XiaoMi-AI文件搜索系统
World File Search System层次
676 Rolls 等人 2023 层次组织...
使用人类连接组计划多模态分区图谱，用脑磁图测量了 83 名执行视觉记忆任务的人类连接组计划参与者的 25 个腹侧流视觉皮层区域和 180 个皮层区域之间的层次组织。目的是通过这种快速神经成像方法，利用基于生成有效连接的全脑模型揭示层次组织。V1–V4 形成第一组互连区域。特别是 V4 与腹外侧视觉流具有连接：V8、梭状面部皮层和后下颞叶皮层 PIT。这些区域反过来与下颞叶皮层视觉区域 TE2p 和 TE1p 具有有效连接。TE2p 和 TE1p 然后与多模态的前颞叶区域 TE1a、TE1m、TE2a 和 TGv 具有连接。在腹内侧视觉流中，V1–V4 连接到腹内侧区域 VMV1–3 和 VVC。VMV1–3 和 VVC 连接到内侧海马旁回 PHA1–3，后者与 VMV 区域一起包括海马旁回场景区。内侧海马旁回 PHA1–3 区域与海马系统区域（外嗅皮层、内嗅皮层和海马）具有连接性。通过脑磁图测量的两个腹侧视觉皮层流的有效连接为通过 fMRI 测量的大脑系统的层次组织提供了支持，并为方向性提供了新的证据。
HG-CAD：计算机辅助设计中的材料预测和建议的层次图
为了支持智能计算机辅助设计（CAD），我们介绍了机器学习体系结构，即HG-CAD，该体系结构通过使用层次图表表示，建议通过联合学习身体和装配级特征来提出装配体材料。特别是，我们将材料预测和建议过程作为节点级别的分类任务，这是CAD模型的新型分层图表示，其低级图形捕获了身体几何形状，可捕获体内几何形状，这是一个高级图形的组合图，是组件的高级图表，并具有批处理掩码的随机化随机化效果。这使我们的网络能够从人体和组装水平汇总几何和拓扑特征，从而导致竞争性能。对Fusion 360画廊组装中提议的体系结构的定性和定量评估 - 显示了我们方法的可行性，表现出色的计算机视觉和人类基线，同时在应用程序场景中显示出希望。提议的HG-CAD体系结构统一了多模态CAD特征的处理，编码和联合学习，这表明有潜力作为设计自动化的建议系统，并提供了未来工作的基准。[doi：10.1115/1.4063226]
层次的强化学习与对手建模用于分布式多代理合作
摘要 - 许多现实世界的应用程序可以作为多机构合作问题，例如网络数据包路由和自动驾驶汽车的协调。深入增强学习的出现（DRL）通过代理和环境的相互作用为多机构合作提供了一种有希望的方法。然而，传统的DRL解决方案在策略搜索过程中遭受了具有连续动作空间的多个代理的高维度。此外，代理政策的动态性使训练非平稳。为了解决这些问题，我们建议采用高级决策和低级个人控制，以进行有效的政策搜索。特别是，可以在高级离散的动作空间中学习多种代理的合作。同时，低级个体控制可以减少为单药强化学习。除了分层增强学习外，我们还建议对手建模网络在学习过程中对其他代理的政策进行建模。与端到端的DRL方法相反，我们的方法通过以层次结构将总体任务分解为子任务来降低学习复杂性。为了评估我们方法的效率，我们在合作巷更改方案中进行了现实世界中的案例研究。模拟和现实世界实验都显示了我们在碰撞速度和收敛速度中的优越性。索引条款 - 多机构合作；深入的强化学习；分层增强学习
层次行动理解，学习和模仿
我们推进了一种新型的认知处理的活跃推理模型，该模型是对层次作用库的获取及其用于观察，理解和模仿的使用。我们在四个模拟中说明了一个网球学习者的模型，该网球学习者观察一名教师进行网球射击，形成观察到的动作的层次结构表示并模仿它们。我们的模拟表明，代理的眼动活动实现了一种主动信息抽样策略，该策略允许推断观察到的运动的运动学方面，该运动位于动作层次结构的最低水平。反过来，这种低级运动学推理支持有关观察到的行动更深层方面的更高层次推论：近端目标和意图。最后，推断的动作表示可以引导模仿响应，但会干扰执行不同的动作。我们的模拟表明，层次的主动推论提供了一项统计的动作观察，理解，学习和模仿的说明，并有助于解释视觉运动认知的神经生物学基础，包括在背侧和腹部和腹流和镜像机制中采取多种操作理解的途径。©2023作者。由Elsevier B.V.这是CC根据许可证（http：// creativecommons .org /licenses /by /by /4 .0 /）的开放访问文章。
层次大脑组织的最佳速度
抽象青春期是一个定时过程，具有发作，节奏和持续时间。尽管如此，时间维度，尤其是成熟的速度，仍然是发展进展的一个不足的方面。本研究的重点是由于青春期期间发育转变的不同时机而引起的修改，并解决了青少年成熟对脑发育的影响。为了揭示青春期速度与大脑组织的发展之间的潜在关系，我们分析了基于骨骼年龄的成熟阶段与静息状态脑电图的时间动态中的分层组织之间的联系。通过采用骨骼成熟度作为青春期进步并采用熵产生来衡量层次大脑组织的代表，我们的发现表明，平均成熟轨迹最佳地与脑分层顺序保持一致。自适应发展可塑性可能无法完全弥补加速或减速的时间表，从而可能增加行为问题和精神疾病的风险。
基于Delphi方法和分析层次结构过程（AHP）的健康，安全和环境（HSE）弹性的量化评估：Tehran
