XiaoMi-AI文件搜索系统
World File Search System几个
![征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术](/simg/9/997626a7f59d17e25a28a70110fbadb440a4a51a.png)
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
b'1. 单击左侧菜单中的 \xe2\x80\x8b 库存 \xe2\x80\x8b。 2. 单击 \xe2\x80\x8b 疫苗 \xe2\x80\x8b。 3. 单击 \xe2\x80\x8b 库存。 4. 此时将显示 \xe2\x80\x8b 疫苗库存屏幕。 5. 单击 \xe2\x80\x8b 添加新库存 \xe2\x80\x8b 按钮。 必填字段以红色 \xe2\x80\x8b * \xe2\x80\x8b 标记。 填写以下字段： 输入实际收到库存的 \xe2\x80\x8b 日期/时间 \xe2\x80\x8b。这会影响所施用的剂量和核对。选择您的 \xe2\x80\x8b 库存位置。选择 \xe2\x80\x8b 疫苗 \xe2\x80\x8b 或输入疫苗名称的前几个字母。输入 \xe2\x80\x8b 批号 \xe2\x80\x8b 。输入 \xe2\x80\x8b 到期日期 \xe2\x80\x8b 。选择 \xe2\x80\x8b 资金来源 \xe2\x80\x8b 。在“调整剂量”中输入疫苗数量。单击 \xe2\x80\x8b 创建。'
b'1. 单击左侧菜单中的 \xe2\x80\x8b 库存 \xe2\x80\x8b。 2. 单击 \xe2\x80\x8b 疫苗 \xe2\x80\x8b。 3. 单击 \xe2\x80\x8b 库存。 4. 此时将显示 \xe2\x80\x8b 疫苗库存屏幕。 5. 单击 \xe2\x80\x8b 添加新库存 \xe2\x80\x8b 按钮。 必填字段以红色 \xe2\x80\x8b * \xe2\x80\x8b 标记。 填写以下字段： 输入实际收到库存的 \xe2\x80\x8b 日期/时间 \xe2\x80\x8b。这会影响所施用的剂量和核对。选择您的 \xe2\x80\x8b 库存位置。选择 \xe2\x80\x8b 疫苗 \xe2\x80\x8b 或输入疫苗名称的前几个字母。输入 \xe2\x80\x8b 批号 \xe2\x80\x8b 。输入 \xe2\x80\x8b 到期日期 \xe2\x80\x8b 。选择 \xe2\x80\x8b 资金来源 \xe2\x80\x8b 。在“调整剂量”中输入疫苗数量。单击 \xe2\x80\x8b 创建。'
比较在电荷方案和温度的几个参数下，快速充电对三个锂离子细胞周期寿命的影响
几次学习（FSL）的目的是学习如何从少数培训检查中认可图像类别。一个核心挑战是，可用的培训检查通常不足以确定哪些视觉效果是所考虑类别中最具特征的。为了应对这一挑战，我们将这些视觉特征组织成方面，从直观地将相同的特征分组（例如，与形状，颜色或纹理相关的功能）。这是从以下假设中的动机：（i）每个方面的重要性因类别而异，并且（ii）可以从类别名称的预训练的嵌入中预测Facet的重要性。尤其是我们提出了一种自适应的相似性度量，依靠对给定类别的预测的重要性权重。该措施可以与各种现有的基于度量的甲基甲化组合使用。在迷你胶原和CUB上进行的实验表明，我们的方法改善了基于公制的FSL的最新方法。
关于张量级等级计算的几个评论
与矩阵乘法的算法问题有关[10; 29; 34]，当代工作的显着部分涉及基本操作（例如张量产品[6]，Kronecker产品[8]，直接总和[29; 31]和许多其他[7; 30]。该问题的对称对准涉及多项式，而它们的自然代数操作是总和和产物。的确，这些总和的警告等级得到了广泛的研究[12; 24; 36]，一个特定的众所周知的猜想认为，Waring等级的添加性是具有不连接变量家族的多项式的总和[4]，但事实证明是错误的[33]。在产品下，警告等级的行为如何？这个问题似乎并没有吸引与总和相比的任何关注，但是以下众所周知的结果可能是一个很好的起点。
具有多面原型的几个图像分类
游戏化是一个新兴的概念，通常以其已知的动机和参与品质而被使用和引用。尽管在运输和流动性领域中研究了游戏化并应用了各个领域，但在各个领域中都没有概述。因此，需要全面了解所进行的研究，其产生的经验证据以及仍然可能缺乏的研究类型。这些发现可能有助于更有效，更受欢迎的运输干预措施，无论是旨在提高安全性，流动性还是生态友善。我们的评论概述了有关流动性和运输的游戏化文献，并为将来的研究和干预提供了建议。对Scopus，Web of Science和PubMed进行了统一的系统文献综述，导致了49篇合格的论文。对这些论文的分析结果表明多个领域的异质性：干预的目标（例如安全或生态友好驾驶），方法论（即不同的样本大小，不同的实验设计），实验类型（例如，问卷，模拟或仿真研究）和更多重要的过程（例如观察到的经验证据。似乎在游戏化的影响或运输领域的基本机制上似乎没有达成共识。缺乏有关在流动性和运输领域提出游戏干预的最有效方法的知识，无论是旨在改变行为还是态度。进一步的研究应更多地依靠特定的理论框架来证明其方法合理，并在方法论和经验上更加依据地评估游戏化的效果，以建立适用可靠的知识。获得的知识可以提高道路安全性或帮助人们采取更环保的运输方式。
现实生活中的几个射击对象检测：关于自动 - 收获的案例研究
摘要 - 在Covid-19期间的确定对世界各地的农业造成了严重影响。作为有效的解决方案之一，基于对象检测的机械收获/自动收获和机器人收割机成为迫切需要。在自动收获系统中，良好的几个射击对象检测模型是瓶颈之一，因为该系统需要处理新的蔬菜/水果类别，并且收集了所有新颖类别的大规模注释数据集的收集。社区开发了许多射击对象检测模型。然而，是否可以直接用于现实生活中的农业应用程序仍然值得怀疑，因为常用的培训数据集与现实生活中农业场景中收集的图像之间存在上下文差距。为此，在这项研究中，我们提出了一个新颖的黄瓜数据集，并提出了两种数据增强策略，有助于弥合上下文差距。实验结果表明，1）最先进的几个射击对象检测模型在新型的“ Cucumber”类别上的性能很差； 2）提出的增强策略的表现优于常用的增强策略。
最佳尺寸方法 - 几个影响因素的影响
摘要 - 由于表现不断提高和成本降低，Battery储能系统（BESS）越来越具竞争力。从技术角度来看，某些电池存储技术可能是成熟且可靠的，但预计会进一步降低成本，但电池系统的经济关注仍然是要克服的主要障碍，然后才能将BESS充分用作能源领域的主流存储解决方案。由于部署BES的投资成本很大，因此最关键的问题之一是最佳尺寸，以平衡使用BESS改善能源系统绩效和实现盈利投资之间的权衡取舍。确定特定应用程序的最佳BES大小是一项复杂的任务，因为它取决于应用程序本身，电池系统的技术特征和业务模型框架的许多因素。本文介绍了一种基于通用仿真的分析方法，该方法已开发出来，以确定BESS最佳尺寸，同时考虑到其生命周期的应用程序和存储性能。它的实现和相关的结果介绍了两个不同的BES用例：PV注入的平滑和峰值剃须应用和一个离网杂种微网案。为了更好地理解在BESS大小程序中要考虑的最有影响力的驱动因素，对这两个说明性案例进行了一些灵敏度分析。使用比较方案导致量化以下主题中几个因素的最佳尺寸结果的影响程度：控制策略，预测质量，由于老化而导致电池性能的退化，技术建模的精度。
基于近端神经网络的重建，用于几个...
摘要本文通过使用基于学习的方法从有限数量的观点中解决了层析成像重建的挑战。通过使用高斯denoing算法的能力来处理复杂的优化任务，通过插入式游戏（PNP）算法的最新进步（PNP）算法显示了求解成像逆概率的希望。传统的denoising手工制作的方法产生具有可预测特征的图像，但需要复杂的参数调整并遭受缓慢的结合。相比之下，基于学习的模型可提供更快的性能和更高的重建质量，尽管它们缺乏解释性。在这项工作中，我们提出培训近端神经网络（PNN），以消除任意伪像并改善PNP算法的性能。这些网络是通过展开旨在找到最大后验（MAP）估计值的近端算法获得的，但使用学习的线性运算符在固定数量的迭代范围内获得。pnns提供了灵活性，可以通过近端算法来适应任何图像恢复任务。此外，与传统的神经网络相比，它们具有更简单的体系结构。
可控制的遗忘机制，用于几个班级 - ...
摘要 - 在有限的个人标签样本（少数）背景下进行的学习阶级学习对于众多现实世界应用，例如智能家居设备，至关重要。在这些情况下，一个关键的挑战是在适应新的，个性化的班级和在原始基础类别上保持模型的性能之间平衡权衡取舍。对新型类别的模型进行微调通常会导致灾难性遗忘的现象，在这种情况下，基本类的准确性不可预测而显着下降。在本文中，我们提出了一种简单而有效的机制，通过控制新颖和基础准确性之间的折扣来应对这一挑战。我们专门针对超低击场景，其中每个新颖的类别只有一个示例。我们的方法引入了一种新颖的类检测（NCD）规则，该规则调整了忘记先验的程度，同时同时增强了新颖阶级的表现。我们通过将解决方案应用于最新的几个类别学习（FSCIL）方法来证明我们的解决方案的多功能性，从而在不同的设置中显示出一致的改进。为了更好地量化小说和基础性能之间的权衡，我们介绍了新的指标：NCR@2for和NCR@5 for。我们的方法在CIFAR100数据集（1-shot，1个新颖的类）上的新型类准确性提高了30％，同时保持受控的基类遗忘率为2％。索引术语 - 学习学习，很少的学习，神经网络作品，图像识别。
从几个副本中学习量子多体系统
通过测量来估计量子态的物理性质是量子科学中最基本的任务之一。在这项工作中，我们确定了状态的条件，在这些条件下，可以从与系统大小呈多项对数关系、与目标可观测量的局部性呈多项式关系的副本数推断出状态所有准局部可观测量的期望值。我们表明，与最先进的断层扫描协议相比，这可证明副本数量呈指数级增长。我们将最大熵方法与经典阴影和量子最优传输等新兴领域的工具相结合，从而实现了我们的结果。后者使我们能够根据可观测量的局部性以及我们对一组固定少体可观测量的期望值的近似程度，对估计可观测量期望值时产生的误差进行微调。我们推测我们的条件适用于所有表现出某种形式的相关性衰减的状态，并针对其中的几个子集建立了该条件。这些包括广泛研究的状态类别，例如任意超图上的局部交换哈密顿量的一维热和高温吉布斯状态或浅电路的输出。此外，我们展示了最大熵方法在样本复杂度之外的改进，这些改进是独立感兴趣的。这些包括确定可以有效执行后处理的机制以及多体状态协方差矩阵条件数的新界限。