XiaoMi-AI文件搜索系统
World File Search System不变
人工智能如何改变我们做出购买决策的方式？这对商标法意味着什么？商标法的核心在于如何购买商品和服务，而由于人工智能正在影响购买过程，因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程：（a）消费者可获得的品牌信息和（b）谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”，控制向消费者提供哪些品牌信息，并以纯粹的形式购买品牌产品，在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预，从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”，例如“混淆”、“不完全记忆”、“联想”和“商标混淆”，这些概念都围绕着人类的弱点。然而，人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗？它会混淆商标吗？人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买，这就是所谓的人工智能黑箱问题吗？人工智能应用程序经常受到个人消费者过去购买决策的影响，而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下，知识产权侵权责任问题也引起了重要的问题。然而，即使人工智能应用程序不做出购买决策，它仍然会影响消费者在做出购买决策时可用的品牌信息。例如，亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品，它而不是人类消费者掌握着所有的品牌信息。然而，人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的，但并非史无前例。现代商标法诞生于十九世纪，并发展到现代。然而，在此期间，购买过程并非一成不变，而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化，从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化，实际上可以说是适应性最强的知识产权法形式。例如，关于人工智能应用程序的责任问题，我们已经可以从关键词广告的案例中得到指导，例如谷歌法国，它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色，则人工智能应用程序提供商不太可能被追究责任，如果人工智能应用程序在购买决策中扮演更积极的角色，并且可以说人工智能提供商在购买决策中强烈影响消费者，则更有可能发现责任。商标法已经适应了购买过程的变化，并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis
人工智能如何改变我们做出购买决策的方式？这对商标法意味着什么？商标法的核心在于如何购买商品和服务，而由于人工智能正在影响购买过程，因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程：（a）消费者可获得的品牌信息和（b）谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”，控制向消费者提供哪些品牌信息，并以纯粹的形式购买品牌产品，在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预，从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”，例如“混淆”、“不完全记忆”、“联想”和“商标混淆”，这些概念都围绕着人类的弱点。然而，人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗？它会混淆商标吗？人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买，这就是所谓的人工智能黑箱问题吗？人工智能应用程序经常受到个人消费者过去购买决策的影响，而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下，知识产权侵权责任问题也引起了重要的问题。然而，即使人工智能应用程序不做出购买决策，它仍然会影响消费者在做出购买决策时可用的品牌信息。例如，亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品，它而不是人类消费者掌握着所有的品牌信息。然而，人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的，但并非史无前例。现代商标法诞生于十九世纪，并发展到现代。然而，在此期间，购买过程并非一成不变，而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化，从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化，实际上可以说是适应性最强的知识产权法形式。例如，关于人工智能应用程序的责任问题，我们已经可以从关键词广告的案例中得到指导，例如谷歌法国，它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色，则人工智能应用程序提供商不太可能被追究责任，如果人工智能应用程序在购买决策中扮演更积极的角色，并且可以说人工智能提供商在购买决策中强烈影响消费者，则更有可能发现责任。商标法已经适应了购买过程的变化，并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis
利用合成主体不变 EEG 信号实现零校准 BCI
摘要 — 最近，使用现代机器学习技术解码和解释脑信号的脑机接口 (BCI) 领域取得了实质性进展。虽然脑电图 (EEG) 提供了一种与人脑交互的非侵入性方法，但获取的数据通常严重依赖于受试者和会话。这使得将这些数据无缝整合到现实世界的应用中变得棘手，因为受试者和会话数据的差异可能导致漫长而繁琐的校准要求和跨受试者泛化问题。专注于稳态视觉诱发电位 (SSVEP) 分类系统，我们提出了一种生成高度逼真的合成 EEG 数据的新方法，这些数据不受任何受试者、会话或其他环境条件的影响。我们的方法称为主题不变 SSVEP 生成对抗网络 (SIS-GAN)，它使用单个网络从多个 SSVEP 类别生成合成 EEG 数据。此外，通过利用固定权重预训练的主题分类网络，我们确保我们的生成模型对主题特定特征保持不可知，从而生成可应用于新的以前未见过的主题的主题不变数据。我们广泛的实验评估证明了我们的合成数据的有效性，在使用我们的主题不变合成 EEG 信号进行训练时，可实现卓越的性能，在零校准分类任务中可提高高达 16 个百分点。
ICU 住院期间，隐性液体量增加，但静脉注射药物量保持不变 抗菌药物是 ICU 液体状态的最大因素
• 液体管理是一个促进正确管理静脉 (IV) 液体和药物的过程，目的是减少液体超负荷、改善患者预后和减少不良事件 1 • 重症监护病房 (ICU) 中的液体超负荷与死亡率增加有关，并会导致严重的并发症，例如肺水肿和心力衰竭 2 • 液体包括复苏液、维持液和“隐藏液体”，是 ICU 中最常用的处方药 1 • 隐藏液体的例子有血液制品、冲洗液和 IV 药物 1 • 文献显示，IV 药物占 ICU 入院第一天总液体摄入量的 61%，占前七天总液体摄入量的 40% 3 • 但是，对显著影响液体状态的 IV 药物进行分类的数据有限
人工智能引导发现病毒大流行的不变宿主反应
作者：Debashis Sahoo 1-3 † *、Gajanan D. Katkar 4 *、Soni Khandelwal 1 、Mahdi Behroozikhah 2 、Amanraj Claire 4 、Vanessa Castillo 4 、Courtney Tindle 4 、MacKenzie Fuller 4 、Sahar Taheri 2 、Thomas F. Rogers 5-6 、Nathan Beutler 5 、Sydney I.拉米雷斯 10, 11, 斯蒂芬 A. 罗林斯 11, 维克多·普勒托里斯 14, 大卫·M.·史密斯 11, 丹尼斯·R.伯顿 5, 7-8, 劳拉·E.克罗蒂·亚历山大 9, 杰森·杜兰 15, 谢恩·克罗蒂 10, 11, 詹妮弗·M.丹 10, 11, 苏米塔·达斯 11† 和普拉迪普塔戈什4,13 † 附属机构：1 加州大学圣地亚哥分校儿科系。2 加州大学圣地亚哥分校雅各布工程学院计算机科学与工程系。3 加州大学圣地亚哥分校摩尔斯癌症中心。4 加州大学圣地亚哥分校细胞与分子医学系。5 美国斯克里普斯研究所免疫学与微生物学系，加利福尼亚州拉霍亚 92037。6 美国加州大学圣地亚哥分校医学系传染病科，加利福尼亚州拉霍亚 92037。7 美国斯克里普斯研究所 IAVI 中和抗体中心，加利福尼亚州拉霍亚 92037。8 美国斯克里普斯研究所 HIV/AIDS 疫苗开发联盟 (CHAVD)，加利福尼亚州拉霍亚 92037。 9 加利福尼亚州拉霍亚，退伍军人事务部 (VA) 圣地亚哥医疗系统肺部重症监护科；加利福尼亚州拉霍亚，加利福尼亚大学圣地亚哥分校（UCSD）医学系肺部、重症监护和睡眠医学分部 10 美国加利福尼亚州拉霍亚，拉霍亚免疫学研究所 (LJI) 传染病和疫苗研究中心。11 美国加利福尼亚州拉霍亚，加利福尼亚大学圣地亚哥分校（UCSD）医学系、传染病和全球公共卫生分部。12 加利福尼亚大学圣地亚哥分校病理学系。13 加利福尼亚大学圣地亚哥分校医学系。14 加利福尼亚大学圣地亚哥分校外科系。15 加州大学圣地亚哥分校医学中心内科系心脏病学分部，拉霍亚 92037 * 同等贡献 † 共同通讯加州大学圣地亚哥分校儿科系助理教授；9500 Gilman Drive, MC 0730, Leichtag Building 132；La Jolla, CA 92093-0831。电话：858-246-1803：传真：858-246- 0019：电子邮件：dsahoo@ucsd.edu Soumita Das，博士；加州大学圣地亚哥分校病理学系副教授；9500 Gilman Drive, George E. Palade Bldg, Rm 256；La Jolla, CA 92093。电话：858-246-2062：电子邮件：sodas@ucsd.edu Pradipta Ghosh，医学博士；加州大学圣地亚哥分校医学和细胞与分子医学系教授； 9500 Gilman Drive (MC 0651)，George E. Palade Bldg，232 室；La Jolla, CA 92093。电话：858-822-7633：电子邮件：prghosh@ucsd.edu
