XiaoMi-AI文件搜索系统
World File Search System上下文
实现气候目标的障碍。外部上下文
摘要：本文研究了石墨烯和抗固定锌二硫代磷酸酯（ZDDP）的摩擦学作用。摩擦测试已在摩擦学测试仪上进行，该测试仪在摩擦，滑动运动中作为球和圆盘组件作战。测试在1000 m的滑动距离内用10 N负载进行。测试中使用了Tialn涂层的HS6-5-2C钢盘和100CR6钢球。测试是在润滑条件下用石墨烯和/或ZDDP的聚（α）烯烃油PAO 8进行的。使用扫描电子显微镜研究了TiALN涂层的化学成分，并观察到圆盘和球上的磨损标记。使用具有干涉模式的共聚焦显微镜在摩擦测试之前和之后分析样品的几何结构。结果表明，将ZDDP和石墨烯添加到聚（α）烯烃油中对降低摩擦系数有影响。
为数字孪生生成提供地理空间上下文
摘要：光检测和测距技术可以创建物理对象和环境的详细 3D 点云。因此，它有可能为各种需要了解周围环境并与之交互的信息物理系统的运行提供有价值的信息，例如自动驾驶汽车和机器人。点云还可以成为创建不同资产和系统运行环境的数字表示的基础。本文概述了一种系统架构，该架构将 LiDAR 扫描提供的地理空间上下文信息与信息物理系统组件的行为模型相结合以创建数字孪生。行为和数据之间的明确区分使所提出的数字孪生架构有别于现有方法（主要关注数据方面），并通过可执行过程模型促进上下文数字孪生生成。疫苗物流自动化用例详细说明了如何将有关环境的信息用于执行运输准备任务的自主机器人的操作。除了支持操作之外，我们还建议将在物流过程的不同点从系统中检索到的上下文数据与有关可执行行为模型实例的信息相结合，作为数字孪生架构的一部分。随后，孪生可用于通过相关利益相关者促进系统和流程监控，并以用户为中心的方式构建上下文数据。
机载上下文敏感信息系统 (OCSIS) - arXiv
摘要。飞行员目前使用纸质文件和电子系统来帮助他们执行程序，以确保商用飞机的安全、效率和舒适度。管理纸质操作文件之间的互连对飞行员来说可能是一个挑战，尤其是在正常、异常和紧急情况下时间压力很大的时候。这篇论文是对机载上下文敏感信息系统 (OCSIS) 的设计的贡献，该系统是在平板电脑上开发的。声称使用上下文信息有助于在正确的时间自动或按需访问适当的操作内容。OCSIS 使用涉及空客 320 驾驶舱模拟器中的专业飞行员的人机模拟进行了测试。初步结果令人鼓舞，表明 OCSIS 可用于操作信息访问。更具体地说，上下文敏感性有助于简化这种访问（即，在正确的时间以正确的格式提供适当的操作信息。此外，OCSIS 还提供了纸质文档所不具备的其他功能，例如中断后的程序执行状态。而且，OCSIS 自动完成几项计算这一事实往往会减少飞行员的任务需求。
当地能源政策选择中的上下文因素
最近已经拨打了许多政策设计研究，以嵌入整个政策过程中，并探索匹配工具和目标的途径。这些呼吁认为，政策设计研究虽然强调内容和设计的选择，但却置于杠杆率不足，尤其是在探索有效性的理由方面。在本文中，我们进行了一项比较案例研究，以探索两个中型城市的两个类似分类太阳能政策的参与率变化。在这方面，检查了三个背景因素，包括人口特征，现有的政策配置以及物理环境，这都有助于塑造政策有效性。我们认为，策略设计位于明确的上下文中，并且在不捕获上下文的情况下，政策的有效性可能不会转化，如果扩散。
Con4m：上下文感知一致性学习框架...
