XiaoMi-AI文件搜索系统
World File Search System任务性能
斜飞翼：简介和白皮书1
美国宇航局艾姆斯研究中心在 20 世纪 90 年代初对超音速商用客运斜翼全翼概念进行了设计研究。这项研究的参与者包括美国宇航局艾姆斯研究中心在斜翼设计方面拥有丰富经验的工作人员，以及来自西雅图波音商用飞机公司和加州长滩道格拉斯飞机公司的工程师，以及斯坦福大学的研究团队。行业合作的目的是确保将现实世界的设计约束纳入研究，并获得行业设计专业知识。斯坦福大学的团队建造并试飞了一架 17 英尺跨度的斜翼全翼无人机，展示了 3% 负静态稳定性的飞行。设计研究最终产生了两种机翼设计，称为 OAW-3 和 DAC-1。OAW-3 机翼由美国宇航局艾姆斯研究中心的团队设计，代表了基于配置约束和任务性能指标的高度优化设计。DAC-1 机翼由道格拉斯飞机公司的团队设计。它是一种经典的椭圆形平面形状，具有高度的气动形状优化，但设计并未根据整体任务性能指标进行优化。虽然两个机翼都在 9 x 7 超音速风洞中进行了测试，但只有 OAW-3 机翼拥有完整的控制面和发动机舱。本报告中描述的风洞数据仅在 NASA OAW-3 配置上获得。
循环动力学的反馈控制限制了运动适应过程中的学习时间尺度
初级运动皮层 (M1) 的潜在动力学模型揭示了运动控制背后的基本神经计算；然而，这种模型往往忽略了感觉反馈的影响，感觉反馈可以不断更新皮层动力学并纠正外部扰动。这表明迫切需要对感觉反馈和内在动力学之间的相互作用进行建模。这种模型还有利于实时解码神经活动的脑机接口 (BCI) 的设计，其中用户学习和熟练控制都需要反馈。在这里，我们研究了皮层动力学的灵活反馈调节，并展示了它对 BCI 任务性能和短期学习的影响。通过在简单的 2D 到达任务（类似于 BCI 光标控制）上使用实时感觉反馈训练循环网络模型，我们展示了如何将以前报告的 M1 活动模式重新解释为由反馈驱动的动力学引起的。接下来，通过在 M1 上游加入自适应控制器，我们做出了一个可测试的预测：除了 M1 内循环连接的可塑性之外，M1 输入的可塑性（包括感官反馈的重新映射）还促进了新 BCI 解码器的短期学习。这种输入驱动的动态结构还决定了适应速度和学习成果，并解释了学习变异性的连续形式。因此，我们的工作强调了对运动控制的输入相关潜在动力学进行建模的必要性，并阐明了学习限制是如何从神经活动的统计特征和底层动态结构中产生的。
对军用运输飞机的 BWB 评估
摘要 目的——空中机动性的增长、燃料价格的上涨和雄心勃勃的减排目标是推动飞机高效研究的一些因素。本文旨在评估涡轮电力分布式推进的翼身融合 (BWB) 飞机配置在军事领域的应用，并强调其在远程和重载荷应用方面可能实现的潜在优势。 设计/方法/方法——使用点质量方法和推进系统的发动机性能代码 (TURBOMATCH) 模拟了任务性能。创建了有效载荷-范围图表，以比较使用各种不同燃料的 BWB 飞机与现有波音 777-200LR 的性能作为基准。 结果——使用煤油时，有效载荷增加了 42%，但使用液化天然气可使有效载荷在 7,500 海里的设计范围上增加 50%。使用液氢 (LH2) 时，由于这种低密度燃料的可用体积，航程可能会被限制在 3,000 海里左右，但在此航程下的有效载荷可以增加 137%，达到 127,000 公斤。原创性/价值 - 提出的结果用于估计通过减少运输高密度和不规则货物的次数可以在多大程度上提高军事行动的效率，并表明拟议的替代方案与现有军用飞机相比如何。目前没有北约飞机具有如此大的有效载荷和航程能力。AQ：2 因此，本文探讨了采用涡轮电力分布式推进的 BWB 飞机作为有效军用运输工具的潜力。
论文辩护公告
正在通过病历和患者生成的数据生成大量医疗数据；但是，这些健康数据集的独特性质产生了计算挑战，使机器学习和因果推断变得困难。由于从单个患者收集的数据仅取决于患者护理，因此它创造了一种充满挑战的情况，在这种情况下，不同的患者可以测量不同的变量，这对于因果发现会导致混淆和缺乏概括。此外，虽然模拟解决了评估算法的核心挑战，因为它具有基础真理，并且可以在没有隐私问题的情况下共享，但当前模型要么提供了过度乐观的机器学习任务性能估计值，或者不允许在数据属性上消融研究如何影响其黑匣子的性能，从而限制了他们在健康中的广泛应用。在本文中，我通过为（i）数据模拟开发新方法来应对这些挑战，该方法模拟生成具有与真实数据相似的模拟数据，并可以在它们中编码的各种数据属性[1]和（ii）学习因果模型时，当我们拥有多个具有部分重叠变量集的数据集时[2]。此外，本论文还专注于通过仅使用连续记录的生理信号[3]引入新技术来帮助临床医生更好地监测患者的健康，并帮助2型糖尿病患者通过调整基于模拟的餐食检测方法来更好地跟踪饮食场合，从而对患者的健康进行解决。
