XiaoMi-AI文件搜索系统
World File Search System面向
迈向jacamo-rest：一种面向资源的抽象，用于管理多代理系统∗†
摘要。多代理的编程（MAOP）范式为模型和实施代理人及其组织和环境提供了抽象。近年来，研究人员已开始探索MAOP和面向资源的Web体系结构（REST）的整合。本文通过在Jacamo-Rest上展示了一项持续的工作，这是一项持续的研究，这是一种基于资源的基于资源的网络编程平台JACAMO的抽象。jacamo- reth将多代理系统（MAS）互操作性达到新级别，不仅可以与万维网的服务或应用程序进行交互，还可以通过其他应用程序在其规范中进行管理和更新。要将开发人员界面添加到适合Web的Jacamo中，我们提供了一个关于MAOP规范实体管理的新颖概念观点。我们将其作为编程接口应用程序的中间件进行了测试，该应用程序提供了现代软件工程设施，例如连续部署和MAS的迭代软件开发。
PLTW 面向创新者和制造者的计算机科学
面向创新者和制造者的计算机科学课程教导学生，编程不仅限于虚拟世界，还涉及物理世界。学生需要创造性地使用传感器和执行器来开发与环境交互的系统。通过设计算法和使用计算思维实践，他们编写程序并将其上传到执行各种真实任务的微控制器。该单元通过有意义的应用拓宽学生对计算机科学概念的理解。团队选择并解决与可穿戴技术、交互式艺术或机械设备相关的个人相关问题。在整个单元中，学生通过融合硬件设计和软件开发来学习物理世界的编程，让学生通过创建个人相关、有形且可共享的项目来发现计算机科学概念和技能。
面向临床数据科学家的 AI 探索与创新
● 导航到工具 > 全局选项 > Copilot。 ● 勾选“启用 GitHub Copilot”。 ● 下载并安装 Copilot Agent 组件。 ● 单击“登录”按钮。 ● 在“GitHub Copilot：登录”对话框中，复制验证码。 ● GitHub Copilot：登录 ● 导航到或单击链接 https://github.com/login/device，粘贴验证码并单击“继续”。 ● GitHub 将请求 GitHub Copilot 必要的权限。要批准这些权限，请单击“授权 GitHub Copilot 插件”。 ● 权限获得批准后，您的 RStudio IDE 将显示当前登录的用户。 ● 关闭全局选项对话框，打开源文件（.R、.py、.qmd 等）并开始使用 Copilot 编码！
面向情感 XAI：通过面部情感分析来理解可解释的人机交互
随着机器学习方法越来越多地用于增强人类决策能力，可解释人工智能 (XAI) 研究探索了将系统行为传达给人类的方法。然而，这些方法往往无法解释人类在与解释互动时的情感反应。面部情感分析研究人类面部的情绪表达，是了解用户如何参与解释的一个有前途的视角。因此，在这项工作中，我们的目标是 (1) 确定人们与 XAI 界面交互时哪些面部情感特征会很明显，以及 (2) 开发一个多任务特征嵌入，将面部情感信号与参与者对解释的使用联系起来。我们的分析和结果表明，当参与者未能有效地使用解释时，面部 AU1 和 AU4 以及唤醒的发生和值会增加。这表明面部情感分析应该纳入 XAI，以根据个人的互动风格个性化解释，并根据执行任务的难度调整解释。
面向汽车零部件制造商的人工智能
人工智能为汽车零部件制造商提供了改进制造工艺的新方法，并帮助他们满足客户严苛的质量要求。基于人工智能的系统可以优化缺陷检测和分类，防止生产线意外停机，更好地评估设备的剩余使用寿命，从而降低成本、缩短工期并提高客户满意度。
EmbodiedScan：面向具身 AI 的整体多模式 3D 感知套件
摘要 在计算机视觉和机器人领域，具身代理有望探索其环境并执行人类的指令。 这就需要能够根据第一人称观察充分理解 3D 场景，并将其语境化为语言进行交互。 然而，传统研究更多地侧重于从全局视角进行场景级输入和输出设置。 为了解决这一差距，我们引入了 EmbodiedScan，这是一个多模态、以自我为中心的 3D 感知数据集和整体 3D 场景理解的基准。 它包含超过 5k 个扫描，封装了 1M 个以自我为中心的 RGB-D 视图、1M 个语言提示、160k 个 3D 导向框，涵盖 760 多个类别，其中一些与 LVIS 部分一致，以及具有 80 个常见类别的密集语义占用率。 基于这个数据库，我们引入了一个名为 Embodied Perceptron 的基线框架。它能够处理任意数量的多模态输入，并表现出卓越的 3D 感知能力，无论是在我们建立的两个系列基准测试（即基本 3D 感知任务和基于语言的任务）中，还是在野外。
面向特定领域的可解释人工智能
皮肤癌检测是临床决策支持的一个常见应用 [7]。由于皮肤癌患者数量的增加和早期检测的良好治疗效果，过去几年来，人们在该领域进行了大量研究。在此背景下，DNN 已成为开发皮肤图像分类模型的可行方法 [2、8、12、30]。社区的高度关注导致出现了各种不同方法，其性能水平也参差不齐。1 所有方法的共同点都是训练一个可用于诊断并从而用于临床决策支持的模型。因此，新方法的评估标准通常是它们是否能够使模型在各种皮肤病诊断任务中取得更好的性能结果 [21]。同时，其他 AI 研究领域也越来越多地考虑对模型预测的解释。相比之下，这些技术在皮肤图像分类中的应用几乎没有得到解决，尽管最近的一些研究已经认识到
面向未来的电力市场设计建议
本报告编写框架内的项目得到了以下 CERRE 成员组织的支持和/或投入：ARERA、EDF、Ei、Enel、Norsk Hydro、Ofgem、PPC、Terna、UREGNI。但是，他们对本报告的内容不承担任何责任。本 CERRE 报告中表达的观点仅代表作者个人观点，不代表他们所属的任何机构。此外，它们不一定与 CERRE、任何赞助商或 CERRE 成员的观点相对应。推荐引用：Pollitt, M.、von der Fehr, N.、Banet, C.、Le Coq, C.、Willems, B.、Bennato, AR 和 Navia, D.，《面向未来的电力市场设计建议》，欧洲监管中心 (CERRE)，2022 年。