 Yabra Muvdi 提供的出色研究协助，他创建并估算了分类算法，并感谢 Miaomiao Zhang 和 Kelsey Shipman 为数据分析提供支持。Hansen 非常感谢 ERC Consolidator Grant 864863 的资金支持，感谢伦敦政治经济学院 STICERD 博士研究基金和英联邦奖学金委员会的 Lambert 的资金支持，感谢 Smith Richardson 和 John Templeton 基金会的 Bloom 的资金支持，感谢 Templeton 基金会和芝加哥大学布斯商学院的 Davis 的资金支持，感谢哈佛商学院的 Sadun 的资金支持。本文附带的精选可视化和数据可在 www.WFHmap.com 上找到。本文表达的观点为作者的观点，并不一定反映美国国家经济研究局的观点。
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。
强场Qed
摘要：Sachdev-Ye-Kitaev（Syk）模型是一个具有随机相互作用和强烈混乱动力学的N Majorana费物的系统，在低能量时，它可以接受全息二重描述，作为二维Jackiw-Teititelboim。因此，SYK模型提供了一种量子重力的玩具模型，该模型可能可行，可以使用近期量子硬件进行模拟。以减少这种模拟所需的资源的目的为动机，我们研究了SYK模型的稀疏版本，其中相互作用项被概率1 -p删除。具体而言，我们按数值计算光谱形式（SFF，Hamiltonian的特征值对相关函数的傅立叶变换）和最接近的邻居特征值间隙比R（表征连续特征值之间间隙的分布）。我们发现，当p大于过渡值p 1（缩放为1 /n 3）时，SFF和r均与完整的非扩展模型所获得的值匹配，并且具有随机矩阵理论（RMT）的期望。但对于p 低于较小的p 2，它也比例为1 /n 3，甚至连续特征值的间距与RMT值不同，这表明了光谱刚度的完全分解。 我们的结果对使用传送不忠作为损失函数获得的非常稀疏的SYK模型的全息解释提出了怀疑。低于较小的p 2，它也比例为1 /n 3，甚至连续特征值的间距与RMT值不同，这表明了光谱刚度的完全分解。我们的结果对使用传送不忠作为损失函数获得的非常稀疏的SYK模型的全息解释提出了怀疑。
跨物种跨物种的跨物种和组织归因于哺乳动物物种
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年1月16日发布。 https://doi.org/10.1101/2024.01.15.575646 doi：biorxiv Preprint
2022 年 11 月 2 日 第 1 场 第 2 场 - LNE
N. Farchmin、P. Trunschke、M. Eigel、S. Heidenreich 15:50 通过线性回归方法将抛物线与测试点的两个相关坐标进行匹配 J.Puchalski、ZLWarsza
跨公司和跨国家的管理实践
摘要：在过去十年中，我们一直使用双盲调查技术和随机抽样技术，收集了 20 个国家/地区 10,000 多个组织的管理数据。平均而言，我们发现，在制造业中，美国、日本和德国的公司管理得最好。巴西、中国和印度等发展中国家的公司往往管理不善。按照国际标准，美国的零售公司和医院也管理得很好，尽管美国的学校管理得比其他几个发达国家的学校差。我们还发现，每个国家和每个行业的组织在管理实践方面存在很大差异，这反映了这些行业绩效分布的异质性。与这种差异相关的一个因素是所有权。政府、家族和创始人拥有的公司通常管理不善，而跨国、分散股东和私募股权拥有的公司通常管理良好。产品市场竞争越激烈，工人技能越高，管理实践就越好。监管较少的劳动力市场与激励管理实践（如基于绩效的晋升）的改善有关。