XiaoMi-AI文件搜索系统
World File Search System不见
无关脑的域概括 -
摘要 - 电解图（EEG）的间/受主体内变异性使脑计算机界面（BCI）的实际使用很难。通常，BCI系统需要一个校准程序来获取主题/会话特定数据，以每次使用系统时调整模型。这个问题被认为是BCI的主要障碍，并克服它，基于域概括（DG）的方法最近出现了。本文的主要目的是重新考虑如何从DG任务的角度克服BCI的零校准问题。就现实情况而言，我们专注于创建一个脑电图分类框架，该框架可以直接在看不见的会话中应用，仅使用先前获得的多主题/ - 主题/ - 主题。因此，在本文中，我们通过休假一项验证测试了四个深度学习模型和四种DG算法。我们的实验表明，更深层次的模型在跨课程的概括性能中有效。此外，我们发现任何明确的DG算法都不优于经验风险最小化。最后，通过使用特定于特定数据进行调查的结果进行比较，我们发现特定于特定的数据可能会由于会议变异性而导致的，从而使未见的会话分类性能恶化。关键字 - 大脑 - 计算机接口；深度学习；电气图；运动图像；域概括
大脑结构的多变量模式分析预测功能结果
摘要背景：认知训练干预措施（CT）后的认知收益与精神分裂症患者（SCZ）的功能改善有关。但是，观察到很大的个体变异性。在这里，我们评估了大脑结构特征的敏感性，以在单个学科层面预测基于听觉的认知训练（ABCT）的功能响应。方法：我们使用支持向量机（SVM）建模的全脑多变量模式分析（MVPA）来识别灰质（GM）模式，这些模式（GM）模式预测了SCZ患者在单个受试者水平的ABCT 40小时后“较高”与“较低”功能。通过通过样本外跨验证分析（OOCV）应用原始模型来评估SVM模型的概括能力，以从经历了50个小时的ABCT的独立样本中看不见的SCZ患者。结果：全脑GM体积的模式分类预测，在随访时预测了“较高”与“较低”功能，其平衡精度（BAC）为69.4％（灵敏度为72.2％，特异性66.7％），通过嵌套交叉验证确定。神经解剖模型可推广到一个独立队列的BAC为62.1％（灵敏度为90.9％，特异性为33.3％）。结论：尤其是，在SCZ参与者ABCT之后，单个受试者水平的颞上回，丘脑，前扣带回和小脑的区域中的基线GM体积更大。
rombocin是一种短稳定的天然尼霉素变体，表现出针对单核细胞增生李斯特菌的选择性抗菌活性，并采用了AC
数字化增加了商机和公司成为毁灭性网络攻击的受害者的风险。因此，管理风险敞口和网络安全策略对于旨在在竞争市场中生存的数字化公司至关重要。但是，了解公司特定的风险和量化其相关成本并不是微不足道的。当前的方法无法通过货币估计来近似网络事件的个性化财务影响。此外，由于资源和技术专长有限，中小型企业以及大型公司都难以量化其网络攻击。因此，必须制定新的方法，以更好地理解与网络攻击相关的财务损失。本文介绍了风险的实际网络价值（RCVAR），这是一种经济的方法，用于使用公共网络安全报告中的现实世界信息来估算网络安全成本。RCVAR确定来自各种来源的最重要的网络风险因素，并结合了其定量结果，以估算公司的特定网络攻击成本。此外，RCVAR扩展了当前方法，以基于历史现实世界数据而不是仅基于概率的模拟来实现成本和风险估计。对看不见数据的方法的评估表明，RCVAR在预测和管理网络风险方面的效率很高。因此，我们认为RCVAR是网络安全计划和风险管理流程的宝贵补充。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
autonerf：用自主代理培训隐性场景表示
摘要 - 隐式表示，例如神经辐射场（NERF），可以通过连续的神经功能在3D场景中绘制颜色，密度和语义。但是，这些模型通常需要手动和仔细的人类数据收集进行培训。本文解决了自主nerf构造的主动探索问题。我们研究代理如何学会有效地探索未知的3D环境，以便在自主性过程中收集的数据能够学习高质量的神经隐式图表示。在四个与机器人相关的下游任务上评估了所学代表的质量：经典的观点渲染，地图重建，计划和姿势改进。我们比较了不同的探索策略的影响，包括基于前沿的基于基础和学习的方法（端到端和模块化）以及针对此问题量身定制的不同奖励功能。经验结果表明，可以使用在看不见的环境中使用一集经验对积极收集的数据进行培训，并且Autonerf是一种经过加固学习训练的模块化勘探策略，使得获得了高质量的NERF，以获得高质量的NERF，以实现经过考虑的下游机器人任务。最后，我们证明，使用Autonerf可以将代理部署到以前未知的场景中，然后通过通过勘探，重建和策略填充的循环来适应场景来自动改善其导航性能。
Wildlma：野生中的长范围内部操作
摘要 - “野外”移动操作旨在在不同的现实世界环境中部署机器人，这要求机器人具有（1）具有跨对象配置的技能； （2）能够在各种环境中进行长马任务执行； （3）在接地之外执行复杂的操作。用操纵器的四倍的机器人有望扩展工作空间并实现强大的运动，但是现有的结果并未调查这种能力。本文提出了Wildlma具有三个组成部分来解决以下问题的三个组合：（1）为支持VR的全身远程操作和遍历性，对学识渊博的低级控制器的适应； （2）Wildlma-Skill - 通过模仿学习或启发式方法获得的可推广的视觉运动技能的库以及（3）Wildlma-Planner，这是一种学习技能的界面，允许LLM Planners协调长途任务的技能。，我们通过仅使用数十种示范来实现与现有RL基准相比，实现高质量培训数据的重要性。Wildlma利用剪辑进行语言条件模仿学习，从经验上概括到在培训演示中看不见的对象。除了进行广泛的定量评估外，我们定性地展示了实用的机器人应用，例如清理大学走廊或室外地形的垃圾，操作清晰的物体以及在书架上重新安排物品。
