WikiEdge:ArXiv速递/2025-06-03：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑下一编辑→
可视化wikitext
Carole（留言 | 贡献）
机器人
8,366次编辑
Updated page by Carole
Carole（留言 | 贡献）
机器人
8,366次编辑
Updated page by Carole
第16行： 第16行：
*'''原文链接'''：http://arxiv.org/abs/2506.02709v1
*'''原文链接'''：http://arxiv.org/abs/2506.02709v1
'''中文摘要'''：摘要：[[人工智能]]的兴起与[[云计算]]的经济主导地位为[[高性能计算]]（[[HPC]]）创造了新的创新交汇点，而[[HPC]]长期以来一直是推动[[科学发现]]的重要力量。除了性能需求外，[[科学工作流]]日益需要[[云环境]]的能力：[[可移植性]]、[[可复现性]]、[[动态性]]和[[自动化]]。随着融合[[云环境]]的出现，研究其对[[HPC]]用例的适配性变得愈发重要。本文通过[[跨平台]]可用性研究，评估了11种不同的[[HPC]]代理应用和[[基准测试]]，覆盖三大[[云平台]]（[[微软Azure]]、[[亚马逊AWS]]和[[谷歌云]]）、六种环境以及两种[[计算配置]]（[[CPU]]与[[GPU]]），并与某大型中心的本地[[HPC集群]]进行对比。我们在所有环境中对应用程序进行了高达28,672个[[CPU]]和256个[[GPU]]的扩展测试。通过展示[[方法论]]与结果，本研究为未来工作提供指导，并为定义[[云]]中运行[[HPC]]工作负载的[[最佳实践]]奠定基础。
'''中文摘要'''：摘要：[[人工智能]]的兴起与[[云计算]]的经济主导地位为[[高性能计算]]（[[HPC]]）创造了新的创新交汇点，而[[HPC]]长期以来一直是推动[[科学发现]]的重要力量。除了性能需求外，[[科学工作流]]日益需要[[云环境]]的能力：[[可移植性]]、[[可复现性]]、[[动态性]]和[[自动化]]。随着融合[[云环境]]的出现，研究其对[[HPC]]用例的适配性变得愈发重要。本文通过[[跨平台]]可用性研究，评估了11种不同的[[HPC]]代理应用和[[基准测试]]，覆盖三大[[云平台]]（[[微软Azure]]、[[亚马逊AWS]]和[[谷歌云]]）、六种环境以及两种[[计算配置]]（[[CPU]]与[[GPU]]），并与某大型中心的本地[[HPC集群]]进行对比。我们在所有环境中对应用程序进行了高达28,672个[[CPU]]和256个[[GPU]]的扩展测试。通过展示[[方法论]]与结果，本研究为未来工作提供指导，并为定义[[云]]中运行[[HPC]]工作负载的[[最佳实践]]奠定基础。
== 摘要 ==
* '''原文标题'''：An Algorithmic Pipeline for GDPR-Compliant Healthcare Data Anonymisation: Moving Toward Standardisation
* '''中文标题'''：符合GDPR的医疗数据匿名化算法流程：迈向标准化
* '''发布日期'''：2025-06-03 14:40:38+00:00
* '''作者'''：Hamza Khan, Lore Menten, Liesbet M. Peeters
* '''分类'''：cs.CR
*'''原文链接'''：http://arxiv.org/abs/2506.02942v1
'''中文摘要'''：高质量的[[真实世界数据]]（[[RWD]]）对[[医疗保健]]至关重要，但必须经过转换以符合《[[通用数据保护条例]]》（[[GDPR]]）。[[GDPR]]对[[准标识符]]（[[QID]]s）和[[敏感属性]]（[[SA]]s）的宽泛定义使实施变得复杂。我们旨在通过引入一种算法方法识别[[QID]]s和[[SA]]s，并评估[[匿名化数据集]]中的效用，从而标准化符合[[GDPR]]的[[RWD]][[匿名化]]，同时保留[[数据效用]]。我们通过[[ProQuest]]和[[PubMed]]进行了系统性[[文献综述]]，以构建一个三阶段[[匿名化流程]]：[[识别]]、[[去标识化]]和[[准标识符]]维度评估。该流程在两个模拟[[RWD]][[数据集]]（500行和1000行）上实施、验证和测试。[[隐私性]]通过[[k-匿名性]]、[[l-多样性]]和[[t-接近性]]评估；[[效用性]]通过[[非均匀熵]]（[[NUE]]）衡量。[[文献综述]]得出两项关于[[QID]]/[[SA]]识别的研究和五项关于[[效用指标]]的研究。应用该流程后，[[属性]]通过[[alpha]]和[[beta]]阈值（500行数据为25%/1%；1000行数据为10%/1%）按[[重新识别风险]]分类。[[隐私指标]]将[[k-匿名性]]从1提升至4（500行）和1提升至110（1000行）。[[NUE]]得分分别为69.26%和69.05%，表明尽管[[隐私增益]]不同，但[[效用性]]保持一致。我们提出了一种符合[[GDPR]]的[[医疗]][[RWD]][[匿名化流程]]，为[[QID]]/[[SA]]识别和[[效用评估]]提供了可复现的方法；公开可用的[[代码]]促进了[[标准化]]、[[数据隐私]]和[[开放科学]]。

