XiaoMi-AI文件搜索系统
World File Search System输入变量
引用：Ahn H. 基于症状对眼科急诊严重程度进行分类的人工智能方法：一项验证研究。BMJ Open 2020；10：e037161。doi:10.1136/bmjopen-2020-037161
摘要 目的 我们研究了机器学习人工智能 (AI) 在对眼科急症严重程度进行分类以便及时就诊方面的有效性。 研究设计 这项回顾性研究分析了 2019 年 5 月至 12 月期间首次访问大邱武装部队医院的患者。患者的一般信息、事件和症状是输入变量。事件、症状、诊断和治疗是输出变量。输出变量分为四类（红色、橙色、黄色和绿色，表示立即或无紧急情况）。在所有训练程序之前，随机选择了大约 200 例类平衡验证数据集。采用了一种集成 AI 模型，该模型结合了全连接神经网络和合成少数过采样技术算法。 参与者 共纳入 1681 名患者。 主要结果 使用准确度、精确度、召回率和 F1 分数来评估模型性能。 结果 该模型的准确率为 99.05%。各类别（红色、橙色、黄色和绿色）的准确率分别为 100%、98.10%、92.73% 和 100%。各类别的召回率分别为 100%、100%、98.08% 和 95.33%。各类别的 F1 得分分别为 100%、99.04%、95.33% 和 96.00%。结论我们为基于症状对眼科急诊严重程度进行分类的 AI 方法提供了支持。
使用Probstars对神经网络进行定量验证
最深层的神经网络（DNN）验证研究重点是定性验证，该验证回答了DNN是否具有安全性/鲁棒性属性。本文提出了一种将定性验证转换为神经网络定量验证的方法。由此产生的定量验证方法不仅可以回答是或否问题，而且可以计算违反财产的可能性。为此，我们介绍了概率恒星（或简短概率）的概念，即众所周知的恒星集的新变体，其中谓词变量属于高斯分布，并提出了一种方法来计算高维空间中概率恒星的可能性。与处理约束输入集的现有作品不同，我们的工作将输入集视为截断的多元正常（高斯）分布，即除了输入变量的约束外，输入集还具有满足约束的可能性。输入分布表示为概率恒星集，并通过网络传播，以构建包含多个ProbStars的可触及到的可触发设置，该集合用于验证网络的安全性或鲁棒性属性。在违反财产的情况下，违规概率可以通过精确的验证算法来精确计算，也可以通过过度验证验证算法来计算。所提出的方法是在名为Starv的工具中实现的，并使用著名的ACASXU网络和火箭着陆基准进行评估。
利用脑磁共振图像和临床数据训练深度学习算法，预测放射冠梗塞患者的运动结果
早期准确预测长期运动恢复程度对于制定针对性脑卒中患者的康复策略具有重要意义。使用临床参数和脑磁共振图像作为输入，我们开发了一种深度学习算法，以提高对放射冠 (CR) 梗塞患者长期运动结果的预测准确性。使用脑磁共振图像和 CR 梗塞后不久获得的临床数据，我们开发了一种综合算法来预测患者发病后 6 个月的手部功能和步行结果。为了开发和评估该算法，我们回顾性招募了 221 名 CR 梗塞患者。综合改良 Brunnstrom 分类预测模型验证集的曲线下面积为 0.891，95% 置信区间为（0.814–0.967），综合功能性步行类别预测模型的曲线下面积为 0.919，95% 置信区间为（0.842–0.995）。我们证明了使用患者的临床数据和 CR 梗塞后不久获得的脑磁共振图像训练的综合算法可以促进对长期手部功能和行走结果的准确预测。未来的努力将致力于寻找更合适的输入变量，以进一步提高深度学习模型在临床应用中的准确性。
已接受文章