用算法思维链理解 LLM 训练数据中噪声的影响
在预训练和微调期间，大型语言模型 (LLM) 都会在质量参差不齐的数万亿个文本标记上进行训练。这两个训练阶段通常都涉及启发式地滤除“低质量”或嘈杂的训练样本，但对于噪声的类型或强度如何影响下游性能，人们知之甚少。在这项工作中，我们研究了思路链 (CoT) 中的噪声如何影响算法可解任务的高度受控设置中的任务性能。首先，我们开发了跟踪整数 (TInt) 框架来为整数列表上的任何算术函数生成高度可定制的带噪声执行跟踪。然后，我们定义了两种类型的噪声：静态噪声，一种在计算 CoT 跟踪后应用的局部形式的噪声，以及动态噪声，一种在计算跟踪时传播错误的全局形式的噪声。然后，我们评估了在不同数据集污染程度和强度的噪声数据集上，提示和微调预训练模型的测试性能。我们发现，微调模型对高水平静态噪声具有极强的鲁棒性，但在较低水平的动态噪声下则表现得更加糟糕。相比之下，少样本提示模型似乎对静态噪声也更加敏感。最后，我们讨论了我们的研究结果如何影响噪声过滤的最佳实践，并特别强调了去除包含具有全局误差的破坏性动态噪声的样本的重要性。
前进视觉感知学习：来自数据的见解...
上午11:30 - 下午12:30 │2025年2月21日（星期五）CPD1.24，1/f，Run Run Shaw Tower│Centennial Campus│香港大学抽象视觉感知学习（VPL）可以通过培训来增强任务性能，有时通过培训提高了准确性，从近乎机会到熟练程度。 鉴于其在优化视觉和认知功能中的关键作用，因此了解通过学习的看法如何变化至关重要。 然而，人类学习是一个动态过程，涉及一般学习，遗忘，快速重新学习和适应，由于许多研究中使用的粗糙时间分析，通常会忽略它们。 本谈话从大规模的多任务VPL研究中介绍了发现，揭示了特定于主题的一般学习能力，会议内和间隔过程以及任务之间的干扰效应。 为了更好地分析这些学习动力学，我们使用非参数和分层贝叶斯模型介绍了新的数据分析方法，从而为人类学习行为提供了细粒度的见解。 此外，新的计算建模技术允许对生成过程模型进行逐审拟合，从而通过最小的培训数据可以预测学习性能。 这些进步为优化培训策略和改善人类绩效提供了基础。 演讲将以未来的研究方向结束，包括精炼生成模型，探索组件学习过程对经典感知学习操作的影响，并开发一个全面的框架来增强学习概括和效率。上午11:30 - 下午12:30 │2025年2月21日（星期五）CPD1.24，1/f，Run Run Shaw Tower│Centennial Campus│香港大学抽象视觉感知学习（VPL）可以通过培训来增强任务性能，有时通过培训提高了准确性，从近乎机会到熟练程度。鉴于其在优化视觉和认知功能中的关键作用，因此了解通过学习的看法如何变化至关重要。然而，人类学习是一个动态过程，涉及一般学习，遗忘，快速重新学习和适应，由于许多研究中使用的粗糙时间分析，通常会忽略它们。本谈话从大规模的多任务VPL研究中介绍了发现，揭示了特定于主题的一般学习能力，会议内和间隔过程以及任务之间的干扰效应。为了更好地分析这些学习动力学，我们使用非参数和分层贝叶斯模型介绍了新的数据分析方法，从而为人类学习行为提供了细粒度的见解。此外，新的计算建模技术允许对生成过程模型进行逐审拟合，从而通过最小的培训数据可以预测学习性能。这些进步为优化培训策略和改善人类绩效提供了基础。演讲将以未来的研究方向结束，包括精炼生成模型，探索组件学习过程对经典感知学习操作的影响，并开发一个全面的框架来增强学习概括和效率。关于发言人Lu Zhong-lin教授是NYU上海的神经科学教授，也是纽约大学神经科学中心的全球网络教授。Lu教授于2019年加入俄亥俄州立大学的纽约大学，在那里他是艺术与科学学院杰出心理学教授，心理学，验光学和转化数据分析教授，以及认知和脑科学中心，以及认知和行为脑智慧中心的中心。lu是实验心理学家和心理科学协会的会员。Zoom会议（对于无法亲自参加研讨会的参与者）
使用蒙特卡罗方法的深度主动推理代理