摘要背景：健康，安全和环境（HSE）的弹性是系统在关键情况下适应，抵抗和应对HSE风险的能力。在这项研究中，使用HSE弹性指数（HSE-RI）对德黑兰固体废物管理（SWM）系统的HSE弹性进行了定量评估。方法：使用Delphi技术和分析层次结构过程（AHP）根据专家小组的意见（AHP）确定HSE-RI的原理和组成部分。HSE-RI分数分为五个类别，为非常好（80-100），良好（65-79），中（50-64），弱（35-49）和非常弱（0-34）。Results: The weights of the HSE-RI principles in the SWM system were determined as follows: 0.376 for top management commitment, 0.149 for awareness and risk perception, 0.144 for preparedness, 0.144 for performance, 0.057 for reporting and just culture, 0.0574 for learning culture, 0.055 for flexibility, and 0.017 for redundancy.SWM系统中的弹性原则的最高和最低分数与意识和风险感知的原则（73.6）以及报告和公正文化（45.1）有关。SWM系统中的HSE-RI得分为62.9（中）。结论：基于Delphi方法和AHP的这项研究的结果表明，德黑兰SWM系统中的HSE弹性不是所需的水平。最高管理承诺的原则（重量最高），报告，公正的文化和准备（分数最低）被确定为提高德黑兰SWM系统中HSE弹性的最有效点。doi：10.34172/ehem.2023.27。关键字：Delphi技术，分析等级过程，废物管理，感知，引用：Karimzadeh K，Monazami Tehrani G，Khaloo SS，Khaloo SS，Vaziri MH，Amirkhani Ardeh S，Saeedi R. Saeedi R.基于健康的定量评估（HEDICE）。 （AHP）在市政固体废物管理系统中：德黑兰的案例研究。环境健康工程与管理期刊2023; 10（3）：237–247。
NMDA驱动的树突状调制可以在层次感觉处理途径中学习多任务表示
虽然大脑中的感觉表示取决于上下文，但尚不清楚如何在生物物理级别实现此类调制，以及如何在层次结构中进一步处理层可以为每个可能的contex-tum-tual状态提取有用的功能。在这里，我们证明了树突状n-甲基-D-天冬氨酸尖峰可以在生理约束中实施对馈送处理的上下文调节。这种神经元特定的调制措施利用了以稳定的馈电权重编码的先验知识，以实现跨环境的转移学习。在具有上下文独立的进发pefferward权重的生物物理逼真的神经元网络中，我们表明对树突分支的调节输入可以通过HEBBIAN，错误调查的学习规则解决线性不可分割的学习问题。我们还证明了表示表示的局部预测是源于不同输入的，还是来自相同输入的不同上下文调制，导致表示跨处理层的分层馈电权量的表示，以适应多种环境。
存在物体场景规律的人类和人工视觉系统中的表征层次
人类视觉在很大程度上仍未得到解释。计算机视觉在这方面取得了令人瞩目的进展，但目前仍不清楚人工神经网络在行为和神经层面上与人类物体视觉的近似程度。在这里，我们研究了机器物体视觉是否模仿人类物体视觉的表征层次结构，其实验设计允许测试动物和场景的域内表征，以及反映其现实世界上下文规律的跨域表征，例如在视觉环境中经常同时出现的动物场景对。我们发现，在物体识别中训练的 DCNN 在其后期处理阶段获得的表征可以紧密捕捉人类对动物及其典型场景同时出现的概念判断。同样，DCNN 的表征层次结构与特定领域的腹颞区到领域通用的前顶区中出现的表征转换显示出惊人的相似性。尽管有这些显著的相似性，但底层的信息处理却不同。神经网络学习类似于人类的物体-场景共现高级概念表示的能力取决于图像集中存在的物体-场景共现量，从而凸显了训练历史的根本作用。此外，尽管中/高级 DCNN 层代表了 VTC 中观察到的动物和场景的类别划分，但其信息内容显示出领域特定表示丰富度的降低。总之，通过测试域内和域间选择性，同时操纵上下文规律，我们揭示了人类和人工视觉系统所采用的信息处理策略中未知的相似之处和差异。
层次视觉变压器用于心脏射血分数估计
摘要 - 射血分数的左心室是心脏功能最重要的度量之一。心脏病专家使用了有资格延长延长疗法的患者。但是，对射血传输的评估遭受观察者间变异性的影响。为了克服这一挑战，我们提出了一种基于层次视觉变压器的深度学习方法，以估计超声心动图视频的射血分数。所提出的方法可以估计射血分数，而无需首先左静脉分割，使其比其他方法更有效。我们在Echonet-Dynamic数据集上评估了我们的方法5。59，7。 59和0。 59，用于MAE，RMSE和R 2分。 与最新方法，超声视频变压器（UVT）相比，此结果更好。 源代码可在https://github.com/lhfazry/ultraswin上找到。 索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic59，7。59和0。59，用于MAE，RMSE和R 2分。与最新方法，超声视频变压器（UVT）相比，此结果更好。源代码可在https://github.com/lhfazry/ultraswin上找到。索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic