XiaoMi-AI文件搜索系统
World File Search System加固
以人为中心的意识无人机轨迹计划在搜救任务中采用多目标加固学习，并基于AHP和基于相似性的经验重播*
摘要 - 将无人驾驶汽车（UAV）整合到搜救（SAR）任务中提出了提高运营效率和有效性的有前途的途径。但是，这些任务的成功不仅取决于无人机的技术能力，还取决于他们的接受和与人类在地面上的互动。本文探讨了以人为中心因素对SAR任务的无人机轨迹计划的影响。我们介绍了一种基于分析层次结构过程增强的强化学习和基于新颖的相似性的经验重播，以优化无人机轨迹，平衡运营目标与人类舒适性和安全考虑因素。另外，通过一项全面的调查，我们研究了性别线索和拟人化设计对无人机设计对公众接受和信任的影响，从而揭示了对SAR中无人机互动策略的重大影响。我们的贡献包括（1）无人机轨迹计划的增强学习框架，该框架动态整合了多目标考虑因素，（2）对人类对性别和拟人化无人机的看法在SAR上下文中的分析，（3）基于相似性的经验重播的应用，以在复杂的SAR场景中提高学习效率。这些发现为设计无人机系统提供了宝贵的见解，这些系统不仅在技术上熟练，而且还与以人为本的价值观保持一致。
2D成本图环境中多代理路径计划的深度加固学习
在机器人技术和自动驾驶汽车中的广泛应用中应用，包括无人机和其他无人机（UAVS）（UAVS），以在监视，搜索和救援和运输等领域解决任务。 在当今迅速发展的技术中，植入式智能，多通道Plathningising越来越相关。 多代理路径计划中遇到的主要问题是避免其他代理，逃避障碍物以及从起点到端点的路径。 theSproject，theObjectivesWeretocreteTeLigentAgentsCapablebablebablenavigating通过二维八代代理成本映射环境到静态目标，同时避免与其他代理商共享并同时最大程度地减少路径成本。 使用开发平台Unity和开源ML代理工具包使用了增强学习的方法，该工具包可以通过统一内部的强化学习来开发智能代理。 Perlin噪声用于生成成本图。 使用强化学习算法近端政策优化用于训练代理。 该培训是作为课程的结构，其中包括两个课程，第一堂课旨在教代理人到达目标，而无需与其他代理人相撞或脱离界限。 第二堂课旨在教代理商以最大程度地降低路径成本。 项目成功实现了其目标，可以通过视觉检查和将最终模型与基线模型进行比较来确定。 降低路径成本6％。，包括无人机和其他无人机（UAVS）（UAVS），以在监视，搜索和救援和运输等领域解决任务。在当今迅速发展的技术中，植入式智能，多通道Plathningising越来越相关。多代理路径计划中遇到的主要问题是避免其他代理，逃避障碍物以及从起点到端点的路径。theSproject，theObjectivesWeretocreteTeLigentAgentsCapablebablebablenavigating通过二维八代代理成本映射环境到静态目标，同时避免与其他代理商共享并同时最大程度地减少路径成本。使用开发平台Unity和开源ML代理工具包使用了增强学习的方法，该工具包可以通过统一内部的强化学习来开发智能代理。Perlin噪声用于生成成本图。使用强化学习算法近端政策优化用于训练代理。该培训是作为课程的结构，其中包括两个课程，第一堂课旨在教代理人到达目标，而无需与其他代理人相撞或脱离界限。第二堂课旨在教代理商以最大程度地降低路径成本。项目成功实现了其目标，可以通过视觉检查和将最终模型与基线模型进行比较来确定。降低路径成本6％。基线模型仅经过训练才能达到目标，同时避免碰撞，而不会最大程度地减少路径成本。对模型的比较表明，最终模型的表现优于基线模型，平均达到27。
与加固学习PA026
强化学习（RL）通过通过反复试验来学习最佳策略来玩复杂的游戏。本项目将增强性学习应用于Sudoku，这是一个具有挑战性的演绎难题，需要用数字1到9填充9x9网格，以便每行，列和3x3 Subgrid完全包含所有数字。sudoku拼图范围从轻松到硬；有些可以通过应用基本的Sudoku规则来解决，而另一些则需要复杂的策略。此外，难以立即解决困难的难题，需要预测前进的几个动作。该项目的目标是探索经过RL训练的深神经网络可以学会解决Sudoku难题，这表明RL在处理演绎推理任务中的潜力。项目代码和运行说明可在gitlab上获得：https：//gitlab.fi.muni.cz/xkarmaz/sudoku-rl
基于安全离线加固的层次结构生态驱动