利用相干态空间中捕获离子的量子游动探测拓扑不变量*
我们提出了一种实现拓扑离散时间量子行走的方案，该方案由单个捕获离子执行一系列自旋相关的翻转位移操作和量子硬币抛掷操作组成。结果表明，当行走发生在相干态空间中时，可以通过测量平均投影声子数来提取体拓扑不变量的信息。有趣的是，我们的离散时间量子行走所具有的特殊手性对称性简化了测量过程。此外，我们通过引入动态无序和退相干证明了此类体拓扑不变量的稳健性。我们的工作提供了一种测量离散时间量子行走中体拓扑特征的简单方法，可以在单个捕获离子系统中通过实验实现。
互补测量中的总方差和不变信息
在经典测量中，观察通过揭示系统被认为是预先存在的、独立于观察的属性来消除我们对状态的无知。香农信息是量化经典系统所携带信息量的理想度量。它也是我们对经典系统属性的无知的自然度量。然而，对于量子测量，情况则大不相同，因为不能说量子测量揭示了量子系统的预先存在的属性。因此，香农熵在量子物理学中可以被认为是概念上的不足。布鲁克纳和泽林格引入了一个量作为总信息的新度量，该量是通过对一组完整的相互补充的测量中的单个测量求和而获得的[1,2]。这种量子信息度量考虑到在测量之前已知的量子系统的唯一特征是各种事件发生的概率。这个量可以表示为
通过对抗性推理从 EEG 中学习不变表征 /作者=Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 4 月 18 日 /主题=人工智能、机器学习
摘要 在基于脑电图 (EEG) 的分类任务中发现和利用共享的、不变的神经活动对于跨受试者或 EEG 记录会话的解码模型的通用性具有重要意义。虽然深度神经网络最近成为通用的 EEG 特征提取器，但这种迁移学习方面通常依赖于先前的假设，即深度网络自然表现为受试者（或会话）不变的 EEG 特征提取器。我们建议在模型训练期间以系统的方式进一步实现 EEG 深度学习框架的不变性。我们引入了一种对抗性推理方法来学习在判别设置内对受试者间变异不变的表示。我们使用公开的运动想象 EEG 数据集和基于卷积神经网络的 EEG 解码模型在提出的对抗性学习框架内进行实验研究。我们展示了跨学科模型转移场景中的结果，展示了学习网络的神经生理学解释，并讨论了对抗性推理为不断发展的 EEG 深度学习领域提供的潜在见解。
量子不变性
摘要：量子不变性是指任何量子相干态与相应的测量结果统计集合之间的关系。讨论了“测量”的充分概括，以涉及由于基本普朗克常数而导致的任何量子相干态与其在测量后作为统计集合的统计表示之间的差异。集合论推论是对选择公理的奇特不变性：任何相干态都排除任何良序，因此也排除了选择公理。它应该等同于测量后的良序集，因此需要选择公理。量子不变性是量子信息的基础，并将其揭示为无序量子“多”（即相干态）与良序“许多”测量结果（即统计集合）之间的关系。它开辟了一个新视野，其中所有物理过程和现象都可以解释为量子计算，实现量子信息的相关操作和算法。所有纠缠现象都可以用量子信息来描述。量子不变性阐明了广义相对论和量子力学之间的联系，从而阐明了量子引力问题。
简单量子系统中绝热不变量的Ehrenfest方法及进入能量发射过程的时间间隔的计算
第一步，将有关角轨道动量绝热不变性的埃伦费斯特推理应用于氢原子中的电子运动。结果表明，从氢原子中考察的轨道角动量可以推导出从量子能级 1 n + 到能级 n 的能量发射时间。发现这个时间恰好等于焦耳-楞次定律规定的电子在能级 1 n + 和 n 之间跃迁的时间间隔。下一步，将输入量子系统的机械参数应用于计算电子跃迁特征时间间隔。这涉及氢原子中的相邻能级以及受恒定磁场作用的电子气中的朗道能级。
实现时间反向不变光子拓扑结构Anderson绝缘子
Yi-Wen Liu 1,§ , Zhe Hou 2,§ , Si-Yu Li 1,§ , Qing-Feng Sun 2,3,4, *, and Lin He 1,5, * 1 Center for Advanced Quantum Studies, Department of Physics, Beijing Normal University, Beijing, 100875, People's Republic of China 2 International Center for Quantum Materials, School of Physics, Peking University, Beijing, 100871, China 3 Quantum Matter的合作创新中心，北京100871，中国4北京量子信息科学学院，西BLD。＃3，编号10 Xibeiwang East Road，Haidian区，北京100193，中国5个国家主要材料的国家主要实验室，上海宏观系统和信息技术研究所，中国科学院，上海865 Changnai Road，20005010 Xibeiwang East Road，Haidian区，北京100193，中国5个国家主要材料的国家主要实验室，上海宏观系统和信息技术研究所，中国科学院，上海865 Changnai Road，200050