XiaoMi-AI文件搜索系统
World File Search System2020b
新颖的数据集及其潜在用途
人工智能 (AI) 的最新进展激发了人们对 AI 刺激经济增长潜力的兴奋，学者们认为 AI 有可能成为我们这个时代最重要的“通用技术”（Brynjolfsson & McAfee，2017 年）。然而，人们担心，AI 的进步也可能对劳动力市场、企业和行业产生重大影响，因为它会取代工人、改变职业管辖权、改变战略并影响绩效。几十年来，学者们一直在思考信息技术的快速发展是否以及如何改变竞争和战略的性质（Bennett & Hall，2020 年；Bettis & Hitt，1995 年；Tippins & Sohi，2003 年）。近年来，越来越多的研究人员开始研究人工智能如何影响企业设计、战略、组织学习和管理（例如，Balasubramanian、Xu 和 Ye，2020 年；Bughin、Kretschmer 和 van Zeebroeck，2019 年；Iansiti 和 Lakhani，2020 年；Jia、Luo 和 Fang，2020a、2020b；Khashabi 和 Kretschmer，2019 年；Raj 和 Seamans，2019 年；Wuebker、Saouma 和 McGahan，2018 年）。然而，尽管学术文献和公共媒体对人工智能对职业、企业和市场的影响非常感兴趣，但系统的证据收集却很少。缺乏证据的部分原因在于人工智能的快速发展是一种新兴现象，衡量其影响的标准尚未确定，因此也不适合发展（McElheran，2018；Raj & Seamans，2018）。
C. richardii 的生物学作为了解植物的工具......
引言 水蕨属 (Ceratopteris) 的分类历史悠久而复杂。它最早由林奈 (Linnaeus) 描述为 Acrostichum 属 (Linnaeus, 1764)，后来布隆尼亚 (Brongniart) (Brongniart, 1821) 将水蕨命名为水蕨 (Ceratopteris)。从那时起，水蕨被归入许多不同的科，属内物种数在 1 到 12 种之间 (Lloyd, 1974)。如今，它被归入蕨科，这是最大的和最具多样性的蕨类植物科之一 (PPG, 2016；图 1)。水蕨属大约有 10 个物种，遍布整个热带地区 (图 2；Masuyama 和 Watano, 2010；Zhang 等, 2020；Yu 等, 2021)。由于形态不一致，这些物种的分类变得困难，需要采用分子方法来重建该属的主干系统发育 ( Adjie 等人，2007 年；Kinosian 等人，2020 年 a)。最近的研究表明，隐蔽种和杂交种在水蕨属中可能相当常见，需要更严格地评估该属物种之间的关系 (例如，Kinosian 等人，2020 年 b)。水蕨属植物最初在 20 世纪 60 年代和 70 年代被开发为蕨类植物的模型系统，主要是因为它易于在实验室中生长并且生命周期短 (图 2 ；Pal 和 Pal，1962 年；Pal 和 Pal，1963 年；Klekowski，
远距离意识的非IID联合学习用于医学成像分段中的概括和个性化
医疗保健中的联邦学习（FL）患有非相同分布的（非IID）数据，从而影响模型收敛和性能。虽然现有的非IID问题解决方案通常不会量化联邦客户之间的非IID性质程度，但评估它可以改善培训经验和成果，尤其是在不熟悉数据集的现实世界中。本文提出了一种实用的非IID评估方法，用于医疗分割问题，强调了其在佛罗里达州的重要性。我们提出了一种简单而有效的解决方案，该解决方案利用了医疗图像的嵌入空间和对其元数据计算的统计测量结果。我们的方法是为医学成像而设计的，并集成到联邦平均值中，通过降低最遥远的客户的贡献，将其视为离群值，从而改善了模型的概括。此外，它通过引入客户的基于距离的聚类来增强模型个性化。据我们所知，这种方法是第一个使用基于距离的技术来为医学成像域内非IID问题提供实际解决方案的方法。此外，我们验证了三个公共FL成像放射学数据集的方法（Fets（Pati等人，2021），前列腺（Liu等人，2020b），（Liu等人，2020a）和Fed-Kits2019（Terrail等人，2022）））在各种放射学成像方案中证明其有效性。关键字：联合学习，非IID数据，个性化，概括，医学细分，医学成像。
铝废料对太阳能蒸馏的影响东盟......