方法：我们使用带有唯一标签键的数据匿名化解决方案，从数据仓库中提取了 2019 年 3 月 1 日至 2020 年 2 月 29 日期间在我们新加坡三级风湿病诊所就诊的使用新加坡手机的患者。2020 年 3 月 28 日，我们通过短信服务 (SMS) 向这些患者发送了一份包含 25 个问题的调查问卷（参见补充材料），调查问卷使用的是安全的基于网络的调查工具（研究数据库捕获，REDCap）[11]。如果未完成调查，则会在 2020 年 3 月 31 日和 4 月 9 日再发送 2 条短信提醒。数据点与风湿病就诊相关的人口统计数据、诊断代码和处方汇总在一起；手机号码已被删除以保持匿名。我们使用一种无偏见的多维方法来识别具有不同医疗保健态度和行为的患者，并查看这些集群是否可以预测疾病特征和药物使用情况。进行 LCA 以确定适当的聚类数，并使用赤池信息准则 (AIC) 和贝叶斯信息准则 (BIC) [12] 选择最佳拟合模型。在检查相邻聚类之间 AIC 和 BIC 值的变化后，获得了 3 聚类解决方案。选择了 22 份问卷答案作为 LCA 的输入变量。
银行在新兴经济中效率的决定因素
本研究旨在使用数据包络分析方法（DEA）评估内部和外部因素对巴基斯坦银行效率的影响。银行的效率是使用输入和输出变量通过DEA模型来衡量的。输入变量包括员工人数，分支机构数量，管理费用，非利息费用和贷款损失规定。相比之下，输出变量包括净利息收入，净佣金和其他收入。这项研究将银行效率的内部决定因素视为公司治理，企业风险管理，所有权结构（州，外国和国内最终银行），股本回报率，财务杠杆率和银行规模。银行效率的外部决定因素包括银行结构和宏观经济条件。该研究在2011年至2020年期间使用了17个商业银行的数据。该研究使用数据包络分析方法（DEA）和Logit和概率回归模型来评估研究假设。Logit模型结果表明，公司治理，最终的全球所有权和股本回报率对银行的效率具有统计学意义和积极的影响。企业风险管理和财务杠杆对银行的效率产生不利影响。更好的公司治理可以帮助银行控制资本的风险和成本，并提高资本的有效性。同样，银行的风险管理可以导致竞争性银行环境中更好的运营和战略决策。
基于模糊的无线体域网络动态时隙分配
摘要：随着网络、信息和通信技术的进步，无线体域网 (WBAN) 在医疗和非医疗应用领域越来越受欢迎。实时患者监测应用会在短时间内生成周期性数据。在生命攸关的应用中，数据可能会突发。因此，系统需要一种可靠的节能通信技术，该技术具有有限的延迟。在这种情况下，媒体访问控制标准中的固定时隙分配会导致系统性能低下。本文讨论了实时远程患者监测系统的雾辅助网络中的动态时隙分配方案。雾计算是云计算范式的扩展版本，适用于可靠、延迟敏感的生命攸关应用。此外，为了提高网络性能，提出了一种节能的最小成本父选择算法来路由数据包。动态时隙分配使用模糊逻辑，输入变量为能量比、缓冲比和数据包到达率。动态时隙分配消除了时隙浪费和网络中的过度延迟，并为网络带来了高可靠性和最大通道利用率。与传统 IEEE 相比，所提方案的有效性在数据包传送率、平均端到端延迟和平均能耗方面得到了证明
利用智能农业中的时间序列基础模型进行土壤水分预测
最新的自然语言基础模型和计算机视觉基础模型的激增促进了各个领域的创新。受到这一进展的启发，我们探讨了基础模型在智能农业中预测的时间序列的潜力，这是一个经常受到有限数据可用性困扰的领域。具体来说，这项工作提出了一种新的TimeGPT应用，TimeGPT是一种最先进的时间序列基础模型，以预测土壤水潜力（𝜓土壤），这是通常用于灌溉建议的现场水状态的关键指标。传统上，此任务依赖于各种输入变量。我们探索了TimeGPT预测土壤的能力：（𝑖）零拍设置，（𝑖𝑖）仅依靠历史性𝜓土壤测量值的微调设置，以及（𝑖𝑖𝑖）微调的设置，我们还为模型添加了外源变量。我们将TimeGPT的性能与已建立的SOTA基线模型进行了比较，以预测土壤。我们的结果表明，TimeGPT仅使用历史𝜓土壤数据实现竞争性预测准确性，从而强调了其在农业应用中的显着潜力。这项研究通过实现传统上依赖广泛的数据收集和领域实验的预测任务，为农业可持续发展的基础时间序列模型铺平了道路。