（通讯作者电子邮件：zhangyahui@ysu.edu.cn（Yahui Zhang））摘要以及智能转换系统（ITS）和网络技术的快速发展，车辆可以访问更丰富的交通数据，为现在更有效的驱动控制铺平了道路。提出了一种专门针对混合电动卡车导航复杂多相交场景的新型分层生态驾驶策略。最初，模拟场景旨在模拟逼真的卡车遵循场景。随后，使用安全离线深层确定性政策梯度（SDDPG）算法制定了高层卡车跟随策略。此策略完全使用了领先的车辆和交通信号数据的见解。具体来说，考虑安全约束的逻辑判断模块已集成到培训处理中，以最大程度地减少碰撞风险。此外，设置了安全奖励功能，以指导代理学习更安全的动作。转移到下层，使用深厚的增强学习（DRL）技术提出了能量管理策略。引入了独特的奖励成型功能，以有效地指导学习过程。最终，与动态编程（DP）方法相比，提出的方法表明，省油速度为97.46％。关键字：混合动力卡车，卡车跟随，SDDPG，能源管理策略
Q值正规变压器用于离线加固学习
离线增强学习（RL）的最新进步强调了条件序列建模（CSM）的功能，该范例是一种基于历史轨迹和目标返回的范式，该范式学习了动作分布。然而，由于单个轨迹内的采样回报之间的不一致和在多个轨迹之间的最佳回报之间的不一致，这些方法通常与将最佳轨迹缝合在一起的最佳轨迹拼接在一起。幸运的是，动态编程方法（DP）方法通过利用价值函数来近似每个状态的最佳未来回报，提供解决方案，而这些技术容易出现不稳定的学习行为，尤其是在长期和稀疏回报的情况下。在这些见解的基础上，我们提出了Q值重新授权的变压器（QT），该变压器（QT）结合了变压器的轨迹建模能力与DP方法的最佳未来回报的可预测性。QT学习一个动作值函数，并将最大化行动值的术语整合到CSM的培训损失中，该损失旨在寻求与行为政策紧密相符的最佳动作。对D4RL基准数据集的经验评估证明了QT优于传统的DP和CSM方法，这突出了QT在离线RL中增强最新艺术的潜力。
用于预测早期胃癌淋巴结转移的机器学习模型不符合内窥镜可耐加固性标准
摘要背景我们开发了一种机器学习（ML）模型，以预测早期胃癌（EGC）患者淋巴结转移（LNM）的风险，这些患者不符合现有的日本内窥镜可固定性标准，并将其性能与最常见的临床风险扫描系统（Ecura System）相比。方法，我们使用了来自21家经过内窥镜亚粘膜溶解（ESD）和/或在2010年至2021年之间的21家机构的EGC患者的数据。所有切除的EGC在组织学上均未满足当前的日本内窥镜可耐加固性标准。在所有患者中，有3,506名构成了开发基于神经网络的ML模型的训练队列，而536个构成了验证队列。由接收器操作特征曲线（AUC）下的面积测量的ML模型的性能与验证队列中的ECURA系统的性能进行了比较。结果LNM率分别为14％（503/3,506）和7％（39/536），分别为培训和验证队列。ML模型在验证队列中鉴定出患有AUC为0.83（95％置信区间，0.76–0.89）的LNM患者，而ECURA系统鉴定出具有0.77的LNM的患者，其AUC为0.77（95％置信区间，0.70-0.85）（0.70-0.85）（p = 0.006）（p = 0.006，DELONG TEST）。结论我们的ML模型的性能优于ECURA系统，用于预测不符合日本内窥镜可固定性标准的EGC患者的LNM风险。迷你抽象，我们开发了一种基于神经网络的机器学习模型，该模型可预测早期胃癌患者淋巴结转移的风险，这些患者不符合内窥镜可缓解性标准。
炒作还是启发式？加入订单优化的量子加固学习
摘要 - 识别最佳加入订单（JOS）在数据库研究和工程中引人注目。由于较大的搜索空间，已建立的经典方法依赖于近似和启发式方法。最近的努力成功地探索了JO的强化学习（RL）。同样，RL的量子版本也受到了相当大的科学关注。然而，如果他们能够通过改进的量子处理器获得可持续的总体实践优势，这是一个悬而未决的问题。在本文中，我们提出了一种新的方法，该方法基于混合变量量子ANSATZ，使用量子增强学习（QRL）。它能够处理一般的灌木丛树木，而不是根据基于量子（ - 启发）优化的方法来求助于更简单的左底变体，但需要多个幅度较少的量子，即使对于nisq后系统来说，这也是一个稀缺的资源。尽管电路深度中等，但ANSATZ超过了当前的NISQ功能，这需要通过数值模拟进行评估。虽然QRL在解决结果质量方面解决JO问题（尽管我们看到奇偶校验）可能并没有明显超过分类方法，但我们发现所需的可训练参数的大幅度降低。此优势实际上相关的方面，从较短的培训时间到经典的RL，涉及的经典优化通过或更好地使用可用培训数据，并且适合数据流和低延迟处理方案。索引术语 - Quantum机器学习，加固学习，查询优化，数据库管理系统我们的全面评估和仔细的讨论对可能的实际量子优势提供了平衡的观点，为将来的系统性处理提供了见解，并允许定量评估数据库管理系统最关键问题之一的量子方法的权衡。
