XiaoMi-AI文件搜索系统
World File Search System感知机
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
公平感知机器学习和数据挖掘
酒店的占用率通常很高，当房间费用很高时，占用率的提高会受到因素的影响[Athey 17]，如果已知这种因素是一种季节性的效果，则可以使用FAML方法来预测与房间费用到居住率
物理感知机器学习替代实时制造数字双胞胎
在过去的十年中，制造系统的数字化转型改进了制造过程的交互和控制[1,2]。随着计算机化和互连的范围，车型制造系统在物理和虚拟世界之间具有更高水平的自动化和更牢固的联系[3-5]。这种数字化转型影响了业务模型，环境，生产系统，机器，运营商，产品和服务，从而导致智能制造或制造4.0的出现。该领域集成了新一代信息技术（工业互联网（IIOT），大数据，云计算，ML）和制造应用[6]。数字双胞胎（DT）是用于操作4.0的能力技术之一，在智能制造中提供了网络物理整合[7-9]。dt由一个虚拟模型组成，该模型模拟了物理制造部分的实际状态，还包括制造过程的模拟。它不断吸收传感器数据以更新模型的虚拟状态，以匹配制造过程的不同阶段[10-12,9]。dts提供了复杂的制造过程的集成，数据驱动的，多物理，多尺度的，概率的模拟。DT可以在从单件设备到整个工厂甚至完整供应链的尺度上使用[13]。dts可以访问生产系统中的物理数据，