太阳能无疑是清洁、可再生和环保的能源，但它在地球上的分布并不均匀。饮用水也是如此。在我们的地球上，有些地区缺乏饮用水，这就是为什么太阳能蒸馏是解决这一问题最有利的方法之一。在偏远地区，有时很难找到饮用水。当地居民被迫寻找一种将污水转化为饮用水的解决方案。污水的太阳能蒸馏和太阳能蒸馏器的建造一直是许多科学实验室的研究对象 (Sadasivuni et al ., 2020; Panchal et al ., 2020; Khechekhouche et al ., 2020a; Khechekhouche et al ., 2019a)。在偏远地区使用的太阳能蒸馏器的产量相当低，这就是为什么许多研究试图通过结合其他能源系统来提高这种性能，例如平板太阳能集热器、抛物面聚光器（Wang 等人，2022 年）、圆柱形抛物面聚光器（Essa 等人，2022 年）、光伏（Hansen 等人，2021 年）和许多其他系统。其他研究使用了不太复杂和更简单的方法，并通过改变太阳能蒸馏器的厚度、角度或玻璃盖数量（Cherraye 等人，2020 年；Panchal，2016 年；Khechekhouche 等人，2021 年，Khechekhouche 等人，2019b 年；Khechekhouche 等人，2017 年）。太阳能蒸馏器实验使用了外部和内部折射器，以提高设备的性能 (Khechekhouche et al ., 2020b)。其他人则尝试冷却蒸馏器的玻璃盖以加速蒸发 (Khan et al ., 2021)。
人工智能艺术中的艺术自主性
引言 对创造力和意图的伦理关怀 自动化在社会中的传统作用是通过外包日常任务来让人类生活更轻松，并且按照传统，它取代人类的工作以降低成本、增加利润。例如，推荐系统利用语言模型来吸引用户参与预测文本系统。然而，由于它改变了人们的写作方式，这种媒介受到了许多批评。研究发现，这些系统让人变得“像机器一样”——从其意图就可以看出这一点（Varshney 2020b）。这促使人们在实施自动化时要伦理关怀人类的属性——其中之一就是创造力。事实上，早在 1964 年，技术学者刘易斯·芒福德 (Lewis Mumford) 就引用了歌德的《魔法师的学徒》来论述：“首先，让我质疑这样一种观点，即自动化在任何意义上都是最终的利益，它在各个方面都如此有益，因此必须加快这一进程并坚持不懈地扩展到每个领域……”如果人类有机体仅按照这一原则发展，……人类将失去思维能力”（Mumford 1964）。在精神分析中，创造力是驱动艺术体验的表达要素或自然人类冲动（Zweig 2012）。它让观众感到惊讶，因为它突破了被认为是现实体验的界限。令人惊讶的是，它推动了创造力的产生，这一点可以通过好奇机器人的人工智能创造系统将其用作创造性行动的内在动机来检验（Saunders et al. 2010）。人工智能艺术，
南亚可再生能源过渡
它也是世界上人口最多的地区之一，有17亿人口，并且显示出7％的经济增长（大约）在冠状病毒疾病之前（Covid-19）大流行（世界银行，2020b）。尽管经济增长持续一致，但该地区的国家仍处于能源约束（Murshed，2021年）。尽管近年来，这些国家目睹了能源获取的显着改善，但它们尚未在农村地区100％获得电力并获得清洁烹饪燃料（如图1.1所示）。根据同一项研究，这些国家中的大多数未能通过国内供应来满足其能源需求，并且很大程度上取决于进口。当通过进口满足能源需求的增加时，这些导致对政府预算的高依赖性，尤其是在能源进口量很大的情况下。此外，由于各种地缘政治和经济因素，对能源产品的进口依赖（例如，印度对煤炭的进口依赖性）也损害了一个国家的能源安全（Milina，2007年）。尽管南亚地区在能源和制造产品和服务方面都具有巨大的区域内贸易潜力，但制造产品的实际贸易仅占其潜力的三分之一（Kathuria，2018； Shah，2020年）。由于各种区域问题，包括不适当的关税措施，高区域内连通性，地缘政治紧张局势和缺乏基础设施，因此能源贸易也差不多。此外，与该地区的国际贸易量相比，制造商品和能源技术的区域内贸易非常低（Kaushik，2015年）。
从部分观察中学习的强化学习：可证明样品效率的线性函数近似
2020; Jin等。，2020b; Ayoub等。，2020年； Kakade等。，2020年； Du等。，2021）。特别是，对于有限的状态空间，神经功能近似值取得了显着的成功（Mnih等人。，2015年； Berner等。，2019年； Arulkumaran等。，2019年），而线性函数近似器理论上变得更好地理解（Yang和Wang，2020; Jin等人。，2020b; Ayoub等。，2020年； Kakade等。，2020年； Du等。，2021）。相比之下，尽管在实践中普遍存在，但在部分观察到的马尔可夫决策过程中的强化学习（POMDPS）较少地研究（Cassandra等人，1996; Hauskrecht和Fraser，2000年； Brown and Sandholm，2018年； Ra i Qerty等。，2011年）。更具体地，部分可观察性构成了统计和计算。从统计的角度来看，由于缺乏马尔可夫财产，预测未来的奖励，观察或国家是一项挑战。尤其是，预测未来通常涉及推断国家的分布（也称为信仰状态）或其功能作为历史的摘要，即使假设（observation）发射和（状态）过渡内核也已知（Vlassis etal。 ，2012年； Golowich等。 ，2022）。 