serl：用于样品效率机器人加固学习的软件套件
摘要 - 近年来，在机器人增强学习（RL）的领域已经取得了显着进步，促进了处理复杂图像观察，在现实世界中训练并结合辅助数据的方法，例如示范和先前的经验。但是，尽管有这些进展，但机器人RL仍然很难使用。在从业者中承认，这些算法的特定实现细节通常与选择算法一样重要（如果不是更多的话）。我们认为，对机器人RL的广泛采用以及机器人RL方法的进一步发展是这种方法的比较，这是这种方法的比较无法访问。为了应对这一挑战，我们开发了一个经过精心实施的库，其中包含有效的非货币深度RL方法，以及用于计算奖励和重置环境的方法，用于广泛采用的机器人的高质量控制器以及许多具有挑战性的示例任务。我们将此库作为社区的资源，描述其设计选择，并提出实验结果。也许令人惊讶的是，我们发现我们的实施可以实现非常有效的学习，以获取PCB董事会组装，有线路由的政策，以及对物体搬迁的平均每政策培训25至50分钟，从而改善了有关文献中类似任务的最先进的结果。这些政策获得了完美或近乎完美的成功率，即使在扰动下，极端的鲁棒性以及表现出紧急的恢复和矫正行为。我们希望这些有希望的结果和高质量的开源实施将为机器人社区提供一种工具，以促进机器人RL的进一步发展。可以在https://serl-robot.github.io/
用三重DES加密加固图像和HMAC
Visakhapatnam，Andhra Pradesh，印度摘要中，在这个世界上，数字照片保护至关重要，本文通过结合使用Triple DES Encryption和HMAC完整性验证，为屏蔽照片提供了坚固的答案。该提出的技术通过结合了一个经过验证的对称键块密码来加强图像信息，从而引入了多层安全范式。Triple Des补充了加密电力，克服了传统加密策略中发现的障碍。此外，采用HMAC（基于哈希的总消息身份验证代码）来确保确保完整性和身份验证。拟议的项目通过将照片分为块来启动，每个块使用3DES算法经历了三倍的加密系统。这种三层方法增强了照片对蛮力攻击和加密脆弱性的弹性。3DE的使用及其安全的安全文件为保护虚拟的机密性和完整性提供了坚固的基础。该合资企业为照片安全性，利用三重加密和HMAC身份验证引入了单一的技术。通过这种双层保护加固照片，提出的方法为虚拟图像安全领域内的主要苛刻情况提供了一种全面的方法。关键字：图像安全性，三重加密，HMAC验证，数据完整性，密码学，网络安全，视觉数据保护，加密方法，安全范式，数字图像加固。2。在一代人中进行了简介，在其中数字隐私和安全性至关重要的是，强大的加密机制以屏蔽敏感事实的强大加密机制从未如此重要。易于自动图像加密和解密设备是一种基于Python的软件，旨在为客户提供可靠的加密和解密快照的方式，同时确保事实的完整性和机密性。挑战可容纳两个主要功能：照片加密和图像解密。通过使用TKINTER构建的人 - 令人愉悦的图形接口，用户可以使用Triple DES（3DES）加密无缝地加密照片，这是一种以强大的保护功能而识别的对称键块密码。此外，该软件还采用基于哈希的消息身份验证代码（HMAC）来肯定加密图像的完整性，包括额外的安全层来篡改。1。照片加密：用户可以挑选照片文件并指定加密键，启动加密过程。实用程序利用DES3加密算法转换图像信息，以确保具有合适解密密钥的最有效的法律事件可以使得进入原始内容的权利。HMAC验证：为了防止未经授权的更改加密照片，小工具为每张加密图片生成了HMAC。此HMAC用作数字签名，允许
多波段光学网络中资源分配的深度加固学习
近年来，全球数据流量已经快速增长，这给现有的光网基构成带来了负担。为了解决这个问题，在部署的光网络中对多波段（MB）传输的开发已成为一种有前途的解决方案，以增加网络容量并满足对更多带宽需求的激增，同时进行/推迟租赁/滚动的额外纤维的需求[1]。然而，随着MB光网络的优势，新的挑战带来了新的挑战。随着可用频谱资源的增加，由于需要考虑多个频带，大量的通道数量明显更大，并且不同频段之间的通道之间的性能差异更大，因此网络设计和操作复杂性会增长。这种增加的复杂性会影响路由和频谱分配（RSA），这是控制网络和维持有效资源的最关键任务之一。传统的RSA算法，例如用于频谱分配的路由和首次拟合（FF）等传统的RSA算法（K -SP），已在商业部署中得到广泛研究和通过。最近，已经考虑使用机器学习（ML）技术来替换/补充传统的RSA算法，尤其是在具有大量源和非简单物理层约束的复杂系统中，如MB光学网络中所存在的那样。深钢筋学习（DRL）[2]，[3]可以是RSA的有趣解决方案，因为它的学习能力