所有技术终将演变为基础设施。2022年6月11日，科创人·数智未来私董会第4期活动在线举办，本次活动由科创人、北航投资、方云智能联合举行；微软（中国）首席技术官韦青担任本期活动主讲嘉宾，携手14位企业高级决策者围绕数智未来课题进行深度探讨。科创人·数智未来私董会第3期活动回顾|《狗尾巴的故事-数智时代的第一性原理》与会嘉宾依次是：微软（中国）CTO韦青、领鹊科技创始人&CEO张志祥、食方科技创始人&CEO黄龚、中科云创创始人&CEO周北川、北航投资总经理王剑飞、中煤信息技术首席专家黄韶杰、天云数据创始人&CEO雷涛、中国农业银行科技与产品管理局信息安全与风险管理处处长何启翱、索迩科技创始人&C

随着无处不在的互联网存在和智能手机普及率的飙升，全球游戏产业价值超过3000亿美元。区块链和游戏两个世界的碰撞，将进一步推动行业达到前所未有的高度。区块链游戏也早就存在。在智能合约去中心化的推动下，区块链正在彻底改变在线游戏世界。范式转变正在发生，游戏世界正在摆脱付费游戏的束缚，转向游戏赚钱模式。通过利用区块链去中心化的力量，游戏行业正在转变为加密游戏经济。2017年的加密猫可能是当时最火的游戏，但由于当时种种的原因加密猫就像流星般很快陨落了。他没能让很多人呢，是真正的接触和理解区块链游戏。由于游戏玩家已经习惯了数字经济化，因此向区块链的过渡是顺利的。通过将区块链注入游戏，在线游戏平台正在创建

过去一年，以「预测下一个Token」为本质的大模型已经横扫人类世界的多项任务，展现了人工智能的巨大潜力。在近日的一次访谈中，OpenAI首席科学家IlyaSutskever大胆预言，如果模型能够很好地预测下一个词，那么意味着它能够理解导致这个词产生的深刻现实。这意味着，如果AI按照现有路径发展下去，也许在不久的将来，一个超越人类的人工智能系统就会诞生。但更加令人担心的是，「超级人工智能」可能会带来一些意想不到的负面后果。这也是「对齐」的意义。此前的对齐方法依赖于人类的监督，如在ChatGPT训练中起到关键作用的人类反馈的强化学习（RLHF）。但未来的人工智能系统或许能够做出极其复杂和富有创造性

为了测试一个小赞，中赞和相互之间比较的实际价值，昨天做了一项实证研究。实验的对象有三个第1个对象， 50万持钻，银牌会员。第2个对象，2.5万持钻，铜牌会员。第3个对象，10.5万持钻，铜牌会员。测试方法找4篇发表时间很早的冷门文章，记录下当时的点赞数量和收益数值。作为观察初始值。记录好现在的持钻数量和会员等级，作为投入量观察因素。三个实验对象分别点小赞，待第2天收益结算后观察收益变化情况。对第3个实验对象略微特殊一些。除找一篇投小赞外，另外一篇投大赞。同时对比一下小赞和大赞的收益差异。第2天的收益数据记录如下第2天观察情况为：第一篇文章从34赞提升到35赞，文章收益从8.072提升到10.4

0摘要论文：Asurveyonlearningfromimbalanceddatastreams:taxonomy,challenges,empiricalstudy,andreproducibleexperimentalframework发表：2023年发表在MachineLearning上。源代码：https://github.com/canoalberto/imbalanced-streams类不平衡给数据流分类带来了新的挑战。最近在文献中提出的许多算法使用各种数据驱动层面、算法层面和集成方法来解决这个问题。然而，在如何评估这些算法方面，缺乏标准化和商定的程序和基准。本文工作提出了一个标

根据人类反馈的强化学习（RLHF）是一种对齐语言模型与人类偏好的有效技术，而且其被认为是ChatGPT和Bard等现代对话语言模型的成功的关键驱动因素之一。通过使用强化学习（RL）进行训练，语言模型可以优化用于复杂的序列级目标——使用传统的监督式微调时，这些目标不是轻易可微的。在扩展RLHF方面，对高质量人类标签的需求是一大障碍；而且人们很自然地会问：生成的标签是否也能得到可媲美的结果？一些研究表明大型语言模型（LLM）能与人类判断高度对齐——在某些任务上甚至优于人类。2022年，Baietal.的论文《ConstitutionalAI:HarmlessnessfromAIFeedback》最

基于Lasso回归的实证分析一、背景随着信息化时代的到来，对如证券市场交易数据、多媒体图形图像视频数据、航天航空采集数据、生物特征数据等数据维度远大于样本量个数的高维数据分析逐渐占据重要地位。而在分析高维数据过程中碰到最大的问题就是维数膨胀，也就是通常所说的“维数灾难”问题。研究表明，随着维数的增长，分析所需的空间样本数会呈指数增长。并且在高维数据空间中预测将变得不再容易，同时还容易导致模型的过拟合。因此为了应对高维数据中的维数灾难所带来的过拟合问题，其中一条解决思路是进行数据降维。在数据降维的方法中，Lasso方法是一种既适用于线性情况也适用于非线性情况的数据降维方法。二、理论基础Lasso

 LeDock是苏黎世大学ZhaoHongTao在博士期间开发的一款分子对接软件，专为快速准确地将小分子灵活对接到蛋白质而设计。LeDock优于大部分商业软件，在Astex多样性集合上实现了大于90％的构象预测准确度，对接时间最快仅需三秒。LeDock同时支持Windows、Linux和MacOS三大操作系统。Linux版支持大规模虚拟筛选，需要通过代码操作才能实现目标。Windows版的图形界面极大简化了药物化学家常见多重复杂的对接过程，但每次任务只能对接一个分子，效率极低，只适用于少量对接场景。如果考虑到不少用户还有分子库相关的需求，无论哪种版本，对用户来说，都有点难搞。今天我们就通过一个

PS:大四写毕业论文的纯小白一枚，这篇文章也只是纯纯记录一下学习他人论文的思路，非专业！！！目录基准回归xtsetxtregesttab基准回归文章及代码来源：中国工业经济《税收征管数字化与企业内部薪酬差距》xtsetxtsetcodeyear//定义面板数据xtset定义面板数据code为界面year为时间序列xtregxtreggapgtpi.yeari.ind,fevce(clustercode)eststorem1xtreg固定效应模型。gap为因变量gtp为自变量i.year、i,ind表示虚拟变量fe表示fixedeffect固定效应vce(clustercode)表示按公司层面聚