XiaoMi-AI文件搜索系统
World File Search System自动推理
机器学习与推理之间的协同作用
本文提出了对知识表示与推理（KRR）与机器学习（ML）之间的会议点的初步调查，这两个领域在过去的四十年中已经很分开开发。首先，确定并讨论了一些常见的问题，例如所使用的表示类型，知识和数据的作用，缺乏或信息过多，或者需要解释和因果理解。然后，调查是在七个部分中组织的，涵盖了KRR和ML相遇的大多数领域。我们从有关学习和推理的文献中涉及典型方法的部分开始：归纳逻辑编程，统计关系学习和Neurosymbolic AI，其中基于规则的推理的思想与ML结合在一起。然后，我们专注于在学习中使用各种形式的背景知识，范围从损失功能中的其他正规化项到对齐符号和向量空间表示的问题，或者使用知识图来学习。然后，下一节描述了KRR概念如何对学习任务有益。例如，可以像发表数据挖掘的那样使用约束来影响学习模式。或在低射击学习中利用语义特征，以弥补缺乏数据；或者我们可以利用类比来学习目的。相反，另一部分研究了ML方法如何实现KRR目标。例如，人们可以学习特殊类型的规则，例如默认规则，模糊规则或阈值规则，或特殊类型的信息，例如约束或偏好。本节还涵盖正式概念
理解人们如何推理人工智能的审美评价
摘要 人工智能 (AI) 算法甚至在美学等创造性领域也取得了令人瞩目的成就。然而，机器学习 (ML) 社区之外的人是否能够充分解释或同意他们的结果，特别是在这种高度主观的领域，受到质疑。在本文中，我们试图了解不同的用户社区如何在主观领域推理 AI 算法结果。我们设计了 AI Mirror，这是一个研究探测器，可以告诉用户算法预测的照片美学分数。我们对该系统进行了用户研究，共有来自三个不同群体的 18 名参与者：AI/ML 专家、领域专家（摄影师）和普通公众成员。他们通过出声思考、调查和访谈等方式执行了拍照和推理 AI Mirror 预测算法的任务。结果表明：（1）用户使用自己特定群体的专业知识来理解 AI；（2）用户采用各种策略来缩小他们的判断与 AI 预测之间的差距；（3）用户的想法和 AI 预测之间的差异与用户对 AI 的可解释性和合理性的感知呈负相关。我们还讨论了主观领域中 AI 注入系统的设计考虑因素。
加速您的 AI 推理计划
NVIDIA 加速计算技术解决了远远超出普通计算机能力的计算挑战。加速计算需要的不仅仅是强大的 GPU。NVIDIA® CUDA® 通用可编程 GPU 与众多 GPU 加速 SDK、API 和算法相结合，提供了全栈计算解决方案，可在多个领域提供令人难以置信的应用程序加速。分布式 GPU 计算系统和软件可在整个数据中心扩展处理。全球云数据中心越来越多地使用 NVIDIA GPU 加速系统和架构进行扩展和扩展，运行各种 AI、HPC 和数据分析应用程序。
机器学习与推理之间的协同作用
本文提出了对知识代表和推理（KRR）和机器学习（ML）之间的会议点的初步调查，这两个领域在过去的四十年中已经很分开开发。首先，确定并讨论了一些常见的问题，例如所使用的表示类型，知识和数据的作用，缺乏或信息过多，或者需要解释和因果理解。然后，调查是在七个部分中组织的，涵盖了KRR和ML相遇的大多数领域。我们从有关学习和推理的文献中涉及原型方法的部分开始：归纳逻辑编程，统计关系学习和Neurosymbolic AI，其中基于规则的推理的思想与ML结合在一起。然后，我们专注于在学习中使用各种形式的背景知识，范围从损失功能中的其他正规化项到对齐符号和向量空间表示的问题，或者使用知识图来学习。然后，下一节描述了KRR概念如何对学习任务有益。例如，可以像发表数据挖掘的那样使用约束来影响学习模式。或在低射门学习中利用语义特征，以构成缺乏数据的内容；或者我们可以利用类比来学习目的。相反，另一部分研究了ML方法如何实现KRR目标。例如，可以学习特殊类型的规则，例如默认规则，模糊规则或阈值规则或特殊类型的信息，例如
历史 - 不合时宜的 - 降解推理。 ...
锂离子电池（LIB）吸引了广泛的关注，作为电动汽车（EV）的有效储能设备，以实现无排放的迁移率。但是，Libs的性能随时间和使用而恶化，并且二手电池的健康状况很难量化，迄今为止，人们对此很了解。对电池在不同生活阶段的剩余寿命进行准确的估计将使维护，安全性受益，并用作用于二人应用的合格用过的电池的手段。由于电池的完整历史记录可能并不总是在下游应用程序中可用，因此在这项研究中，我们展示了一个深度学习框架，该框架可以使动态降解轨迹预测预测，同时仅需要最新的电池使用信息。具体来说，我们的模型采用了当前和电压时间序列输入的滚动窗口，并通过复发性神经网络预测了近期和长期容量的淡出。，我们通过评估在不同设置下重建排放能力概况时的误差来详尽地基准与天真的外推模型进行基准测试。我们表明，对于细胞循环历史及其当前的健康状况，我们的模型在准确推断电池的降解概况方面的性能不可知。这种方法可以为评估运行车辆的电池健康，增强电池诊断的电池健康提供有前途的途径，并确定具有未知循环历史记录的二手电池的健康状况。
认知科学中的计算推理
新兴研究前沿和计算进步已逐渐将认知科学转变为一个多学科和数据驱动的领域。因此，从不同的学术视角和不同的抽象层次研究和解释的认知理论数量激增。我们将这一挑战的应用方面表述为计算认知推理，并描述计算方法的主要途径。为了平衡潜在的乐观情绪以及认知科学数据驱动时代的速度和规模，我们建议以更实证的角度来检验这一趋势，确定在进行研究和解释认知科学计算推理结果时的操作挑战、社会影响和道德准则。
虚拟大脑推理（VBI）
网络神经科学对于理解复杂大脑（障碍）功能和认知的原理和机制至关重要。在这种情况下，全脑网络建模（也称为虚拟大脑建模）将大脑动力学计算模型（放置在每个网络节点）与单个大脑图像数据（以协调和连接节点）相结合，从而增进我们对大脑复杂动力学及其神经生物学基础的理解。然而，考虑到不同的时空分辨率，仍然迫切需要自动模型反演工具来估计大规模和跨神经成像模式的控制（分叉）参数。本研究旨在通过引入一个灵活、综合的工具包来解决这一差距，该工具包用于在虚拟大脑模型上进行有效的贝叶斯推理，称为虚拟大脑推理（VBI）。该开源工具包提供快速模拟、特征提取分类、高效数据存储和加载以及概率机器学习算法，从而能够从非侵入性和侵入性记录中进行生物物理可解释的推断。通过计算机测试，我们证明了常用全脑网络模型及其相关神经成像数据的推断的准确性和可靠性。VBI 显示出通过不确定性量化来改善网络神经科学中的假设评估的潜力，并通过增强虚拟大脑模型的预测能力为精准医学的进步做出贡献。
