XiaoMi-AI文件搜索系统
World File Search System导向的
以使命为导向的战略计划
Oweesta 的核心使命一直是支持和投资原住民 CDFI，确保它们获得足够的资本，并提供必要的培训和网络平台，以加强其运营并有效地服务于各自的部落社区。我们很荣幸能够作为中介服务原住民 CDFI 行业 25 年，并坚定不移地致力于这一使命。展望未来，我们对未来五年以及我们的战略计划将为印第安人国家、我们的原住民 CDFI 合作伙伴、原住民非营利组织、部落和其他组织创造的机会感到兴奋。我们共同努力为我们的原住民社区创造一个更加公平和繁荣的未来。在过去的 25 年里，Oweesta 已经成为整个印第安人国家资助者/投资者与原住民 CDFI、原住民非营利组织和部落之间受人尊敬的中介。 Oweesta 克服了许多非原住民中介机构从未遇到过的障碍，在面临巨大阻力的情况下仍坚持不懈，确保原住民社区能够获得所需的资金和支持，从而提高自给自足能力。在信任、可靠性和负责任的财务管理的坚实基础上，Oweesta 准备抓住前所未有的、不断增长的机会，提高原住民问题的知名度，支持能力建设，并将大量资金（约 5 亿美元）投入印第安人保留地。为了有效利用这些机会并在未来五年继续履行其使命，Oweesta 将大胆而坚定地实现其目标：
奖励重要的事情：逐步加强了以任务为导向的对话
强化学习（RL）是增强面向任务对话（TOD）系统的强大方法。然而，现有的RL方法倾向于主要集中于生成任务，例如对话策略学习（DPL）或反应生成（RG），同时忽略了Dia-Logue State Tracking（DST）进行理解。这个狭窄的焦点限制了系统通过忽视理解与发电之间的相互依赖性来实现全球最佳性能。此外，RL方法面临稀疏和延迟奖励的挑战，这使训练和优化变得复杂。为了解决这些问题，我们通过在整个代币生成中逐步介绍逐步奖励，将RL扩展到理解和生成任务中。随着DST正确填充更多的插槽，理解会增加，而一代奖励则随着用户请求的准确包含而增长。我们的方法提供了与任务完成一致的平衡优化。实验性恢复表明，我们的方法有效地增强了TOD系统的性能，并在三个广泛使用的数据集上获得了新的最新结果，包括Multiwoz2.0，Multiwoz2.1和CAR。与当前模型相比，我们的方法在低资源设置中还显示出优越的射击能力。
能源感知的多代理增强学习，用于以任务为导向的无人机网络进行协作执行
摘要 - 面向以下的无人机网络已被广泛用于结构检查，灾难监测，边境监视等。由于无人机电池容量有限，任务执行策略会影响网络绩效和任务完成。但是，在如此动态的环境中，协作执行是无人机的一个问题问题，因为它也涉及有效的轨迹设计。我们利用多代理增强学习（MARL）来管理这项研究中的挑战，让每个无人机学会根据其当前状态和环境协作执行任务并计划轨迹。仿真结果表明，所提出的协作执行模型至少可以在80％的时间内成功完成任务，无论任务位置和长度如何，甚至在任务密度不太稀疏时甚至可以达到100％的成功率。据我们所知，我们的工作是利用MARL为以任务为导向的无人机网络的协作执行的开拓者研究之一；这项工作的独特价值在于无人机电池水平推动了我们的型号设计。索引术语 - 面向以下的无人机网络，协作执行，多代理增强学习，深Q-network
利用精益和绿色供应链实践实现可持续的供应链绩效：环境导向的调节作用
摘要 本研究调查了精益和绿色供应链实践对业务流程绩效和可持续供应链绩效的影响。该研究利用资源基础观 (RBV) 理论构建了一个概念模型，其中精益和绿色供应链实践用于增强业务流程和可持续绩效。同时，动态能力理论用于表示组织适应和发展以应对来自客户和竞争对手的内部和外部压力的能力。使用结构方程模型对来自约旦服装和纺织供应链的 170 名供应链从业人员样本进行了验证。结果表明，精益实践没有直接影响，而绿色实践显著影响业务流程绩效并间接影响可持续供应链绩效。业务流程绩效不会介导精益实践的关系，但会介导绿色实践的关系。此外，竞争对手和客户的环境导向都会对绿色实践对业务流程和可持续供应链绩效的影响产生负面影响。这些发现为现有文献做出了贡献，并强调了绿色供应链实践在提高服装和纺织行业可持续供应链绩效方面的关键作用。
视觉模仿以任务为导向的对象抓握和重新排列
摘要 - 面向任务的对象抓握和重排是机器人的关键技能，必须执行多功能的现实世界操纵任务。然而，由于对物体的部分观察并形成了分类对象的变化，它们仍然具有挑战性。在本文中，我们介绍了多元特征隐式模型（MIMO），这是一种新颖的对象表示，在隐式神经场中编码点和对象之间的多个空间特征。在多个特征上训练这样的模型可确保其始终如一地嵌入对象形状，从而改善其在对象形状中的性能，从部分观察，形状相似性度量和对象之间的空间关系进行建模。基于MIMO，我们提出了一个框架，以从单个或多个人类演示视频中学习面向任务的对象抓握和重排。仿真中的评估表明，我们的方法的表现优于多和单视图观察的最新方法。现实世界实验证明了我们方法在对操纵任务的单次模仿学习中的功效。
重新思考以任务为导向的对话系统