2025年6月4日 (三) 15:58的版本

摘要

  • 原文标题：Measurement of the Positive Muon Anomalous Magnetic Moment to 127 ppb
  • 中文标题：正μ子反常磁矩的127 ppb精度测量
  • 发布日期：2025-06-03 16:46:28+00:00
  • 作者：D. P. Aguillard, T. Albahri, D. Allspach, J. Annala, K. Badgley, S. Baeßler, I. Bailey, L. Bailey, E. Barlas-Yucel, T. Barrett, E. Barzi, F. Bedeschi, M. Berz, M. Bhattacharya, H. P. Binney, P. Bloom, J. Bono, E. Bottalico, T. Bowcock, S. Braun, M. Bressler, G. Cantatore, R. M. Carey, B. C. K. Casey, D. Cauz, R. Chakraborty, A. Chapelain, S. Chappa, S. Charity, C. Chen, M. Cheng, R. Chislett, Z. Chu, T. E. Chupp, C. Claessens, F. Confortini, M. E. Convery, S. Corrodi, L. Cotrozzi, J. D. Crnkovic, S. Dabagov, P. T. Debevec, S. Di Falco, G. Di Sciascio, S. Donati, B. Drendel, A. Driutti, M. Eads, A. Edmonds, J. Esquivel, M. Farooq, R. Fatemi, K. Ferraby, C. Ferrari, M. Fertl, A. T. Fienberg, A. Fioretti, D. Flay, S. B. Foster, H. Friedsam, N. S. Froemming, C. Gabbanini, I. Gaines, S. Ganguly, J. George, L. K. Gibbons, A. Gioiosa, K. L. Giovanetti, P. Girotti, W. Gohn, L. Goodenough, T. Gorringe, J. Grange, S. Grant, F. Gray, S. Haciomeroglu, T. Halewood-Leagas, D. Hampai, F. Han, J. Hempstead, D. W. Hertzog, G. Hesketh, E. Hess, A. Hibbert, Z. Hodge, S. Y. Hoh, K. W. Hong, R. Hong, T. Hu, Y. Hu, M. Iacovacci, M. Incagli, S. Israel, P. Kammel, M. Kargiantoulakis, M. Karuza, J. Kaspar, D. Kawall, L. Kelton, A. Keshavarzi, D. S. Kessler, K. S. Khaw, Z. Khechadoorian, B. Kiburg, M. Kiburg, O. Kim, N. Kinnaird, E. Kraegeloh, J. LaBounty, K. R. Labe, M. Lancaster, S. Lee, B. Li, D. Li, L. Li, I. Logashenko, A. Lorente Campos, Z. Lu, A. Lucà, G. Lukicov, A. Lusiani, A. L. Lyon, B. MacCoy, R. Madrak, K. Makino, S. Mastroianni, R. McCarthy, J. P. Miller, S. Miozzi, B. Mitra, J. P. Morgan, W. M. Morse, J. Mott, A. Nath, J. K. Ng, H. Nguyen, Y. Oksuzian, Z. Omarov, W. Osar, R. Osofsky, S. Park, G. Pauletta, J. Peck, G. M. Piacentino, R. N. Pilato, K. T. Pitts, B. Plaster, N. Pohlman, C. C. Polly, D. Počanić, J. Price, B. Quinn, M. U. H. Qureshi, G. Rakness, S. Ramachandran, E. Ramberg, R. Reimann, B. L. Roberts, D. L. Rubin, M. Sakurai, L. Santi, C. Schlesier, A. Schreckenberger, Y. K. Semertzidis, M. Sorbara, J. Stapleton, D. Still, C. Stoughton, D. Stratakis, D. Stöckinger, H. E. Swanson, G. Sweetmore, D. A. Sweigart, M. J. Syphers, Y. Takeuchi, D. A. Tarazona, T. Teubner, A. E. Tewsley-Booth, V. Tishchenko, N. H. Tran, W. Turner, E. Valetov, D. Vasilkova, G. Venanzoni, T. Walton, A. Weisskopf, L. Welty-Rieger, P. Winter, Y. Wu, B. Yu, M. Yucel, E. Zaid, Y. Zeng, C. Zhang
  • 分类：hep-ex, nucl-ex
  • 原文链接：http://arxiv.org/abs/2506.03069v1