同时，学习发射和过渡内核面临因果推理通常遇到的各种问题（Zhang and Bareinboim，2016年）。 ，2021）。 ，2020a）。，2012年； Golowich等。，2022）。同时，学习发射和过渡内核面临因果推理通常遇到的各种问题（Zhang and Bareinboim，2016年）。，2021）。，2020a）。例如，它们通常是不可实现的（Kallus等人。即使假设它们是能够识别的，它们的估计可能需要一个样本量，该样本量在地平线和维度上成倍缩小（Jin等人。即使在评估政策方面，这种统计挑战也已经令人难以置信（Nair和Jiang，2021; Kallus等人。，2021; Bennett和Kallus，2021），构成了政策优化的基础。从计算角度来看，众所周知，策略优化通常是棘手的（Vlassis et al。，2012年； Golowich等。，2022）。此外，有限的观察和状态空间扩大了统计和计算挑战。另一方面，大多数现有结果仅限于表格设置（Azizzadenesheli等人。，2016年； Guo等。，2016年； Jin等。，2020a; Xiong等。，2021），其中观察和状态空间是有限的。在本文中，我们研究了POMDP中的线性函数近似，以解决有限观察和状态空间所扩增的实力挑战。尤其是我们的贡献是四倍。首先，我们定义了具有线性结构的一类POMDP，并确定了针对样品良好的增强学习的不良调节措施。这样的不良调节措施对应于表格设置中的重复（Jin等人，2020a）。第二，我们提出了一种增强学习算法（OP-TENET），该算法适用于任何POMDP承认上述线性结构。此外，我们在操作装置中使用最小值优化公式，以便即使数据集较大，也可以在计算功能庄园中实现算法。第三，从理论上讲，我们证明了Op -Tenet在o（1 /ǫ2）情节中达到了最佳政策。尤其是样品复杂性在线性结构的固有维度上缩放，并且是观测和状态空间大小的独立性。第四，我们的算法和分析基于新工具。 特别是，op-tenet的样本效率是由se- 启用的第四，我们的算法和分析基于新工具。特别是，op-tenet的样本效率是由se-
Quantumland的冒险
图1-量子合成器的体系结构。From (Hamido, Cirillo, and Giusto 2020) ......................... 25 Figure 2 - Quantum Synth's demonstrations for Bell state circuit.From (Hamido, Cirillo, and Giusto 2020) ........................................................................................................................................................... 26 Figure 3 - second GUI for the Quantum Synth presented at (“Festival Della Tecnologia - Musica Con Un Computer Quantistico” 2019) ............................................................................................................................................................................................. 27图4-交互式量子声系统体系结构。经Eduardo Reck Miranda的许可复制（2020b，图。经埃里克·R·约翰斯顿（Eric R. Johnston）的许可重现（2019年，图11.1) .......................................................................................................................................... 59 Figure 23 - framework for the implementation of qc.VFX ...................................................................... 61 Figure 24 - frames of the interactive interpolation of QuantumBlur in qc.VFX .................................... 62 Figure 25 - QuantumSynth v3 saw circuit using statevector backend with 2 and 6 qubits ................ 63 Figure 26 - QuantumSynth v3 saw circuit using simulator backend with 4 and 4096 shots .............. 64 Figure 27 - Still frame of Disklavier Prelude #1 .From (Hamido 2021b) ............................................... 