Stock trend prediction plays a critical role in seeking maximized profit from the stock investment. However, precise trend prediction is very difficult since the highly volatile and non-stationary nature of the stock market. Exploding information on the Internet together with the advancing development of natural language processing and text mining techniques have enabled investors to unveil market trends and volatility from online content. Unfortunately, the quality, trustworthiness, and comprehensiveness of online content related to stock market vary drastically, and a large portion consists of the low-quality news, comments, or even rumors. To address this challenge, we imitate the learning process of human beings facing such chaotic online news, driven by three principles: sequential content dependency, diverse influence, and effective and efficient learning. In this paper, to capture the first two principles, we designed a Hybrid Attention Networks(HAN) to predict the stock trend based on the sequence of recent related news. Moreover, we apply the self-paced learning mechanism to imitate the third principle. Extensive experiments on real-world stock market data demonstrate the effectiveness of our framework. A further simulation illustrates that a straightforward trading strategy based on our proposed framework can significantly increase the annualized return.

Background Hydrogels are used to provide a barrier against peritendinous adhesion formation, but when implanted intraoperatively, they degrade rapidly and aggravate early inflammatory pain. It is uncertain whether clinical efficacy can be improved by avoiding the inflammatory phase when hydrogels are delivered during adhesion formation. Questions/purposes (1) Compared with intraoperative hydrogel application, does ultrasound-guided postoperative application result in better total active motion (TAM) at 12 months after tendon injury? (2) Does ultrasound-guided postoperative application of hydrogels result in lower pain, better function, and better satisfaction? Methods This open-label, prospective, single-center, randomized controlled trial was conducted by reparative and reconstructive surgeons at the National Orthopedics Clinical Medical Center, Shanghai, People’s Republic of China. Between May 2021 and December 2022, 53% (168 of 317) of patients who met our inclusion criteria were recruited, and 47% (149 of 317) of patients were excluded because of the exclusion criteria. Finally, 84 patients were randomized to the postoperative group to receive ultrasound-guided carboxymethyl chitosan (CMC) hydrogel delayed injection, and 84 patients were randomized to the intraoperative group to receive CMC hydrogel intraoperative application. Another 8% (7 of 84) of patients in the postoperative group and 10% (8 of 84) of patients in the intraoperative group were lost before the minimum study follow-up time of 1 year or had incomplete datasets, leaving 91% (153 of 168) of patients with data for analysis. Data on outcome events were analyzed according to the intention-to-treat principle, which included all patients who underwent randomization. Follow-up visits were completed at 3 weeks, 6 weeks, 3 months, 6 months, and 12 months after tendon repair. The primary outcome was TAM (ie, the sum of the degrees of active metacarpophalangeal joint, proximal interphalangeal joint, and distal interphalangeal joint flexion less the degrees from full extension; minimum clinically important difference [MCID] 20°) at 12 months. Secondary outcomes included pain (measured with a VAS; range 0 to 10, a higher score indicating worse pain; MCID 0.6), Michigan Hand Outcomes Questionnaire activities of daily living (MHQ-ADL) score (range 0 to 100, a higher score indicating better outcomes; MCID 10.1), and MHQ satisfaction (MHQ-SAT) score (range 0 to 100, a higher score indicating better outcomes; MCID 33.0). Results At 12 months, the ultrasound-guided postoperative injection group had improved TAM (intraoperative 189° [95% CI 179° to 199°] versus postoperative 209° [95% CI 199° to 219°], mean difference 20° [95% CI 6° to 35°]; p = 0.006; the mean difference in the primary outcome fulfilled the MCID value at all time points). At 6 weeks, we found no clinically important difference in VAS pain scores among groups (intraoperative mean ± SD 2.0 ± 1.0 versus postoperative 1.7 ± 1.0, mean difference 0.3 [95% CI 0.1 to 0.7]; p = 0.02); however, at 3 weeks, the VAS pain scores showed clinically important difference among groups (3.6 ± 1.4 versus 2.9 ± 1.2, mean difference 0.7 [95% CI 0.3 to 1.1]; p = 0.001). At 3 months, the ultrasound-guided postoperative injection group had higher MHQ-ADL scores (intraoperative 62 ± 10 versus postoperative 75 ± 10, mean difference 13 [95% CI 11 to 17]; p < 0.001), and the mean difference of MHQ-ADL scores reached the MCID value at all time points. At 3 months, there was no clinically important difference in MHQ-SAT scores between groups (intraoperative 62 ± 8 versus postoperative 70 ± 8, mean difference 8 [95% CI 6 to 11]; p < 0.001). Conclusion Compared with intraoperative CMC hydrogel injection, postoperative ultrasound-guided injection improved the TAM and function of the affected limb, showed a short-term pain control effect, and did not increase the risk of complications. Clinical trials are needed to confirm the safety and efficacy of ultrasound-guided postoperative injection of CMC hydrogels and to determine the most effective dose and the health and economic benefits of treatment. Level of Evidence Level I, therapeutic study.

Ethereum is the first and largest blockchain that supports smart contracts. To enhance scalability and security, one major planned change of Ethereum 2.0 (Eth2) is to upgrade the smart contract interpreter from Ethereum Virtual Machine (EVM) to WebAssembly (WASM). In the meanwhile, many other popular blockchains have adopted WASM. Since Ethereum hosts millions of smart contracts, it is highly desirable to automatically migrate EVM smart contracts to WASM code to foster the prosperity of the blockchain ecosystem, while inheriting the historical transactions from Ethereum. Unfortunately, it is non-trivial to achieve this purpose due to the challenges in converting the EVM bytecode of smart contracts to WASM bytecode and adapting the generated WASM bytecode to the underlying blockchain environment. In particular, none of the existing tools are adequate for this task because they fail to achieve accurate translation and compatibility with the blockchain environment. In this paper, we propose a novel solution and use Eth2 as the target blockchain to demonstrate its feasibility and performance because Eth2 is highly attractive to both industry and academia. Specifically, we develop EVMBT, a novel EVM2WASM bytecode translation framework that not only ensures the fidelity of translation but also supports plugins to improve smart contracts. Extensive experiments demonstrate that EVMBT can successfully translate real-world smart contracts with high fidelity and low gas overhead.

Large language models (LLMs) play a crucial role in various Natural Language Processing (NLP) tasks, prompting their deployment on mobile devices for inference. However, a significant challenge arises due to high waiting latency, especially for long prompts. This paper introduces mllm-NPU, the first system enabling efficient on-device LLM prefilling acceleration using on-chip Neural Processing Units (NPUs). Despite the impressive compute capabilities of NPUs, direct application to LLM prefilling often falls short. To this end, mllm-NPU incorporates two key techniques: (1) chunk-wise CPU-NPU co-scheduling to handle static compute graphs and INT8-only acceleration problems. (2) dynamic outlier inference to deal with static activation quantization sacrificing accuracy problem.