XiaoMi-AI文件搜索系统
World File Search System信念
不同的学习异常与不同内容的妄想类信念相关
预测误差理论对妄想症的解释已经取得了成功。然而，它对不同内容的妄想症的解释却一直不足。被害妄想症和偏执狂是常见的毫无根据的信念，即他人对我们怀有恶意。其他妄想症包括相信自己的思想或行为受到外部控制，或相信世界上的事件具有特定的个人意义。我们比较了两种不同的认知任务中的学习情况，即概率逆转学习和卡明阻断，它们分别与偏执和非偏执的妄想类信念有关。我们发现，单独的临床高风险状态不会导致概率逆转学习任务中的不同行为结果，但个体的偏执程度与过度的转换行为有关。在卡明阻断任务中，偏执者对被阻断的线索学习不当。然而，他们对控制线索的学习也有所减少，这表明他们存在更普遍的学习障碍。非偏执妄想类信念信念（但不是偏执狂）与被阻断线索的异常学习有关，但与控制线索的学习有关，这表明与线索组合相关的学习存在特定障碍。我们分别将任务特定的计算模型与行为数据相匹配，以探索潜在参数在个体之间如何在任务之间变化以及它们如何解释症状特定的影响。我们发现偏执狂与概率逆转学习任务和阻断任务中的低学习率有关。非偏执妄想类信念信念与控制同时呈现线索时线索更新的相似程度和方向的参数有关。这些结果表明，偏执狂和其他妄想类信念涉及学习和信念更新的可分离缺陷，鉴于偏执狂的跨诊断状态，这可能在预测精神病方面具有不同的效用。
语义信念行为图：在未知环境中启用自主机器人检查
摘要 - 本文解决了在复杂且未知环境中自动机器人检查的问题。即使面对感知不确定性和对环境的先验知识，这种能力对于各种现实世界中的有效和精确检查至关重要。现有的实际自主检查方法典型地依赖于预定义的目标和路点，并且通常无法适应动态或未知设置。在本文中，我们介绍了语义信念行为图（SB2G）框架，作为一种新的语义意识自主机器人检查的方法。sb2g使用行为节点为机器人生成控制策略，该行为节点封装了设计用于检查不同类别对象的各种基于语义的策略。我们设计了一种主动的语义搜索行为，以指导机器人定位对象进行检查，同时降低语义信息不确定性。SB2G中的边缘编码这些行为之间的过渡。我们使用腿部机器人平台通过模拟和现实世界的城市检查来验证我们的方法。我们的结果表明，SB2G实现了更有效的检查政策，表现出与人类经营的检查相当的性能。
2型糖尿病患者的健康寻求行为如何发展：一项基于中国健康信念模型的定性研究
2型糖尿病（T2DM）是最普遍的糖尿病形式，占所有糖尿病病例的90-95％，它带来了重大的全球健康和社会经济挑战（1）。成人糖尿病的全球患病率（20-79岁）在2021年为10.5％，到2045年，该数字预计将上升到12.2％（2）。结果，与糖尿病有关的全球卫生支出估计为2021年9660亿美元，预计到2045年将达到1,0540亿美元（2）。糖尿病的高患病率和迅速增加，使其成为21世纪最关键的公共卫生挑战之一。世界卫生组织（WHO）已将糖尿病确定为应对健康挑战的行动计划中五种优先疾病之一（3）。
量子信念传播
简化密度矩阵是量子系统研究的核心。由于随着系统规模的增加，汉密尔顿量的大小呈指数级增长，因此通常无法获得目标系统的精确密度矩阵。信念传播算法是获得近似解的候选算法之一。它们在概率图模型中产生了良好的近似值，这是量子系统的经典模拟。在这个项目中，我们通过从经典算法的推导中采取步骤来推导量子信念传播算法。与文献中的一些算法相比，该推导基于更少的假设，从而产生了一种更通用的算法。我们将得到的算法实现为 1D 系统和 2D 类格系统的软件模块。然后，我们研究算法的性能，包括计算时间、正确性、收敛性和可扩展性。该算法的 1D 版本表现出色。2D 版本在高温系统中表现出良好的性能，但在低温下需要更加注意数值问题。
学习在线信念预测自动驾驶中有效POMDP计划
摘要 - 自主驾驶中有效的决策依赖于其他交通代理的未来行为的准确推断。为了实现这一目标，我们提出了一个基于在线信念的行为预测模型，也提出了一个有效可观察到的马尔可夫决策过程（POMDP）的有效计划者。我们开发了一个基于变压器的预测模型，通过复发性神经记忆模型增强，以动态更新潜在信念状态并推断其他代理的意图。该模型还可以整合自我车辆的意图，以反映代理之间的闭环交互，并从离线数据和在线交互中学习。为了计划，我们采用了一个具有宏观动作的蒙特卡洛树搜索（MCT）计划者，从而通过搜索时间扩展的动作步骤来降低计算复杂性。在MCTS计划者中，我们使用预测的长期多模式轨迹来近似未来的更新，从而消除了迭代信念的更新和提高跑步效率。我们的方法还将深度Q学习（DQN）作为搜索事务，从而大大提高了MCTS计划者的性能。模拟环境的实验结果验证了我们提出的方法的有效性。在线信念更新模型可以显着提高预测的准确性和时间一致性，从而改善决策绩效。在MCT计划中，采用DQN作为搜索，大大提高了其性能，并优于基于模仿学习的先验。此外，我们表明，具有宏观动作的MCT计划在性能和效率方面大大优于香草方法。
