XiaoMi-AI文件搜索系统
World File Search System难度
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日](/simg/4\49250d0a542083947e8ca98027ad367b67d6f7eb.webp)
arxiv：2412.15477V1 [CS.CV] 2024年12月20日
接受严重失衡的数据培训时，深层神经网络通常很难准确地识别几个样本的课程。先前在长尾认可的研究试图使用已知样本分布来重新平衡学习，主要解决了同类水平上不同的分类困难。但是，这些方法通常会忽略每个类内的实例难度变化。在本文中，我们提出了一个困难的平衡利润率（DBM）损失，这既考虑阶级失衡和实例难度。dbm损失包括两个组成部分：一个范围的边缘，以减轻由不平衡的类频率引起的学习偏见，以及根据其自发的难度分配给硬阳性样本的实例余量。dbm损失通过将较大的边缘分配给更困难的样本来提高类别的判别性。我们的方法与现有方法无缝结合，并始终提高各种长尾识别基准的性能。
金融领域的人工智能及新兴...
• 将机器学习模型的输出分解为其决策的底层驱动因素（称为可解释性）的难度是金融领域使用的基于人工智能的模型面临的最紧迫挑战。 • 解释和重现 GenAI 模型的决策机制的复杂性和难度使得降低使用过程中的风险变得具有挑战性。 • 通过可解释性，人工智能/机器学习系统可以证明它是如何解决问题的，而不是像一个神秘的黑匣子一样工作。 • 可解释性水平有限可能导致客户对人工智能辅助金融服务的信任度较低。
竞争攻击、报复和绩效
本研究探讨了竞争性攻击如何才能最大程度地降低报复的可能性。我们开发了一个期望效价模型，该模型将报复视为攻击微妙程度的函数：即攻击的可见性、竞争对手以同样的方式做出回应的难度，以及被围攻市场对竞争对手的重要性或“中心性”。动机理论认为，这三个独立变量都需要到位才能引发回应，或者反过来说，低可见性、相当大的回应难度或最小的中心性本身就足以防止报复。这一观点没有得到支持。每个独立变量都可以充当“链条的薄弱环节”，增加报复的可能性。然而，正如期望理论所预测的那样，这些变量选择性地表现出一些加剧报复威胁的相互作用。高可见性和低难度结合起来特别容易引起竞争对手的回应。最后，考虑到报复与绩效的负相关，似乎存在避免报复的真正动机。
噪音对心理表现和烦恼的影响......
摘要 机械系统中的旋转部件会产生音调噪声，这些音调的存在会影响乘员的质量和舒适度，导致烦恼和心理表现下降。ISO 1996-2 和 ANSI S1.13 标准已经描述了量化突出音调影响的指标，但还需要更多研究噪音属性如何影响烦恼和表现，特别是在不同任务难度水平下。本文研究了在不同任务难度水平下暴露于带有音调成分的背景噪音时，噪音指标、烦恼反应和心理表现之间的关系。在本研究中，60 名参与者在受控测试室中执行三个不同级别的 n-back 任务时，暴露于 18 个具有三个不同突出音调的噪音信号（三个频率音调和两个背景噪音水平），评估主观感知的烦恼和不同的工作量。通过记录反应时间、正确率和失误次数来测量性能参数。结果表明，在更高的任务难度水平下，失误次数和反应时间呈增加趋势，但正确率呈下降趋势。研究结果表明，在不同任务难度下，除烦躁度和响度外，主观反应存在显著差异。尤其是在任务难度增加的情况下，参与者对较高的背景噪音水平、较低的音调频率和增加的音调水平更烦躁。响度指标与其他噪音指标高度相关。基于相关性最高的噪音指标，使用神经网络模型提出了三种预测感知烦躁度的模型。这三个模型中的每一个都有不同的输入参数和不同的网络结构。这三个神经网络模型的准确率和 MSE 表明它适合预测感知烦躁度。结果显示了音调噪音对烦躁度和心理表现的影响，尤其是在不同任务难度下。结果还表明神经网络模型具有较高的准确性和效率，可用于预测噪音烦躁度。模型 1 在某些方面更受青睐，例如输入参数较低，使其更加用户友好。最好的神经网络模型同时包括响度指标和音调指标。似乎组合指标在所提出的神经网络模型中的重要性最低，也是不必要的。
从 EDA、ECG 和 EEG 数据中获取的适应性见解
