XiaoMi-AI文件搜索系统
World File Search System下文
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
像医学居民一样培训：对通用医学图像分割的上下文学习
临床成像工作流的主要重点是疾病诊断和管理，导致医学成像数据集与特定的临床目标密切相关。这种情况导致了开发特定于任务的分割模型的主要实践，而没有从广泛的成像群中获得见解。受到医学放射学居民培训计划的启发，我们提出了向普遍医学图像分割的转变，旨在通过利用临床目标，身体区域和成像方式的多样性和共同点来建立医学图像理解基础模型的范式。div of这个目标，我们开发了爱马仕，一种新颖的上下文 - 学习方法，以应对医学图像segmentation中数据杂基的挑战和注释差异。在五种模式（CT，PET，T1，T2和Cine MRI）和多个身体区域的大量各种数据集（2,438个3D图像）中，我们证明了通用范式比传统范式在单个模型中解决多个任务的传统范式的优点。通过跨任务的协同作用，爱马仕在所有测试数据集中都能达到最先进的性能，并显示出卓越的模型可伸缩性。其他两个数据集中的结果揭示了爱马仕在转移学习，分裂学习和对下游任务的概括方面的出色表现。爱马仕（Hermes）博学的先生展示了一个具有吸引力的特征，以反映任务和方式之间的复杂关系，这与既定的放射学解剖学和成像原则相吻合。代码可用1。
具有上下文目标的定量积极能源区定义
帕金森氏病（PD）和相关的神经退行性疾病构成了日益增长的全球健康挑战，影响了数百万的渐进运动和认知能力下降。尽管进行了广泛的研究，但PD基础的精确分子机制仍然难以捉摸，遗传和环境相互作用起着关键作用。了解PD的病理生理学 - 包括对线粒体功能障碍，神经炎症和新型遗传危险因素的新见解至关重要。紧迫的关注是疾病进展和治疗反应的变化。虽然当前的治疗方法提供症状管理，基因治疗中的突破，神经保护剂和精密医学正在重塑景观。此外，在预测疾病发作，进展和治疗结果中，机器学习和人工智能的整合具有变革性的潜力。我们邀请了原始的研究和全面评论，这些研究发现了新的分子靶标，完善诊断生物标志物，并提高AI驱动的预测模型，以彻底改变PD护理并改善患者的结果。
上下文中的健康素养：挣扎于自我管理的糖尿病
考虑健康素养需求的抽象目标是对弱势群体糖尿病自我管理的卫生服务反应能力的关键组成部分。这项定性研究的目的是对2型糖尿病患者的健康素养进行详细分析，以与他们的日常自我保健实践有关。在Ermies的设计嵌套定性研究随机对照试验测试2型糖尿病中的2年结构化护理。在试验开始时，通过主题分析在试验开始时进行了半方向的访谈。第二轮结束时，由第一轮主题与健康素养问卷一起进行了指导的访谈。在家进行的设置访谈。参与者四十四（31名女性/13名男性，30-79岁，糖化血红蛋白（HBA1C）≥7.5％）连续参与者在来自4个糖尿病学门诊环境（Reunion Islandings）的Ermies试验中的100名招募的100名参与者中，有100名参与者。第二轮访谈的42名受访者。结果在八个主题中构成的三极在上下文中表征了实践：健康知识，疾病管理，专业知识和社会支持。八个主题中每个主题中每个参与者的关系都是区分的，从功能到互动和关键。治疗和随访本质上是功能性的，而饮食和运动仍然更具互动性。社会支持和与卫生专业人员的关系是疾病管理的重要决定因素。试验注册号NCT01425866。结论治疗管理和疾病监测主要是卫生专业人员的工作，而不是饮食，体育锻炼和社会支持是普通实践的一部分。作为共同的社会任务，以及参与卫生服务的资源，应考虑针对2型糖尿病的相关干预措施。
基于标准化流量的上下文运动模型