中文摘要：摘要：本文基于费米国家加速器实验室(FNAL)的μ子g-2实验在2020至2023年采集的数据，对正μ子磁异常$a_{\mu}$进行了最新测量。该数据集包含的统计量是我们先前结果的2.5倍以上。通过测量μ子与质子在存储环磁场中的进动频率比，并结合精确已知的基本常数比，我们得出新数据集的磁异常值为$a_{\mu} = 116\,592\,0710(162) \times 10^{-12}$（139 ppb），与先前结果合并后为$a_{\mu} = 116\,592\,0705(148) \times 10^{-12}$（127 ppb）。由FNAL测量主导的新实验世界平均值为$a_{\mu}(\text{exp}) =116\,592\,0715(145) \times 10^{-12}$（124 ppb），该测量将世界平均值的精度提高了四倍以上。

摘要

  • 原文标题：Usability Evaluation of Cloud for HPC Applications
  • 中文标题：高性能计算应用的云可用性评估
  • 发布日期：2025-06-03 10:05:30+00:00
  • 作者：Vanessa Sochat, Daniel Milroy, Abhik Sarkar, Aniruddha Marathe
  • 分类：cs.DC, cs.PF
  • 原文链接：http://arxiv.org/abs/2506.02709v1

中文摘要：摘要：人工智能的兴起与云计算的经济主导地位为高性能计算（HPC）创造了新的创新交汇点，而HPC长期以来一直是推动科学发现的重要力量。除了性能需求外，科学工作流日益需要云环境的能力：可移植性、可复现性、动态性和自动化。随着融合云环境的出现，研究其对HPC用例的适配性变得愈发重要。本文通过跨平台可用性研究，评估了11种不同的HPC代理应用和基准测试，覆盖三大云平台（微软Azure、亚马逊AWS和谷歌云）、六种环境以及两种计算配置（CPU与GPU），并与某大型中心的本地HPC集群进行对比。我们在所有环境中对应用程序进行了高达28,672个CPU和256个GPU的扩展测试。通过展示方法论与结果，本研究为未来工作提供指导，并为定义云中运行HPC工作负载的最佳实践奠定基础。

摘要

  • 原文标题：An Algorithmic Pipeline for GDPR-Compliant Healthcare Data Anonymisation: Moving Toward Standardisation
  • 中文标题：符合GDPR的医疗数据匿名化算法流程：迈向标准化
  • 发布日期：2025-06-03 14:40:38+00:00
  • 作者：Hamza Khan, Lore Menten, Liesbet M. Peeters
  • 分类：cs.CR
  • 原文链接：http://arxiv.org/abs/2506.02942v1

中文摘要：高质量的真实世界数据（RWD）对医疗保健至关重要，但必须经过转换以符合《通用数据保护条例》（GDPR）。GDPR对准标识符（QIDs）和敏感属性（SAs）的宽泛定义使实施变得复杂。我们旨在通过引入一种算法方法识别QIDs和SAs，并评估匿名化数据集中的效用，从而标准化符合GDPR的RWD匿名化，同时保留数据效用。我们通过ProQuest和PubMed进行了系统性文献综述，以构建一个三阶段匿名化流程：识别、去标识化和准标识符维度评估。该流程在两个模拟RWD数据集（500行和1000行）上实施、验证和测试。隐私性通过k-匿名性、l-多样性和t-接近性评估；效用性通过非均匀熵（NUE）衡量。文献综述得出两项关于QID/SA识别的研究和五项关于效用指标的研究。应用该流程后，属性通过alpha和beta阈值（500行数据为25%/1%；1000行数据为10%/1%）按重新识别风险分类。隐私指标将k-匿名性从1提升至4（500行）和1提升至110（1000行）。NUE得分分别为69.26%和69.05%，表明尽管隐私增益不同，但效用性保持一致。我们提出了一种符合GDPR的医疗RWD匿名化流程，为QID/SA识别和效用评估提供了可复现的方法；公开可用的代码促进了标准化、数据隐私和开放科学。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv速递/2025-06-03&oldid=10266”