时间序列分类 (TSC) 包含两种设置：对整个序列进行分类或对分段子序列进行分类。分段 TSC 的原始时间序列通常包含多个类，每个类的持续时间各不相同 (MVD)。因此，MVD 的特性对分段 TSC 提出了独特的挑战，但在现有研究中却很大程度上被忽视了。具体而言，在 MVD 中要分类的连续实例 (段) 之间存在自然的时间依赖性。然而，主流 TSC 模型依赖于独立同分布 (iid) 的假设，专注于独立地对每个段进行建模。此外，具有不同专业知识的注释者可能会提供不一致的边界标签，导致无噪声 TSC 模型的性能不稳定。为了应对这些挑战，我们首先正式证明有价值的上下文信息可以增强分类实例的判别能力。利用 MVD 在数据和标签层面的上下文先验，我们提出了一种新颖的一致性学习框架 Con4m ，该框架有效地利用了更有利于区分分段 TSC 任务中连续片段的上下文信息，同时协调了不一致的边界标签以进行训练。在多个数据集上进行的大量实验验证了 Con4m 在处理 MVD 上的分段 TSC 任务方面的有效性。源代码可在 https://github.com/MrNobodyCali/Con4m 获得。
IT基础架构管理：数字服务上下文
摘要管理IT基础架构对于组织有效提供数字服务至关重要。本研究的重点是解决与数字服务相关的复杂性，同时将最新技术纳入IT基础架构。为了有效地应对挑战，提出了四步方法。首先，必须全面了解工业问题。其次，应预测该领域的趋势和发展及其影响。第三，应制定方法和实践来解决IT基础架构的众多和复杂性所带来的挑战。最后，应在实际环境中评估所提出的解决方案。这项研究概述了接下来三年的博士研究的方法和暂定计划。
cafgd：通过梯度下降自动填充上下文
最近，大型语言模型（LLMS）在传统的自然语言处理以外的领域取得了显着的成功，并且越来越有兴趣将LLMS应用于诸如代码生成，旅行计划和机器人控制之类的更一般性，但是这些模型仍然需要提高针对性的性能和特定领域或任务的概括能力。为了使Mod-Els更具体地了解各种任务，已提出提示学习将下游预测任务转换为语言模型任务。在提示学习方法中，大多数利用基于梯度的触发令牌搜索方法来自动上下文填充来完成任务。但是，这些方法并不总是提高LLM在完成任务时的准确性，尤其是在满足多种任务类型和不确定的输入句子时。触发令牌的选择通常缺乏特异性，从而导致模型性能。为了增强模型稳定性并生成更具针对性的触发令牌，我们通过平均梯度下降提出了上下文自动填充方法。与其他方法不同，我们的方法全面考虑了所有触发令牌与上下文之间的关系。提出的方法通过使用模型在所有触发令牌上的平均梯度选择一个令牌来选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而选择了一个令牌，从而选择了一个令牌，从而选择了一个令牌，从而选择一个令牌来选择一个令牌，从而选择一个令牌，从而选择一个令牌，从而最大程度地利用模板的可能性函数来选择一个令牌。我们分别在SST-2和SICE-E数据集上进行了实验，分别进行了情感分析（SA）和自然语言推断（NLI）任务。实验结果表明，具有平均触发令牌梯度的上下文自动填充方法可产生更好的性能。
上下文样本：通过样本和相关元数据收集
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
上下文样本：通过样本和相关元数据收集
阿斯特里德·伯恩（AstridBöhne）。德国； 6 a.boehne@lili.de，orcid。9玫瑰。 塞维利亚，西班牙，西班牙。 。研究所，诺里奇研究公园，诺里奇，诺里奇，NR4 7UZ，mcectggart@earlham.uk。 Porto，4485–661 19Vairão，葡萄牙； （2）生物学系，港口波尔图20号大学； 。 239玫瑰。塞维利亚，西班牙，西班牙。。研究所，诺里奇研究公园，诺里奇，诺里奇，NR4 7UZ，mcectggart@earlham.uk。 Porto，4485–661 19Vairão，葡萄牙； （2）生物学系，港口波尔图20号大学； 。2325 r.monteiro@leibniz-lib.de，orcid 0000-0003-1374-4474。26 Rebekah A. Oomen，（1）奥斯陆大学生态与进化合成中心，27 Blindernveien，挪威奥斯陆0371 31，（2）奥斯陆大学自然历史博物馆，P.O。