73 Figure 31 - the harmonic progression in Disklavier Prelude #2 ............................................................ 74 Figure 32 - excerpt from Scriabin's "Walts in A-flat major Op.From (Hamido 2021b) ............................................... 70 Figure 28 - initial notes and harmony in Disklavier Prelude #1 ............................................................ 71 Figure 29 - Super spread self standing dominant chord in Disklavier Prelude #1 .............................. 71 Figure 30 - Still frame of Disklavier Prelude #2 .38" from 1904 .................................... 74 Figure 33 - Still frame of Disklavier Prelude #3 .From (Hamido 2021b) ............................................... 75 Figure 34 - Still frame of Disklavier Prelude #3 .From (Hamido 2021b) ............................................... 76
![arxiv：2110.03580v2 [cs.lg] 2024年12月30日](/simg/3\3c616b1efecb7edb9f04112a9aceda9b1150c30f.webp)
arxiv：2110.03580v2 [cs.lg] 2024年12月30日
强化学习（RL）研究代理如何在未知环境中以奖励反馈来表现。环境通常被建模为马尔可夫决策过程（MDP）。在标准设置中，假定MDP是静态的，即，随着时间的推移，状态过渡内核和瞬时奖励函数仍保持固定。在这个假设下，具有强大理论保证的众多综合和统计上有效的算法已得到发展（Jaksch等人。，2010年； Lattimore和Hutter，2012年； Dann and Brunskill，2015年； Azar等。，2017年； Jin等。，2018，2020b）。但是，即使腐败仅限于一小部分回合，这些保证也可能会完全破裂。为了模拟MDP中的对抗性损坏，已经对一个称为对抗MDP的框架进行了敏锐的研究。在对抗性MDP中，允许对手在每回合中任意选择奖励功能，同时保持过渡内核固定（Neu等人。，2010b，a; Dick等。，2014年； Rosenberg and Mansour，2019年，2021年； Jin等。，2020a; Neu和Olkhovskaya，2020年； Lee等。，2020年； Chen and Luo，2021年；他等人。，2021; Luo等。，2021）。在此框架下，可以建立强大的次线性遗憾界限，这几乎与固定的奖励案例相匹配。值得注意的是，Jin和Luo（2020）； Jin等。（2021b）开发了在对抗奖励案例中实现近距离限制的算法，同时在静态案例中保留了依赖实例依赖的界限，这表明几乎可以在没有价格的情况下处理对抗奖励。
去增长是什么意思？几点澄清
人类文明目前正在超越许多关键的地球边界，面临着生态崩溃的多维危机，包括危险的气候变化、海洋酸化、森林砍伐和生物多样性崩溃（Lenton 等人，2020 年；Rockström 等人，2009 年；Ste ffien 等人，2015 年；Ste ffien 等人，2018 年）。与关于人类世的一般叙述相反，这场危机不是由人类本身引起的，而是由特定的经济体系引起的：这个体系以永久扩张为前提，不成比例地使少数富人受益（Moore，2015 年）。经济增长与生态崩溃之间的关系现在在实证记录中得到了很好的证明。主流经济学中，主流观点认为我们必须继续追求永久增长（见 Hickel，2018a），因此必须寻求将 GDP 与生态影响脱钩，实现“绿色”增长。不幸的是，绿色增长的希望没有什么根据。没有历史证据表明 GDP 与资源使用（以物质足迹衡量）长期绝对脱钩，所有现存模型都预测即使在乐观条件下也无法实现这一目标（Hickel & Kallis，2020 年；Vadén、Lähde、Majava、Järvensivu、Toivanen & Eronen，2020 年；Vadén 等人，2020b）。只需用可再生能源取代化石燃料，即可实现 GDP 与排放的绝对脱钩；但如果经济继续以正常速度增长，这一目标的实现速度无法足够快，无法实现 1.5°C 和 2°C 的碳预算。更快的增长意味着更多的能源需求，而更多的能源需求使得在我们剩下的短暂时间内用可再生能源来满足它变得更加困难（Hickel & Kallis，2020年；Raftery 等人，2017 年；Schroder & Storm，2020 年）。