XiaoMi-AI文件搜索系统
World File Search System概括性
首次癫痫发作揭示了晚期发病的Fahr病
fahr病（FD），也称为原发性家族性脑钙化，是一种罕见的神经退行性疾病，涉及基底神经节和其他大脑区域水平的脑钙化。它是一种遗传性神经疾病，尽管尚未彻底定义其分子遗传学。患者通常出现多种症状，主要是运动障碍和认知变化。但是，癫痫发作是成年人晚期FD的罕见初始呈现特征。在此，我们介绍了一名60岁男子，没有已知的慢性疾病，该男子在经历了首次概括性强调癫痫发作和两天的意识丧失后被送往三级医院。基本实验室结果在正常范围内，非对比度脑计算机断层扫描（CT）扫描显示出脑钙化。该患者根据其修饰的诊断标准被诊断为继发于FD的癫痫病，并对抗癫痫治疗的反应良好。该案例强调了一种罕见的关联，并强调了考虑首届癫痫发作的患者的诊断的重要性；应进行适当的测试以确认或排除其他相关和次要原因，并应相应地修改治疗。
策略中的创新如何与Covid-19
摘要目的 - 本文的目的是探讨COVID-19-19大流行如何影响公司战略。设计/方法/方法 - 已经调查了各种各样的文献。此外，还接受了几位高级管理人员。和两个高级管理人员提供了意见。因此，采用的方法是探索性的和占主导地位的。这为潜在的实证研究奠定了基础。发现 - 关于公司执行策略的方式，似乎有明显的转变朝着更多基于Web的输入。令人惊讶的是，短期战略实施似乎相当有效。然而，策略的更根本的转变似乎很大程度上取决于高管的旅行能力，而且这受到了严重限制。研究局限性/含义 - 本文所述的命题尚未经过经验测试。这设定了有关概括性的明确限制。实践含义 - 增强公司在距离驱动战略执行以及加强现金流量管理方面的能力似乎很重要。社会含义 - 似乎明显转向更多的国有化，而全球化减慢了。独创性/价值 - 尽管许多发现可能被认为是不言而喻的，但仍在分析了Covid-19对公司策略的影响的方式。关键词大流行，虚拟策略，行为变化纸类型研究论文
使用跳投的生成建模
基于得分的扩散模型使用时间转移的扩散过程从未知目标分布中生成样品。这种模型代表了工业应用中的最新方法，例如人造图像产生，但最近注意到，通过考虑具有重尾部特征的注入噪声，可以进一步提高其性能。在这里，我将生成扩散过程的概括性化为一类广泛的非高斯噪声过程。我考虑由标准高斯噪声驱动的前进过程，并以超级强制的泊松跳跃为代表有限的活动莱维过程。生成过程被证明由依赖跳跃幅度分布的广义分数函数控制。概率流ode和SDE配方都是使用基本技术努力得出的，并且用于从多元拉普拉斯分布中得出的跳跃振幅实现。非常重要的是，对于捕获重尾目标分布的问题，尽管没有任何重尾特性，但跳跃延伸拉普拉斯模型的表现就超过了由α-稳定噪声驱动的模型。该框架可以很容易地应用于其他跳跃统计数据，这些统计数据可以进一步改善标准扩散模型的性能。
对反事实思维的学习链，以偏见的视觉语言推理
摘要。尽管大型视力语言模式（LVLM）在各种任务上取得了显着的成功，但由于训练数据而继承的对知识偏见的敏感性阻碍了它们概括为新场景并限制其现实世界中适用性的能力。为了解决这一挑战，我们提出了反事实偏见推理（COBRA）数据集，该数据集通过提供新颖的VQA示例来解决知识偏见，以评估和减轻LVLMS中的偏见。这些例子通过提供编辑的知识图和图像内容来鼓励反事实思考，并详细介绍了理性过程的注释，以促进对示例的全面理解。基于数据集，我们介绍了一系列反事实思想（COCT）方法，该方法学习了偏见的推理过程，并提供了在上下文中的示例，以证明现有推理如何推广到反事实场景。这使LVLMS能够逐步阐明原因，而不是依靠有偏见的知识，导致更具概括性的解决方案。我们广泛的评估表明，CoCT在需要知识偏见下需要推理的任务上的现有方法优于现有方法。我们的工作可从https：//github.com/superjohnzhang/cobra获得。
自动分类从认知障碍中的宠物脑成像的多跟踪报告中得出结论
摘要。本文的目的是通过比较几种基于基于传统的机器学习（ML）技术的基于基于的传统机器学习（ML）技术分类方法来研究用于研究认知障碍（FDG，淀粉样蛋白和TAU PET）的脑分子成像报告的结论。定义了两个目的：在所有三种方式中识别阳性或负面结果，并为阿尔茨海默氏病（AD），额叶痴呆症（FTD），Lewy Bodies Dementia（LBD）提取诊断印象。通过对日内瓦大学医院的核医学和分子成像部报告的166个报告的手动平行注释创建了一个数据集。对6个机器学习（ML）算法（支持向量机（线性和径向基础功能），天真的贝叶斯，逻辑回归，随机福雷斯特和K-Nearest邻居）进行了培训和评估，并具有5倍的交叉验证方案，以评估其性能和概括性。最好的分类器是SVM显示以下准确性：FDG（0.97），TAU（0.94），淀粉样蛋白（0.98），定向诊断（0.87（0.87用于AD，FTD，FTD，LBD之间的诊断，未确定，未确定，其他），铺平了Paradigm在Paradigm中的核对范围内的核医学研究。
偏好条件的语言指导抽象