家庭对财政主导地位的信念
随着世界面临的温度升高，极端天气事件和环境破坏，减轻气候变化的必要性从未如此紧迫。然而，由于相关政策的可能巨大的财政成本，对有效缓解的追求可能威胁到公共债务的可持续性。本文采用了动态的一般平衡方法，该方法考虑了绿色过渡的宏观经济含义及其对公共财政的后果。它表明，当政府过于依赖基于支出的措施时，它通过增加主权违约的可能性来威胁公共债务的可持续性，从而导致政府债券的利率更高。这种更高的公共违约风险对私营部门的投资融资条件有可能产生重大影响，并增加了向零净经济的过渡成本。另一方面，碳定价政策使过渡对公共财政的可行性更加可行，费用类似于高昂的经济成本，同时在减少温室气体排放方面保持有效。福利最大化的最佳政策组合产生了一种平衡的方法，在2030年至2050年之间，公共部门所做的缓解努力的份额从25％到40％不等。
社交互动中的信念更新
在竞争性互动中，人类必须灵活地更新对他人意图的信念，以调整自己的选择策略，比如当相信对方可能会利用他们的合作性时。在这里，我们研究人类信念更新过程的神经动力学和因果神经基础。我们使用了一个改良的囚徒困境游戏，其中参与者明确预测同伴的行为，这使我们能够量化预期行为和实际行为之间的预测误差。首先，在 EEG 实验中，我们发现负向预测误差的内侧额叶负性 (MFN) 比正向预测误差更强，这表明这个内侧额叶 ERP 成分可能编码同伴的意外背叛。MFN 还能预测负向预测误差后的后续信念更新。在第二个实验中，我们使用经颅磁刺激 (TMS) 来研究背内侧前额叶皮质 (dmPFC) 是否在意外结果后有因果地实施信念更新。我们的结果表明，dmPFC TMS 削弱了负面预测误差后的信念更新和战略行为调整。总之，我们的研究结果揭示了预测误差在社交决策中的使用时间过程，并表明 dmPFC 在更新他人意图的心理表征方面发挥着至关重要的作用。
婴儿认知启发的机器基准，用于识别代理，隶属关系，信念和意图
人类婴儿具有出色的能力来推理驱动他人行为的基本和无形原因。这些能力是人类一生的人类社会认知的核心。人工智能（AI）系统在实现同样的常识性社会知识方面仍然缺乏。最近关注社会认知和心理理论的基准已经开始解决人类和机器社会智力之间的差距，但他们并未完全考虑使用Multiple互动代理来理解场景所需的社会推理。在此类基准测试的基础上，我们提出了八项新任务，该任务着重于不同的早期社会竞争，如婴儿的行为实验所示。我们使用自我监督的变压器模型作为对我们新任务的基线测试，此外，我们在以前的社会认知基准上评估了该模型。与其他数据驱动的模型相比，我们的模型在以前的基准测试中显示出改进的性能，但它在我们的新任务上表现出色，从而揭示了仅通过视觉数据学习复杂的Soial Sots相互作用的挑战。
一个基于可解释的信念规则的先进的基于基于信念的框架，以预测建筑物的能耗
摘要：建筑能源消耗的预测对减少能源浪费的公用事业公司，用户和设施经理有益。但是，由于预测算法的各种缺点，例如，非透明输出，通过后事后工具的临时解释，较低的准确性以及无法处理数据不确定性，这种预测在该领域中的适用性有限。结果，基于领域的知识解释性具有高精度对于使能源预测值得信赖至关重要。以此为动机，我们提出了一个基于域知识的基于可解释的基于信念规则的专家系统（EBRBES），以基于领域的知识解释，以准确预测能源消耗。我们优化了BRBES的参数和结构，以提高预测准确性，同时使用其推理引擎处理数据不确定性。为了预测能源消耗，我们会考虑到楼层，日光，室内入住和建筑加热方法。我们还描述了如何实现能源消耗的反事实。此外，我们提出了一种基于信念规则的自适应平衡确定（BRBABD）算法，用于确定解释性和准确性之间的最佳平衡。为了验证所提出的EBRBES框架，使用了基于瑞典Skellefteå的案例研究。Brbabd的结果表明，我们提出的EBRBES框架在解释性和准确性之间的最佳平衡和准确性之间的平衡高于85.08％。
糖尿病患者加权贝叶斯信念网络
糖尿病是一种持久的代谢疾病，这是由于血糖水平升高而导致的，这是由于体内胰岛素的不良产生或对体内胰岛素的无效利用而产生的。印度通常被标记为“世界糖尿病之都”，这是由于这种情况的广泛流行。根据国际糖尿病联合会报道，在2021年9月最新的作者最新知识最新的最新知识更新，据报道，印度约有7700万成年人受到糖尿病的影响。由于隐藏的早期症状，许多糖尿病患者无法诊断，导致治疗延迟。虽然已经利用计算智能方法来提高预测率，但这些方法的显着部分缺乏可解释性，这主要是由于它们固有的黑匣子性质。规则提取经常用于阐明机器学习算法固有的不透明性质。此外，为了解决黑匣子性质，使用了一种基于加权贝叶斯关联规则挖掘的强大规则的方法，以便提取的诊断糖尿病等疾病的提取规则可以非常透明，并且可以由临床专家易于分析，从而增强可解释性。使用UCI机器学习存储库来构建WBBN模型，证明了95.8％的性能精度。