gestational diabetes
PulseAugur coverage of gestational diabetes — every cluster mentioning gestational diabetes across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM驱动的框架促进了不良妊娠结局的因果发现
研究人员开发了一种新颖的神经符号框架，以改进不良妊娠结局（APOs），如早产和妊娠期糖尿病的因果发现。该方法结合了大型语言模型（LLMs）的广泛知识和经验数据评分，以生成和完善因果假设。LLM充当自适应提案分布，高分假设指导后续的LLM生成。该方法应用于临床数据集，成功识别了专家验证的因果关系，并发现了新的潜在风险因素。
-
探索AI的黑暗未来：滥用、失调和权力集中的风险
一篇观点文章探讨了AI发展可能带来的负面未来，将AI驱动的繁荣的乐观愿景与悲观情景进行了对比。作者与OpenAI和哈佛大学有关，讨论了灾难性滥用、导致失控的失调以及少数个人或AI系统之间权力极端集中等风险。文章强调需要仔细权衡AI技术的控制与分发之间的利弊，主张采取有针对性的安全限制，而非广泛禁止。
-
GDM 发布人工智能控制路线图，借鉴网络安全威胁建模
GDM 人工智能控制路线图（v0.1）已发布，概述了用于检测和缓解对抗性人工智能代理行为的内部防护措施计划。该路线图借鉴了 MITRE ATT&CK 等网络安全框架的灵感，引入了 TRAIT&R 进行威胁建模，并将潜在的人工智能威胁归类为失控、工作破坏和直接伤害。它建立了用于检测不当意图的控制不变量，并提出了基于能力的方法来缓解风险，建议了根据不断发展的模型能力分层的 15 种具体防御措施。
-
AI安全社区很少关注直接的超级智能对齐
LessWrong 上的一篇最新帖子指出，AI安全社区中直接从事超级智能对齐研究的人员比例之少令人惊讶。作者提到，虽然许多人从事能力评估、风险评估和政策等相关领域的工作，但专注于确保未来超级智能AI与人类价值观保持一致的人却较少。帖子中提到的致力于对齐研究的特定组织包括Alignment Research Center、Sequent以及GDM的部分团队，还有一些零散的大学个人。
-
联邦GNN通过隐私保护半监督学习提升GDM预测能力
研究人员开发了一种新颖的联邦半监督学习框架FedTGNN-SS，用于在保护医院间数据隐私的同时预测妊娠期糖尿病（GDM）。该方法通过使用原型引导伪标签和自适应图细化来解决标记数据有限和无法共享患者记录的挑战。在三个数据集上的实验表明，FedTGNN-SS的有效性，尤其是在标记稀缺性高的情况下，相比现有联邦方法取得了显著改进。