替莫唑胺的化学放射疗法以及Nivolumab或安慰剂的III期试验，用于新诊断的胶质母细胞瘤，甲基化的MGMT启动子
摘要：在这项研究中，处理输入参数对糖棕榈纤维增强的三种材料厚度的KERF锥度角响应的影响研究被研究为磨料水夹和激光束束切割技术的输出参数。该研究的主要目的是获取数据，其中包括使用这两种非常规技术来切割复合材料的最佳输入参数，以避免使用传统的切割方法切割复合材料时出现的某些缺陷，然后进行比较，然后进行比较以确定哪种是关于KERF Taper角度响应的最合适的技术，该技术是所需的所缺乏的。选择了可变输入参数，以优化KERF锥度角度。虽然水压，穿越速度和隔离距离是水夹切割过程的输入变量参数，但在两种切割技术中，所有其他输入参数都固定。使用Taguchi的方法确定了提供KERF锥度最佳响应的输入参数的水平，并通过计算每个参数的信号to-noise比率（S/N）的最大值差异来确定输入参数的重要性。使用变异分析（ANOVA）确定了每个输入处理参数对KERF锥度角度影响的贡献。与先前研究中推断的结果相比，在KERF锥度角的响应方面，这两个过程均获得了可接受的结果，并指出从激光切割过程中产生的平均值远低于由于水夹切割过程而产生的，这给激光切割技术提供了优势。
机器学习介导的梭状芽孢杆菌的ca虫calleoseation优化
Callogenesofene是用于体外次生代谢产生和间接器官发生的最强大的生物技术方法之一。可以通过应用机器学习（ML）和优化算法的组合来获得对呼应和优化方案的全面知识。在当前的研究中，p的call灭响应（即call灭率和愈伤组织新鲜重量）。caerule。使用多层感知器（MLP）。此外，将开发的模型集成到遗传算法（GA）中，以优化PGRS和Explant类型的浓度，以最大程度地提高卡尔生成反应。此外，进行了敏感性分析，以评估每个输入变量对卡尔生成响应的重要性。结果表明，在训练和测试集中，MLP具有高预测精度（R 2> 0.81），用于建模所有研究参数。基于优化过程的结果，将从补充有0.52 mg/l IBA的培养基中培养的叶植物中获得最高的卡生成率（100％），加上0.43 mg/l NAA，加上1.4 mg/l 2,4-D 2,4-D Plus 0.2 mg/l bap。敏感性分析的结果表明，PGRS外源应用对call菌的外源性的影响。gentally，结果表明，MLP和GA的组合可以显示出具有前瞻性的辅助工具，以优化和预测体外培养系统，并因此应对巴西列拉组织培养中目前面临的几个挑战。
通过敏感性分析解读人工智能交易员的投资决策算法
随着金融科技的进步，金融机构现在广泛应用于其运营中的人工智能（AI），例如贷款决策、保险支付评估和欺诈交易检测。在资产管理领域，该技术正被用于在市场预测和投资策略中发现当前信息与未来资产价格之间存在的复杂关系，并取得了一些优异的效果。 另一方面，包括深度学习模型在内的人工智能内部的处理过程非常复杂，有人指出，存在所谓的“黑盒”问题，即不容易解释人工智能决策背后的因果关系。在资产管理领域，由于对高投资回报的期待，对能够做出超出人类理解的投资决策的人工智能的需求将不断增加。如果这导致无法由人类验证其有效性的交易增加，未来可能会出现意想不到的风险，影响金融机构的财务健全性和市场的稳定。 近年来，为了缓解人工智能的黑箱性质，人们进行了大量研究，主要在图像识别领域，以解释人工智能内部的处理过程。 在资产管理领域，人们对AI的可解释性的兴趣日益高涨，例如，Shiono（2018）通过将AI模型与理论宏观经济模型相结合，构建了一个回报预测AI，在预测准确性和可解释性之间取得了良好的平衡。 在本研究中，我们构建一个对未来日经225期货收益具有解释能力（以下称预测精度）的AI交易员，并尝试通过敏感性分析表达其输入变量（市场数据）和输出值（投资决策）之间的关系，从而解释AI的内部处理过程。