XiaoMi-AI文件搜索系统
World File Search System主体
通过受限子空间变分自动编码器 (CS-VAE) 解开多主体和社会行为表征
有效地建模和量化行为对于我们理解大脑至关重要。在社交和多主体任务中，在自然环境中建模行为仍然是一项重大挑战。对执行相同任务的不同主体的行为进行建模需要将行为数据划分为跨主体共有的特征和每个主体独有的特征。与社交调查相比，在自由移动的环境中对多个个体之间的社交互动进行建模需要解开由个体引起的影响。为了灵活地将行为解开为具有个体和跨主体或社交成分的可解释潜在变量，我们基于半监督方法来划分行为子空间，并提出了一种基于柯西-施瓦茨散度的新型正则化方法。我们的模型称为约束子空间变分自动编码器 (CS-VAE)，成功地对跨主体行为视频的不同特征以及不断变化的社交行为差异进行了建模。我们的方法极大地促进了下游任务中产生的潜在变量的分析，例如揭示解开的行为主题，有效解码新主体的行为，并提供对不同动物如何表现出先天行为的理解。
用于解码高级视觉图像任务的独立于主体的脑机接口
摘要 — 脑机接口 (BCI) 用于识别人类的状态和意图，实现人与设备之间的通信。使用脑电图 (EEG) 信号进行人与无人机之间的通信是 BCI 领域最具挑战性的问题之一。特别是，与无人机控制相比，无人机群的控制（方向和编队）具有更多优势。视觉意象 (VI) 范式是受试者在视觉上想象特定的物体或场景。减少受试者 EEG 信号之间的变异性对于基于 BCI 的实际系统至关重要。在本研究中，我们提出了子纪元特征编码器 (SEFE)，以通过使用 VI 数据集来提高与受试者无关的任务的性能。本研究是首次尝试展示基于 VI 的 BCI 中受试者之间泛化的可能性。我们使用留一交叉验证来评估性能。包含我们提出的模块比排除我们提出的模块时获得更高的性能。在六种不同的解码模型中，带有 SEFE 的 DeepConvNet 表现出最高的 0.72 性能。因此，我们证明了使用我们提出的模块在与主题无关的任务中解码 VI 数据集并具有稳健性能的可行性。
使用无线信号进行独立于主体的情绪检测的深度学习框架
使用无线信号进行情绪状态识别是一个新兴的研究领域，对人类行为和幸福感监测的神经科学研究产生了影响。目前，对立情绪检测主要依赖于从光学或摄像机获取的面部表情和/或眼球运动的分析。同时，尽管机器学习方法已被广泛用于从多模态数据中识别人类情绪，但它们大多局限于缺乏通用性的受试者相关分析。在本文中，我们报告了一项实验研究，该研究从身体的射频 (RF) 反射中收集 15 名参与者的心跳和呼吸信号，然后采用新颖的噪声过滤技术。我们提出了一种基于原始 RF 数据和处理后的 RF 信号融合的新型深度神经网络 (DNN) 架构，用于对各种情绪状态进行分类和可视化。所提出的模型对独立受试者的分类准确率高达 71.67%，准确率、召回率和 F1 值分别为 0.71、0.72 和 0.71。我们将我们的结果与五种不同的经典 ML 算法的结果进行了比较，结果表明，即使原始 RF 和后处理时间序列数据量有限，深度学习也能提供卓越的性能。通过将我们的结果与 ECG 信号的结果进行比较，深度学习模型也得到了验证。我们的结果表明，使用无线信号进行待机情绪状态检测是一种比其他技术更好的替代方案，具有较高的准确性，在未来的行为科学研究中具有更广泛的应用。
紧密（双重）指数范围用于识别问题：定位主体设置和测试盖