28 Box 1172，Blindern，0318，挪威奥斯陆，（3）（3）沿海研究中心，阿格德大学，29 Universitetsveien 25，4630 Kristiansand，挪威，挪威4）生物科学系30 New Brunswick Saint University of New Brunswick Saint John，Taucker Park Road 100 Hättebäcksvägen745296。Rebekahoomen@gmail.com，32 OrcID 0000-0002-2094-5592。33 Olga Vinnere Pettersson，生命实验室科学 - 瑞典（SCILIFELAB），国家34基因组基础设施，Uppsala University，P.O。Box 815，SE-752 37 Uppsala，瑞典。 35 olga.pettersson@scilifelab.uu.se，orcid 0000-0002-5597-1870。 36 Torsten H. Struck，自然历史博物馆，奥斯陆大学，P.O。 Box 1172，Blindern，37 0318 OSLO，挪威。 t.h.struck@nhm.uio.no orcid 0000-0003-3280-6239。 38Box 815，SE-752 37 Uppsala，瑞典。35 olga.pettersson@scilifelab.uu.se，orcid 0000-0002-5597-1870。36 Torsten H. Struck，自然历史博物馆，奥斯陆大学，P.O。Box 1172，Blindern，37 0318 OSLO，挪威。t.h.struck@nhm.uio.no orcid 0000-0003-3280-6239。38
大脑神经影像上下文任务的机器学习
人类神经科学使用磁共振成像（MRI）来了解大脑的结构和功能并表征某些神经系统和精神疾病。最近已经建立了大型成像队列，其中包括一千个（人类连接项目，Abide，Adni，Imagen，Eu-Aims，1000brains，abcd），向十万个人（Enigma Consortium，UK BiobAbank）。这种同类群是研究流行病学研究（UK Biobank）中许多脑部病理（精神病，成瘾，神经退行性疾病）或危险因素的影响所必需的。相应的数据通常可公开可用。除了这些大型研究外，还获得了较小的数据集，并且在认知神经科学的背景下，越来越频繁地公开（https://openneuro.org）。所有这些研究的数据分析需要医学图像处理工具，而且越来越多的统计分析和学习工具。大脑成像社区已经开发了标准，即大脑成像数据结构（BIDS）（1），以组织数据并促进大规模的统计分析。在此框架中，思维对神经影像学中的统计学习产生了许多贡献，对监督学习，基于模拟的推论和协方差模型估计的兴趣非常兴趣。这些贡献的一部分是通过NiLearn库（http://nilearn.github.io）传播的（2）。niLearn是神经科学生态系统中的关键开源库，它依赖于科学的Python stack（Numpy，Scikit-Learn，Matplotlib）。它非常成功（PYPI上下载50 K）。Nilearn由来自几个国家的许多人贡献，请参见https://github.com/nilearn/nilearn/graphs/contributors。它遵循软件开发方面的最佳实践（详尽的自动化测试，CI，完整的API文档以及叙事文档，API同质性，合理的依赖性，有关技术选择的公开讨论等）该开发由Coredev团队管理，有9个每月开会的成员。开发人员社区非常活跃，因为它在神经频道（Neurostars）等公共渠道上提供了反馈，在GitHub界面上打开问题并提取请求。最后，Mind正在将大量资源投资于临床合作。Specifically, Mind is engaged in a collaborative initiative with the Assistance Publique - Hopitaux de Paris (AP-HP), Institut Pasteur, Sainte Anne, Stanford University and Neurospin, to address clinical scenarios such as brain tumor surgeries, analysis of stroke-induced lesions ( 3 ; 4 ), understand the relationship between brain structure and cognition, or the use of ultra-high field MRI.