抽象运动模型可以随着时间的推移预测玩家（或对象）的位置，因此对于分析时空数据是至关重要的，因为它经常在运动分析中使用。现有运动模型要么是根据物理原理设计的，要么完全由数据驱动。然而，前者遭受过多的简化，无法实现可行和可解释的模型，而从当前的角度来看，后者依赖于计算上的昂贵，非参数密度估计并需要多个估计器，每个估计值都负责不同类型的运动（例如，例如不同的速度）。在本文中，我们提出了一个基于归一化流量的统一上下文概率运动模型。我们的方法通过直接优化可能性来了解所需的密度，并仅维护一个可以在辅助变量上进行条件的单个模型。对所有观察到的运动类型同时进行训练，从而导致有效而有效的运动模型。我们对专业足球的时空数据进行经验评估我们的方法。我们的发现表明，我们的方法的表现超过了最高的状态，而相对于汇编时间和内存要求，数量级的效率更高。
©2022 Wiley-VCH Verlag GmbH＆Co。Kgaa，Weinheim。这是以下文章的同行评审版本：可扩展的喷雾干燥产生的AMO
©2023 Elsevier Inc.此手稿版本可在CC-BY-NC-ND 4.0许可下提供https://creativecommons.org/licenses/by-nc-nc-nd/4.0/
量子理论中的边界和模拟上下文相关性
我们介绍了在广义上下文情景中的一组量子相关集的半限定性放松的层次结构。这构成了一个简单且通用的工具，用于界定量子上下文的大小。为了说明其效用，我们使用它来确定对以前最大违规行为的最大量子违规违规。然后，我们走得更远，并使用它来证明无法用纯净的状态来解释某些制备上下文的相关性，从而表明混合状态是上下文中必不可少的资源。在本文的第二部分中，我们将注意力转移到了一般操作理论中制备上下文相关性的模拟中。我们介绍了模拟制备上下文性的信息成本，该信息成本量化了在古典模型或量子模型中模拟上下文相关性所需的附加（否则禁止）的信息。在这两种情况下，我们都表明，使用我们半限制放松的层次结构的变体可以将模拟成本限制在有效的界限上，并且我们以奇怪的多样化的最简单上下文性场景进行了精确计算。
使用与历史有关的动态上下文的增强学习
我们介绍了动态上下文Markov Deci-Sion过程（DCMDPS），这是一个新颖的增强学习框架，用于与历史有关的环境，该框架概括了上下文的MDP框架来处理非Markov环境，其中上下文随时间而变化。我们考虑了模型的特殊情况，重点关注dcmdps，这通过利用粒子函数来确定上下文转换，从而破坏了对历史长度的指数性。这种特殊的结构使我们能够得出一种上层封闭的样式算法，我们为此建立了遗憾的界限。以我们的口感结果的启发，我们引入了一种基于模型的实用算法，用于在潜在空间中计划，并在历史依赖的特征上使用乐观态度。我们在推荐任务（使用Movielens数据）上演示了我们方法的效率，在该任务中，用户行为动态响应建议而演变。
基于上下文的空间自我监督学习...
这项工作是出于空间信息在HTR任务[25]中的相关性以及以下事实，据我们所知，它以前尚未进行过研究，并着重于适应HTR领域的此类方法。更确切地说，我们提出了两种替代方案，可以在HTR方案中使用这些SSL策略（见图1）：（i）将HTR任务调整为原始SSL方法，即输入适应性，（ii）提出针对HTR任务特征的新型基于空间上下文的SSL方法，即适应。通过考虑多个参考HTR Corpora，将这些建议全面评估，并与该领域遵循的参考策略进行比较。获得的结果表明，与参考SSL方法相比，所提出的SSL策略提供了最先进的识别率，同时保持概念上的简单性。
上下文中的临床心理病理学874（KLS 874）
该模块的目的是使学生在整个生命周期中拥有对心理病理学和心理困扰的先进理论和经验知情的知识。该模块侧重于临床心理病理学的全面而复杂的知识，以及对概念问题和当前研究的批判意识与：（1）国际和土著疾病和心理疾病的病因； （2）儿童，青少年，成人和老年心理病理学的理论和证据； （3）心理困扰的上下文特殊流行，文化多样性和社会结构表现； （4）公共心理健康； （5）心理药理学。这是通过专业培训在诊断和治疗多样化患者人群中通过个人，公共以及政策制定和计划设计干预措施的临床心理病理学的专业培训来完成的。