生理自适应虚拟现实可以驱动交互并调整虚拟内容以更好地满足用户的需求并支持特定目标。然而，心理生理推理的复杂性阻碍了有效的适应，因为认知和生理特征之间的关系很少表现出一一对应的关系。因此，有必要采用多模态方法来评估适应的效果。在这项工作中，我们分析了在与 VR 自适应系统交互过程中获得的多模态数据集（EEG、ECG 和 EDA），该系统使用 EDA 作为输入来适应次要任务难度。我们评估了动态调整对不同生理特征及其相关性的影响。我们的结果表明，当自适应系统增加次要任务难度时，theta、Beta 和相位 EDA 特征会增加。此外，我们发现在难度调整过程中 theta、alpha 和 beta 振荡之间存在高度相关性。我们的结果展示了如何使用特定的 EEG 和 EDA 特征来评估 VR 自适应系统。
使用功能性近红外光谱技术展示驾驶过程中视觉空间注意力需求与工作记忆负荷之间的大脑层面相互作用
驾驶是一项复杂的任务，需要同时调动多种认知资源。然而，目前还缺乏研究在双任务处理中不同驾驶子任务在大脑层面的相互作用。本研究调查了与驾驶难度增加相关的视觉空间注意力需求如何与大脑层面的不同工作记忆负荷 (WML) 水平相互作用。使用多通道全头高密度功能近红外光谱 (fNIRS) 大脑激活测量，我们旨在预测驾驶难度水平，既针对每个 WML 水平进行单独预测，也使用组合模型进行预测。参与者在虚拟现实驾驶模拟器中在有并发交通的高速公路上驾驶了大约 60 分钟。在一半的时间里，路线穿过一个车道宽度较窄的建筑工地，增加了视觉空间注意力需求。同时，参与者执行了 n-back 任务的修改版本，其中有五个不同的 WML 级别（从 0-back 到 4-back），迫使他们不断更新、记忆和回忆前几个“n”速度符号的序列，并相应地调整速度。使用多元逻辑岭回归，我们能够在 15 名参与者的 75.0% 信号样本（1.955 Hz 采样率）中正确预测驾驶难度，在对每个 WML 级别分别在 fNIRS 数据上训练的分类器的样本外交叉验证中。WML 级别对驾驶难度预测有显著影响
交通控制管理的可靠性和可靠性...
Abstract 本研究对接受和未接受空中交通管制模拟训练的两个不同组别（有经验/无经验）在不同难度级别的练习中的心理负荷进行了检查。在模拟之前对参与者的反应时间进行了评估，两组之间没有观察到显着差异。在第二阶段，比较这些反应时间均匀的小组在模拟场景中犯下的错误数量和表现得分。在 90% 的置信水平下，经验丰富的小组犯的错误较少。此外，场景的不同难度级别造成了错误数量的统计差异。在简单到中等的场景中犯的错误比在困难到非常困难的场景中犯的错误要少得多。然而，根据场景难度级别检查了性能分数的变化，发现性能分数之间存在显着差异（p 值 = 0.00 < 0.05）。简单-中等场景中的性能得分明显高于困难-非常困难场景中的性能得分。
量子态的计算不可区分性及其密码应用∗
我们引入了一个区分两个特定量子态的计算问题作为一个新的加密问题，以设计一个可以抵御任何多项式时间量子对手的量子加密方案。我们的问题 QSCD ф是区分两种具有有限度对称群上的隐藏排列的随机陪集态。这自然概括了计算密码学中两个概率分布之间常用的区分问题。作为我们的主要贡献，我们展示了三个加密属性：(i) QSCD ф具有陷门属性；(ii) QSCD ф的平均情况难度与其最坏情况难度一致；(iii) QSCD ф在最坏情况下的计算难度至少与图自同构问题一样困难。这些加密属性使我们能够构建一个量子公钥密码系统，该系统很可能抵御多项式时间量子对手的任何选择明文攻击。我们进一步讨论了 QSCD ffi 的泛化，称为 QSCD cyc ，并引入了一种依赖于 QSCD cyc 的加密属性的多位加密方案。
颈部疼痛
畸形（语音难度）视觉障碍，例如复视性（双视力），视力模糊和短暂性偏腹肌电障碍（吞咽困难）屈服（语音上的难度）掉落攻击（突然失去了权力，无意识丧失）dysphagia（吞咽掉落的损失）（吞咽无效）（突然的损失）（突然的损失） and faintingNausea and vomiting Disorientation or anxietyLightheadedness and fainting Hearing disturbances such as tinnitusDisorientation or anxiety Facial or oral paraesthesia or anaesthesiaHearing disturbances such as tinnitus Pallor, tremors and sweatingFacial or oral paraesthesia or anaesthesia Other neurological symptomsIf any suspicion of Vertebrobasilar insufficiency refer神经病学。•其他神经症状