foucaud等。[ICALP 2024]证明，当通过treewidth或顶点覆盖号参数化时，NP中的某些问题可以接受（紧密）双向指数下限。他们通过证明某些图形问题的条件下限，尤其是基于度量的识别问题（强）度量方面，展示了这些第一届的结果。我们继续进行这一研究，并强调了这种类型的问题的有用性，以证明（紧密）下限相对较少的类型。我们研究了图表中经典（基于非中线的）识别问题的细粒算法方面，即定位键合集合和集合系统，即测试盖。在第一个问题中，输入是n顶点上的图形g和整数k，目的是确定是否存在K顶点的子集S子集S子集S，以便S s中的任何两个不同的顶点在s中的任何两个不同的顶点都由s的不同子集主导。在第二个问题中，输入是一组u，u的子集f的集合和整数k，目标是在大多数k测试中选择一个集合s，以便在s的不同测试中包含任何两个不同的项目。对于我们的第一个结果，我们适应了Foucaud等人引入的技术。[ICALP 2024]证明这两个问题相似（紧密）的下限。
表格 G-639，信息自由/隐私法请求
USCIS 通常要求第三方请求者证明他们已获得记录主体的同意接收记录。或者，第三方请求者必须证明记录主体已去世，或以其他方式证明所请求的记录可能会被公开，例如当记录中没有隐私利益，或者记录中的公共利益超过主体的隐私利益时。如果记录主体的出生日期在提交此请求之前超过 100 年，则通常不需要记录主体的同意。寻求修改或更正与记录主体有关的记录的第三方请求者必须证明他们已获得记录主体的同意并且他们代表记录主体行事。
经济的新兴特性以及利益不一致或冲突的微观主体如何整体组织成宏观实体
现有文献表明，计算机模拟可以揭示微观个体的特征如何引起系统整体的宏观现象。本文旨在将这种重要的基于模拟的观察结果建立在坚实的基础上，作为理论结果。本文不仅探讨整体现象何时可以自然地从微观特征中产生，还探讨了许多宏观实体如何以及为何似乎通过将微观主体有机地聚集到统一导向的运作整体中来响应市场呼声，即使这些主体的利益不一致甚至相互冲突。本文根据系统科学的结果得出结论，并建立了一个充分条件，在此条件下，微观主体的特征可以自然地导致系统整体的宏观特性的出现，即使前者是异质的并且表现为
通过在超维空间中叠加将特定主体的脑机接口模型压缩为一个模型
9 名受试者 每名受试者 2 个环节：训练和测试集 每环节和受试者 288 次试验 由视觉提示发起的 4 种不同的 MI 任务
通过多主体FMRI数据的张量分析发现隐藏的大脑网络对自然主义刺激的反应
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该版本的版权持有人于2021年1月17日发布。 https://doi.org/10.1101/2021.01.14.426756 doi：biorxiv Preprint
MSUM 通用课程计划模板
根据所实施的课程模式，课程主体会有所不同，包含不同的组成部分。但是，课程主体至少应具体说明教师在课堂上会说什么和做什么。课程主体还应反映通用学习设计、差异化和多样性响应实践的元素。课程主体还应包括最佳实践的证据，例如利用学生资产、视觉支持、积极参与策略以及形成性评估/理解检查。
人工智能与人类自主哲学...
主体感是哲学和神经科学中一个激烈争论的话题，它指的是控制一个人的行为及其对外部世界的影响的主观体验。因此，主体感被认为是决策和行动中自主感和责任感的一个关键要素。研究表明，主体感受到诸如行动选择过程的流畅性、这些行动的结果以及其他个体的存在等因素的影响。最近，有几项研究探讨了与人工智能的互动如何影响主体感和自主感，特别是当涉及被认为具有自身意向性的设备时。虽然一些研究表明这些互动会削弱主体感，引发了对我们作为行为作者的体验的重要伦理考虑，但也有证据表明，当计算机辅助有限并允许人类主动时，主体感可以得到保留。在本文中，我将强调设计支持主体内部控制点的基于人工智能的系统的重要性。具体来说，我认为，尽管与人工智能设备的交互可以有效降低主动性，并可能对自主性产生不良影响，但允许人类主动性的平衡交互可以维持甚至提高我们的主动性，从而实现对环境的控制。