渡渡鸟之歌 - WordPress.com
我们只是丛林中天空中的一粒小点。下面，但不远的地方，是一片连绵不断的树冠，向四面八方延伸，消失不见：亚马逊森林。今天的云层低矮而灰暗，我们脚下的地形看起来极其荒凉，我们那架吵闹的小型双引擎飞机在五百英尺左右的空中顽强地飞行，这是一个危险的高度，空气像变酸的牛奶一样凝固。我们从马瑙斯市向北飞行。偶尔，飞机会向上倾斜二十或三十英尺。或者它会下沉。当我们试图将注意力集中在地面上时，它像风筝一样颠簸。根据我的经验，在这种情况下飞行大约一个小时，我的胃可以忍受。“如果飞行员迷路了，”汤姆·洛夫乔伊在引擎的男中音呜呜声中喊道，“我们可能会到达委内瑞拉。”然后他朝我露出了花栗鼠般的笑容。从我们悬空的位置看去，森林看起来只不过是平坦和叶绿素的宏伟抽象——神秘、单调、绿色。至少，这是第一眼看到的。但宏伟的抽象背后隐藏着丰富的细节，第二眼和第三眼我就能分辨出一些细节。绿色分解成数百种不同的色调，代表着数百种不同的树种。这里和那里，有一棵树的树冠点缀着它，树冠上盛开着鲜艳的黄色或洋红色。一些地方，蒸汽像棉花一样升起，那里是潮湿的气息。
通过归一化压缩距离评估的半球同源物的功能平衡
健康大脑的有效功能取决于两个半球同源区域之间的动态平衡。这种平衡是通过脊间抑制作用促进的，这是大脑组织的关键方面。本质上，一个半球的兴奋性预测激活了其对应物的抑制网络，从而有助于形成周围的侧面网络（Zatorre等，2012; Carson，2020）。这些网络的形成实现了“截然不见”机制在获得神经元皮质水平的新功能方面起着至关重要的作用。它支持运动控制的发展（Mahan和Georgopoulos，2013; Georgopoulos and Carpenter，2015年），并增强了感官感知敏锐度（Kolasinski等，2017; Grujic et al。，2022）。因此，同源半球区域之间的相互作用调节控制人体段的网络的抑制 - 激发平衡，这对于自适应可塑性和学习过程至关重要（Das和Gilbert，1999; Graziadio等，2010）。在诸如疲劳之类的慢性疾病中，半球间的平衡至关重要（Cogliati dezza等，2015； Ondobaka等，2022），它会影响中风的严重程度（Deco和Corbetta，2011; Pellegrino，2011; Pellegrino et al。，2012; Zappasodi et al。 Al。，2013）。尤其是，已经观察到旨在缓解疲劳的神经调节干预措施恢复了原发性运动区域的生理同源性（Porcaro等，2019）和皮质脊柱（Bertoli等，2023年）。
学习机器人想象的学习构图世界模型
文本对视频模型在机器人决策中表现出了实质性的潜力，从而使未来的现实计划以及准确的环境模拟实现了现实计划的想象。但是，此类模型中的一个主要问题是一般化 - 模型仅限于综合视频，但受到与培训时间相似的语言指令约束的视频。这在决策中严重限制，我们寻求一个强大的世界模型来综合对象和行动的不显示的计划，以便在新环境中解决以前看不见的任务。为了解决此问题，我们介绍了Robodreamer，这是一种通过分配视频生成来学习组成世界模型的创新方法。我们利用语言的自然组成性将说明解析为一组低级原始词，我们调节一组模型以生成视频。我们通过允许我们制定新的自然语言教学作为先前看到的组成部分的组合来说明这种分解如何自然地实现组成的重新化。我们进一步展示了这样的分解如何使我们能够添加附加的多模式目标，从而使我们能够指定一个我们希望同时给定自然语言指令和目标图像生成的视频。我们的AP-PRACH可以成功地合成RT-X中看不见的目标的视频计划，在仿真中成功执行机器人，并且在视频生成方面实质上优于单片基线方法。
汤姆·贝克勒 -
1。（2023，Neurips Conference）Will，G。Behrens，J。Busecke，N。Lose，C。Stern，T。Beucler等。：攀登：用于混合物理机器学习气候仿真的大型多尺度数据集。神经信息处理系统的进步。“ Oustanding数据集和基准测试”奖。2。（2023年，Neurips Workshop）Lin，J.，M。A. Bhouri，T。Beucler，S。Yu＆M。Pritchard：在看不见，温暖的气候下，应对混合物理学机器学习气候模拟的压力测试。2023神经信息处理系统会议。3。（2021，Neurips Workshop）Mangipudi，H.，G。Mooers，M。Pritchard，T。Beucler＆S。Mandt：使用多通道VAE分析高分辨率云和对流。2021神经信息处理系统会议。4。（2020年，Igarss）Beucler，T.，M。Pritchard，P。Gentine＆S。Rasp：迈向物理上一致的数据驱动的对流模型。IEEE国际地球科学和遥感研讨会2020年。5。（2020年，气候信息学）Mooers，G.，J。Tuyls，S.Mandt，M。Pritchard＆T。Beucler：大气对流的生成建模。第十届国际气候信息学会议的会议记录，98-105。6。（2019年，ICML研讨会）Beucler，T.，S。Rasp，M。Pritchard＆P。Gentine：在气候建模中实现神经网络模拟器中的能量保护。2019年国际机器学习会议。