主动推理是理解生物智能的贝叶斯框架。其基本理论将感知和行动归结为一个单一的命令：最小化自由能。然而，尽管它在解释智能方面具有理论效用，但计算实现却仅限于低维和理想化的情况。在本文中，我们提出了一种神经架构，用于构建在复杂、连续状态空间中运行的深度主动推理代理，使用多种形式的蒙特卡罗 (MC) 采样。为此，我们介绍了一些对主动推理来说新颖的技术。这些包括：i) 通过 MC 树搜索选择自由能量最优策略，ii) 通过前馈“习惯性”网络近似该最优策略分布，iii) 使用 MC 丢失预测未来参数信念更新，最后，iv) 优化状态转换精度（一种高端注意力形式）。我们的方法使代理能够有效地学习环境动态，同时与基于奖励的对应者相比保持任务性能。我们在基于 dSprites 数据集的新玩具环境中说明了这一点，并证明主动推理代理会自动创建适合建模状态转换的解开表示。在更复杂的 Animal-AI 环境中，我们的代理（使用相同的神经架构）能够模拟未来的状态转换和动作（即计划），以显示奖励导向的导航 - 尽管暂时停止了视觉输入。这些结果表明，配备 MC 方法的深度主动推理提供了一个灵活的框架来开发受生物启发的智能代理，可应用于机器学习和认知科学。
社论：心脏再生的高级疗法
运动的心理意象是一项潜在的有价值的康复任务，但其治疗性效率可能取决于采用的特定认知策略。个人使用两种主要策略来执行手动旋转任务（HMRT），其中涉及确定视觉图像是描绘左手还是右手。是运动图像（MI）策略，其中涉及在心理上模拟自己的手动作。在这种情况下，通过响应时间（RT）衡量的任务性能会受到内侧效果的影响，其中当纤维固定在内侧定向时，降低了RT，可能是因为实际运动更容易。另一种策略是采用视觉图像（VI），该图像涉及在精神上旋转图片，并且不受这种内侧效果的影响。HMRT的康复性益处被认为取决于MI策略（心理实践），因此必须检查单个因素，例如年龄，图像观点（例如，手掌或手掌）和先天能力（由基线RT指示）等个体因素的影响。出现手掌的图片时，本研究中的所有受试者均使用MI策略，无论年龄和能力如何。相比之下，当对受试者的手背图片呈现时，无论表现如何，VI策略在年轻人组中占主导地位，而中年和老年人组使用的策略取决于绩效能力。在中年龄和老年人组中，VI方法在具有高性能技能的人中占主导地位，而MI策略则占据了低性能技能的人。因此，高技能中年和老年人不一定在HMRT期间形成动作图像，可能会限制康复效率。
人工智能与心脏病专家：2020 年你需要了解的内容
我们生活在一个临床和生物数据空前丰富的时代，这些数据包括电子健康记录、可穿戴传感器、生物医学成像和多组学。收集这些数据的规模、复杂性和速度要求统计学和计算机科学采用创新方法，利用人工智能 (AI) 的快速发展，有效地识别疾病过程的可行见解。现在，研究人员和临床心脏病专家必须对人工智能的优势、应用和局限性有基本的了解。在这种情况下，人工智能是指一组计算概念，可以概括为机器概括学习的能力，以便有效地自主完成复杂任务。机器学习 (ML) 通过使用算法来提高任务性能，而无需明确编程来实现这一点，并且可以大致分为监督方法和无监督方法。在监督学习中，成对的输入和输出变量之间的映射经过迭代优化，以用于回归和分类任务。在无监督学习中，只有输入数据可用，并且使用算法来查找固有的聚类或关联。近年来，机器学习已由深度学习 (DL) 主导，这是一种使用多层神经网络逐步获得复杂数据更抽象表示的方法。图 1 提供了 AI 领域的高级示意图。DL 算法由三种类型的层组成：输入层、隐藏层和输出层。网络架构和初始训练变量（超参数）是预先确定的。每个神经元都有一个激活函数，它定义给定集合的输出
正面theta脑活动随着手术经验和任务错误的函数而变化
对手术专业知识的抽象客观研究几乎完全集中在公开的行为特征上，而几乎没有考虑基本的神经过程。神经影像技术的最新进展，例如，无线，可穿戴的头皮记录的脑电图（EEG），可以深入了解控制性能的神经过程。我们使用头皮录制的脑电图来检查手术专业知识和任务性能是否可以根据称为额叶Theta的振荡性脑活动信号来区分，这是一种认知控制过程的假定生物标志物。设计，设置和参与者的行为和脑电图数据是从1年（n = 25）和4年经验（n = 20）的牙科手术学员那里获取的，而他们在虚拟现实手术模拟器上执行低和高难度的钻探任务。在正面电极（索引额叶theta）中的4-7 Hz范围内的EEG功率是经验，任务难度和错误率的函数。结果对于专家而言，新手的正面theta功率更大（p = 0.001），但没有根据任务难度（p = 0.15）的变化，并且没有经验×难度互动（p = 0.87）。大脑 - 行为相关性显示，在经验丰富的组中，额叶theta和错误的误差之间存在显着的负相关关系（r = -0.594，p = 0.0058），但新手没有这种关系。结论我们发现额叶theta功率在手术经验之间有区别，但仅与经验丰富的外科医生的错误率相关，同时执行艰巨的任务。这些结果为专业知识与外科手术表现之间的关系提供了一种新颖的看法。