以任务为导向的对话（TOD）系统是预先设计的，该系统由多个功能模块组成（例如，对话状态跟踪器，对话策略，自然语言生成），无论是管道还是端到端的档案。然而，这种模块化设计不仅在很大程度上依赖于大量的全通知数据，而且还遭受了许多固有的抽签，例如严重的误差积累，较差的概括能力，高定制成本和低容错率。In this paper, we rethink the architecture of the task-oriented di- alogue systems and propose a novel fully zero- shot autonomous TOD agent, named AutoTOD, where all the delicate modules in traditional TOD systems are deprecated and all it needs is a general-purpose instruction-following lan- guage model (e.g.GPT-4）。 Autotod仅利用一个简单的指令模式包含了任务和外部API的描述，并且可以自主决定在每个对话时要做什么，包括询问信息，调用API，汇总API恢复，并纠正先前的错误。 更重要的是，我们提出了一个基于模拟的评估框架，以更好地验证在现实生活中的TOD模型的能力。 在多沃兹和SGD数据集上进行的实验实验表明，Autotod的卓越任务能力和灵活的语言技能。 1GPT-4）。Autotod仅利用一个简单的指令模式包含了任务和外部API的描述，并且可以自主决定在每个对话时要做什么，包括询问信息，调用API，汇总API恢复，并纠正先前的错误。更重要的是，我们提出了一个基于模拟的评估框架，以更好地验证在现实生活中的TOD模型的能力。在多沃兹和SGD数据集上进行的实验实验表明，Autotod的卓越任务能力和灵活的语言技能。1
以人为本，以目标为导向的护理帮助我的患者改善了生活质量
目标是帮助患者改善生活质量时，直接专注于对每个患者最重要的活动和关系是有意义的。这可以通过遵循三步过程（包括1）与患者围绕对他们重要的事物建立联系的三步过程来最有效地完成，2）共同制定目标面向目标的计划，以及3）与患者，家人，团队成员和顾问合作，以增加成功的可能性。一旦掌握了这种方法并建立了必要的系统，过程和关系，这不应花费更多的时间，而不是以问题为导向的方法，几乎可以肯定，对于医师和患者来说，这都会更加满意。对基于人群的质量指标的影响尚不确定。尽管患者可能会选择遵循标准建议，但那些这样做的人可能更有可能遵守他们。（J Am Board Fam Med 2024; 37：506–511。）
以使命为导向的产业战略
如今，产业战略（国家为塑造经济结构和增长方式而采取的行动）已重新成为主流，这些问题比以往任何时候都更加重要。世界各国政府都在明确推出产业战略，投入数十亿美元的资金用于提高生产力、创造就业机会、竞争力、经济韧性和增长。许多政府还试图将这些投资与“公正的绿色转型”联系起来。然而，在这样做的过程中，他们往往又回到了旧的产业战略模式，即专注于挑选特定的行业或技术来获得政府支持。这些模式因“挑选赢家”而受到批评，对公共投资的公共回报关注太少。这些模式不适合 21 世纪的挑战，因为这些挑战是跨领域的。例如，应对气候危机不仅仅是可再生能源；它必须包括改变我们的出行方式（可持续出行）、建设方式（绿色基础设施）和饮食方式（可持续食品）。同样，应对卫生危机不仅仅关乎药品，还涉及跨政策领域和部门的广泛创新和行动。从政策角度来看，这需要跨部门思考。从商业角度来看，这必须涉及所有部门，而不是少数几个部门。
PVN-mPFC OT 投射调节 pup 导向的 pup
。CC-BY 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 7 月 6 日发布。；https://doi.org/10.1101/2024.03.06.583718 doi：bioRxiv 预印本
塑造以权利为导向的数字化转型
本文由 Nora Beauvais、Giuseppe Bianco、Julia Carro、Gallia Daor 和 Lisa Robinson 起草，由 OECD 科学、技术和创新 (STI) 理事会副主任 Audrey Plonk 领导。本草案的研究由秘书处顾问 Audrea Wang 女士提供。第 3.4 节关于神经技术的内容由 OECD 科学和技术政策委员会秘书处的 David Winickoff 先生和 Laura Krieling 女士共同起草。STI 主任 Jerry Sheehan 和 Hanna-Mari Kilpeläinen 提供监督和指导。本文还受益于以下人员的贡献：STI 理事会的 Rashad Abelson、Luis Aranda、Clarisse Girot、Molly Lesher、Karine Perset、Lucia Russo、Elizabeth Thomas-Raynaud 和 Jeremy West，以及 OECD 公共治理理事会的 Deniz Devrim、Capucine Kerboas、Claire Mc Evoy 和 Carlos Santiso，以及 OECD 就业、劳工和社会事务理事会的 Eric Sutherland。Andreia Furtado 和 Sarah Ferguson 提供了编辑和行政支持。