从演示中学习是用户教机器人的常见方法，但它很容易出现虚假的特征相关性。最近的工作构建了状态抽象，即具有与任务相关特征的视觉表示，从语言作为执行更具概括性学习的方式。但是，这些抽象还取决于用户对任务中重要的内容的偏好，而单独使用语言可能很难描述或不可证明。我们如何构建抽象来捕获这些潜在偏好？我们观察到人类的行为如何揭示了他们如何看待世界。我们的关键见解是，人类行为的变化告诉我们，人们对人类看待世界的偏好有所不同，即他们的状态抽象。在这项工作中，我们建议使用语言模型（LMS）查询直接知道行为发生变化的偏好。在我们的框架中，我们以两种方式使用LM：FRST，给定对任务的文字描述和状态之间行为变化的知识，我们向LM查询可能的隐藏偏好；其次，考虑到最可能的偏好，我们询问LM以构建状态抽象。在这个框架中，LM还可以直接询问人类自己的估计。我们证明了我们的框架在模拟实验，用户研究以及执行移动操作任务的实际点机器人中构建有效的偏好条件抽象的能力。
在分类问题中应用D-XCHOQUET积分
摘要 - 基于模糊规则的分类系统（FRBCS）的模糊推理方法（FRM）已应用Choquet积分的几个概括，以提高其性能。为了实现这一目标，研究人员通过限制在其结构中使用的功能的要求并放松积分的单调性，从而搜索了新的方法，以提供更大的概括性。这种情况是CT综合，CC综合，CF综合，CF1F2综合和DCF综合性，在分类算法中获得了良好的性能，更具体地说，是在基于Fuzzy关联的高维问题（FARC-HD）的基于Fuzzy Cosisize的分类方法（FARC-HD）。此后，随着Choquet积分基于限制差异函数（RDF）的引入，代替标准差异，可以做出新的概括：D-XCHOQUET（D-XC）积分，这些积分是有序的方向增强功能，并且根据采用的RDF，也可能是一种预处理的功能。这些积分被应用于多标准决策问题以及电动机脑脑电脑接口框架中。在本文中，我们基于D-XC积分家族引入了一个新的FRM，并通过将其应用于文献中的33个不同数据集来分析其性能。索引术语 - D-XCHOQUET积分，预处理功能，OD增强功能，基于模糊规则的分类系统
一项关于基于模型的强化学习的调查
抽象的增强学习（RL）与环境相互作用，以通过反复试验解决顺序决策问题。错误在现实世界中的应用程序总是不受欢迎的，即使RL擅长玩复杂的视频游戏，这些游戏允许进行多次试用和错误尝试。为了提高样本的效率并减少错误，基于模型的加固学习（MBRL）被认为是一个有前途的方向，因为它构建了可以在不产生实际成本的情况下进行反复试验的环境模型。在这项调查中，我们调查了MBRL，特别关注Deep RL的最新进展。在非尾环环境的学习模型与实际环境之间存在概括性误差。因此，至关重要的是要分析环境模型中的政策培训之间的差异，即在实际环境中，指导算法设计，以改善模型学习，模型利用和政策培训。此外，我们讨论了其他形式的RL，例如offline rl，目标条件的RL，多代理RL和Meta-RL的最新发展。此外，我们讨论了MBRL对现实世界任务的适用性和收益。最后，这项调查结束了关于MBRL未来发展前景的讨论。我们认为，MBRL在现实世界中具有巨大的潜力和利益，我们希望这项调查将鼓励对MBRL的更多研究。
一级方程式竞赛策略的可解释的强化学习 *
在一级方程式赛中，团队竞争开发自己的汽车，并在每场比赛中达到最高的完成位置。但是，在比赛中，球队无法更改汽车，因此他们必须通过比赛策略改善汽车的完成位置，即优化他们选择哪种轮胎化合物可以涂在汽车上以及何时这样做。在这项工作中，我们引入了强化学习模型RSRL（种族策略增强学习），以控制模拟中的种族策略，为基于硬编码和蒙特卡洛的种族策略提供了更快的替代品。控制汽车的速度等于P5.5的预期完成位置（P1代表第一名，P20是最后的位置），RSRL在我们的测试竞赛中达到了P5.33的平均饰面位置，即2023 Bahrain Grand Prix，胜过P5.63的最佳基线。然后，我们在一项概括性研究中证明了如何通过训练优先考虑一个轨道或多个轨道的性能。此外，我们以特征重要性，基于决策的替代模型以及决策树的反事实来补充模型预测，以改善用户对模型的信任。最后，我们提供了插图，这些插图体现了我们在现实情况下的方法，在模拟和现实之间取得了相似之处。
Physord：一种用于越野驾驶物理学运动预测的神经符号方法
摘要 - 运动预测对于自主越野驾驶至关重要，但是，由于车辆和地形之间的复杂相互作用，它比公路驾驶更大挑战。传统的基于物理的AP-在准确建模动态系统和外部干扰时会遇到困难。相比之下，数据驱动的神经网络需要广泛的数据集，并在明确捕获基本的物理定律方面挣扎，这很容易导致概括不良。通过合并两种方法的优点，神经符号方法提出了一个有希望的方向。这些方法将物理定律嵌入神经模型中，可能会显着改善概括性。但是，在实际世界环境中没有对越野驾驶的事务进行评估。为了弥合这一差距，我们提出了Physord，这是一种神经符号方法，将保护定律（即Euler-Lagrange方程）整合到数据驱动的神经模型中，以进行越野驾驶中的运动预测。我们的实验表明，物理学可以通过建模不确定性来准确预测车辆运动并耐受外部干扰。与数据驱动的方法相比，仅使用参数的3.1％，学到的动力学模型可实现46.7％的精度，证明了我们的神经符号方法的数据效率和出色的概括能力。