关键词： 董事长   总经理   价值观差异   企业创新   机器学习  

摘要： 中国高质量发展急需发挥企业家在创新中的关键作用。如何发挥企业关键人物“一把手”董事长和“二把手”总经理在创新中的领导和协同作用是有待回答的重要管理问题。从企业董事长和总经理价值观差异的角度尝试回答这一问题。以沪深A股2008—2016年的上市公司为研究样本,采用前沿的机器学习方法评估了董事长—总经理在多个维度上的价值观差异对企业创新的预测能力,识别出对企业创新绩效预测能力相对最强的价值观差异的维度,用部分依赖图具体刻画董事长与总经理价值观差异结构与企业创新间的关系,并通过理论分析指出可能存在的影响机制。研究发现:(1)整体而言,董事长和总经理的价值观差异对企业创新绩效有较强的预测能力;(2)在价值观的不同维度中,董事长和总经理在不确定性规避价值观与制度性集体主义价值观2个维度上的差异对企业创新绩效的预测能力较强;(3)不确定性规避价值观差异与创新绩效的关系大致呈“U”型结构,董事长和总经理在该价值观维度上对创新绩效的影响发挥了“互补效应”,而制度性集体主义价值观差异与创新绩效的关系呈现出先平缓后陡升的趋势,董事长和总经理在该价值观维度上对创新绩效的影响发挥了以“一把手”高制度集体主义为主的“秩序效应”和以“二把手”低制度集体主义为辅的“互补效应”。研究结果对从企业关键人物出发解读促进创新发展的因素和模式具有重要的理论与实践启示。

关键词： 语料库   大模型   人工智能   多模态数据   大视听   垂类模型  

摘要： 随着人工智能技术的飞速发展,大模型语料库已经成为推动自然语言处理(NLP)、机器学习和人工智能领域进步的关键资源。这些语料库包含了海量的多模态数据,为训练复杂的算法模型提供了基础。本文将从语料库的概念、语料库和语言模型的关系等方面入手,简要介绍上海广播电视台在语料库方面开展的一些实践和相关思考。

关键词： 深度学习图像重建   图像质量   肺炎   人工智能   体层摄影术  

摘要： 目的探讨胸部超低剂量CT扫描条件下滤波反投影、自适应统计迭代重建、深度学习图像重建(DLIR)等不同重建算法对人工智能影像辅助肺炎定量分析(uAI-Discover-NCP)和图像质量的影响。方法纳入陕西中医药大学附属医院2023年7月~2023年12月就诊的43例肺炎复查患者,采用个性化超低剂量CT扫描,原始数据分别采用滤波反投影、40%强度的自适应统计迭代重建、不同强度DLIR(DLIR-M、DLIR-H)、在DLIR-H处理上叠加E2的边缘强化(DLIR-H+E2)重建图像,共获得5组图像。测量5组图像空气、肺组织、胸主动脉、左肩胛下肌、胸10椎体的CT值、噪声值,计算信噪比。2位医师对5组图像肺整体质量及肺炎显示进行5分制主观评分。将图像导入CT影像辅助肺炎定量分析软件进行独立分析,记录肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比。采用重复测量方差分析或Friedman秩和检验比较各组定量参数及主观评分的差异。结果5组图像在肺实质、胸主动脉、左肩胛下肌、胸10椎体组织CT值差异均无统计学意义(P>0.05);而各组织噪声及信噪比的总体差异均有统计学意义(P<0.05),其中DLIR-H组的图像噪声最低、信噪比最高,与其他4组相比,差异均有统计学意义(P<0.05)。2位医师对各组图像的主观评分一致性高(Kappa=0.811~0.894),5组图像的整体图像质量、肺炎显示评分总体差异有统计学意义(P<0.001),DLIR-H与DLIR-H+E2组整体图像质量、肺炎显示主观评分最高,组间差异无统计学意义(P>0.05)。5个肺炎定量参数(肺炎指数、肺炎体积及肺炎体积百分比、肺炎质量及肺炎质量百分比)组间总体差异均无统计学意义(P>0.05)。结论超低剂量扫描条件下,影像辅助肺炎定量分析结果不受重建算法的影响。与滤波反投影、自适应统计迭代重建40%相比,高强度深度学习图像重建能显著降低图像噪声、明显提升图像质量,在临床诊断有较大的优势。

关键词： 机器学习   影像组学   非小细胞肺癌  

摘要： 肺癌是全球癌症相关死亡的主要原因之一,非小细胞肺癌(NSCLC)是肺癌最常见的类型,非小细胞肺癌早期的预后预测对提高患者生存率至关重要。传统评估手段无法全面准确反映非小细胞肺癌预后,近年来不断有学者探索影像组学技术在非小细胞肺癌预后预测中的应用价值,以改善非小细胞肺癌患者预后。本文对影像组学技术的基本研究流程及其在非小细胞肺癌预后预测中的应用研究现状进行综述。

关键词： 公路气象风险   随机森林预测   机器学习   昆磨高速  

摘要： 利用2018—2021年昆磨高速沿线交通气象观测站点数据,计算了总降水量及能见度低于500 m的天数,将其与地灾点、隧道点和桥梁点核密度以及道路曲率半径栅格数据输入到基于随机森林算法的预测模型中,最终昆磨高速危险路段回归预测结果R 2值为0.790,P值为0.001,满足显著性检验要求,且预测结果与验证数据之间高度拟合。结果表明:①中度危险性以上路段集中在昆磨高速沿线“上—中”段的呈贡区、晋宁县、红塔区、峨山县、宁洱县以及景洪市,其中重大危险等级路段主要分布在景洪市和宁洱县;②从随机森林算法预测结果来看,隧道点核密度重要性占比为26%,能见度小于500 m的天数重要性占比为24%,2项综合占比为50%,说明隧道的分布和能见度低的天气状况对昆磨高速沿线行车安全影响最大。

关键词： 自动化装卸   液货舱   机器学习   方案优化  

摘要： [目的]旨在基于强化学习方法研究液货舱装载方案自主生成技术。[方法]以实际运营的成品油船载货量作为输入,以货舱及压载舱的装载率为目标,基于Unity ML-Agents构建智能体与环境,通过PyTorch框架对智能体进行训练,提出一种综合考虑装载时间与纵倾变化幅度的奖励函数计算方法,并以算例分析来验证所提方法的有效性。[结果]结果显示,所训练的智能体能够学习良好的策略,并实现液货舱装载方案的自主生成。[结论]研究结果表明,将强化学习用于解决多目标条件下的液货舱装载方案自主生成是合理可行的。

关键词： 人工智能   生物化学与分子生物学   教学改革  

摘要： 人工智能(artificial intelligence,AI)是用于辅助和扩展人类部分智能活动的一门新技术,是对人脑组织结构和思维机制的模仿。将人工智能技术理念应用于生物化学与分子生物学课程教学是一种有益的教学探讨,为传统教学赋以现代先进科学技术辅助,有助于培养更具前瞻性、实践能力和创新意识的医学人才。

关键词： 医用金属材料   机器学习   材料特性   腐蚀性能   力学性能   不锈钢共基合金   钴铬合金   钛合金   镁合金   特征参数  

摘要： 背景:机器学习与医用金属材料的结合,弥补传统实验和计算模拟的低效性和高成本的不足,通过分析大量数据快速准确地预测金属材料特性,优化材料设计和性能,提高医学应用的安全性和效率。目的:总结并归纳机器学习在医用材料特性中的研究进展及不足。方法:由第一作者通过计算机检索中国知网、PubMed、X-MOL和Web of Science数据库2013年1月至2023年4月的相关文章。中文检索词为“医用金属材料机器学习,医用钛合金,医用镁合金,医用金属材料性能”,英文检索词为“machine learning medical metal materials,medical stainless steel alloy,medical cobalt-chromium alloy,medical titanium alloy,medical magnesium alloy”,最终纳入70篇相关文献进行归纳总结。结果与结论:①随着传统实验和计算模拟方法所产生的大量数据的可获取性提高,机器学习作为材料设计方法的引入为材料科学研究开辟了新的范式。②机器学习工作流主要分为4个部分:数据收集及预处理、特征工程、模型选择及训练和模型评估,每个环节不可缺少。③医用金属材料分为:不锈钢共基合金、钴铬合金、钛合金和镁合金。针对不锈钢共基合金,机器学习预测其力学性能,要提高机器学习的泛化能力;针对钴铬合金,机器学习预测其力学性能,可得出钴铬合金为髋关节植入物的最佳材料;针对钛合金,机器学习预测其力学性能,可选择出力学性能最优异的植入物;针对镁合金,机器学习预测其耐腐蚀性和力学性能,集成模型可准确预测镁合金的力学性能,随机森林模型可预测镁合金作为血管支架时的最优元素含量。④机器学习在医用材料领域存在一定局限性,如模型相对滞后、数据未能标准化及泛化性较低;未来研究解决此类问题应充分利用深度学习和分割算法技术,使用统一标准数据,改善模型提高泛化能力。

关键词： 师范教育   人工智能   科普教育  

摘要： 以人工智能和信创教育的科普工作为契机,提出以产教融合、校企合作为核心的大中小一体教育生态模式。该模式将人工智能与信创教育相结合,建立创新型教育教学的人才培养模型和精、专、深选拔培养通道。以多元化的育人模式为创新点,从生态教育运营机制、特色课程开发、社会实践安排等方面对一体化的“智能信创+教育”人才培养方案进行阐述。

关键词： 集成特征选择   个性化差分隐私   隐私保护   机器学习  

摘要： 针对高维度数据在数据挖掘过程中的隐私泄露及直接添加差分隐私噪声导致模型预测准确率低的问题,提出一种基于集成特征选择的差分隐私LightGBM算法,实现数据隐私性保护与可用性之间的平衡。将皮尔逊相关系数、随机森林、L1正则化、互信息、LightGBM等5种基本特征选择方法进行特征选择的结果使用投票累加法进行集成,根据集成特征选择出的前50个重要特征进行个性化隐私预算分配并使用拉普拉斯机制添加差分隐私噪声,再进行LightGBM算法进行模型训练。实验结果表明,提出的算法满足差分隐私机制,能够防止数据隐私信息发生泄漏,且相较于基于单一特征选择结果,加噪后再预测的方法准确率提高10.86%,F1-score值提高11.08%。