XiaoMi-AI文件搜索系统
World File Search SystemAdaptive
memvlt：基于自适应内存的提示
视觉跟踪（VLT）通过整体语言描述增强了传统的视觉对象跟踪，要求跟踪器除了视觉信息之外，还可以灵活地理解复杂而多样的文本。但是，大多数现有的视觉跟踪器仍然过于依赖最初的固定多模式提示，这些提示迫使它为动态变化的目标提供有效的指导。幸运的是，互补学习系统（CLS）理论表明，人类成员系统可以动态存储和利用多模式感知信息，从而适应新的情况。受到此启发，（i）我们提出了一个基于mem-ory的v is-l and an an an an an an gracker（memvlt）。通过将内存建模合并以调整静态提示，我们的方法可以提供自适应提示来跟踪指导。（ii）具体来说，根据CLS理论设计了内存存储和内存相互作用模块。这些模块有助于短期和长期记忆之间的存储和灵活的相互作用，从而生成适应目标变化的提示。（iii）最后，我们在主流VLT数据集上进行了广泛的经验（例如g。，mgit，tnl2k，lasot和lasot ext）。实验结果表明，MEMVLT实现了新的最先进的表现。令人印象深刻的是，它在MGIT上获得了69.4％的AUC和TNL2K的63.3％AUC，将现有最佳结果分别提高了8.4％和4.7％。代码和模型将在以下网址发布：https：//github.com/xiaokunfeng/memvlt。
自适应多智能体深度强化学习，实现及时的医疗干预
摘要 — 有效的患者监测对于及时干预和改善医疗结果至关重要。传统的监测系统通常难以处理生命体征波动的复杂动态环境，从而导致延迟识别危急情况。为了应对这一挑战，我们提出了一种使用多智能体深度强化学习 (DRL) 的新型 AI 驱动患者监测框架。我们的方法部署了多个学习代理，每个代理都专用于监测特定的生理特征，例如心率、呼吸和体温。这些代理与通用医疗监测环境交互，学习患者的行为模式，并根据估计的紧急程度做出明智的决策以提醒相应的医疗应急小组 (MET)。在本研究中，我们使用来自两个数据集的真实生理和运动数据来评估所提出的多智能体 DRL 框架的性能：PPG-DaLiA 和 WESAD。我们将结果与几个基线模型进行了比较，包括 Q-Learning、PPO、Actor-Critic、Double DQN 和 DDPG，以及 WISEML 和 CA-MAQL 等监测框架。我们的实验表明，所提出的 DRL 方法优于所有其他基线模型，可以更准确地监测患者的生命体征。此外，我们进行超参数优化，以微调每个代理的学习过程。通过优化超参数，我们提高了学习率和折扣因子，从而提高了代理在监测患者健康状况方面的整体表现。与传统方法相比，我们的 AI 驱动的患者监测系统具有多种优势，包括能够处理复杂和不确定的环境、适应不同的患者状况以及在没有外部监督的情况下做出实时决策。然而，我们发现了与数据规模和未来生命体征预测相关的局限性，为未来的研究方向铺平了道路。
通过峰值神经网络的神经途径的自适应重组
人的大脑可以自我组织富有和多样化的稀疏神经途径，以逐步掌握数百项认知任务。但是，大多数现有的深层人工和尖峰神经网络的持续学习算法无法充分自动调节网络中有限的资源，这会导致性能下降，随着任务的增加，能源消耗的增加。在本文中，我们提出了一种脑启发的持续学习算法，并通过自适应重新组织神经途径，该途径采用自组织调节网络来重组单个和有限的神经网络（SOR-SNN），为丰富的稀疏神经途径，以有效地处理增量任务。所提出的模型表明，在各种持续学习任务的性能，能源消耗和记忆能力方面都具有一致的延长性，从类似孩子的简单任务到复杂的任务以及广义CIFAR100和Imagenet数据集。尤其是，SOR-SNN模型擅长学习更复杂的任务以及更多的任务，并能够将过去的知识与当前任务中的信息集成在一起，显示了促进旧任务的向后转移能力。同时，所提出的模型具有不可逆损害的自我修复能力，对于修剪的网络，可以自动分配从保留网络的新途径，以恢复记忆以获取被遗忘的知识。
使用自适应智能预测时间序列的图形强化学习
摘要 - 强化学习以其能够对顺序任务进行建模和学习潜在数据模式的能力而闻名。深度学习模型已在回归和分类任务中广泛探索和采用。但是，深度学习具有其局限性，例如假设均等和有序数据，以及缺乏在时间序列预测方面合并图形结构的能力。图形性化neu-ral网络（GNN）具有克服这些挑战并捕获时间序列数据中的时间依赖性的能力。在这项研究中，我们提出了一种新的方法，用于使用GNN和增强学习（RL）监测时间序列数据。gnns能够将数据的图形结构明确地纳入模型，从而使它们能够以更自然的方式捕获时间依赖性。这种方法允许在复杂的时间结构中进行更准确的预测，例如医疗保健，交通和天气预报中的预测。我们还使用贝叶斯优化技术来微调我们的GraphRl模型，以进一步提高性能。所提出的框架在时间序列预测和监视中优于基线模型。本研究的贡献包括引入时间序列预测的新型GraphRl框架，以及与传统深度学习模型（例如RNN和LSTMS）相比，GNNS的有效性的证明。总体而言，这项研究证明了GraphRL在动态RL环境中提供准确有效的预测的潜力。
自适应机器人系统的可配置软件模型
在运行时在不同的系统配置之间切换。分别对所有这些不同但部分冗余的配置的分析是一个乏味，耗时且容易出错的任务，尤其是因为这忽略了配置之间的变化。在Päßler等人中。 [20]，我们展示了建模这样的SAS作为系统家族的优势，在该系统中，每个家庭成员都对应于可能的配置，该配置允许基于家庭的建模和分析作为对抗冗余的手段[25]。 为此，我们使用了软件产品线（SPL）领域的正式模型和工具[2]。 We also used the fact that SASs can be implemented using a two-layered approach, decomposing the system into a managed and a managing subsystem [ 15 , 27 ], with the managed subsystem implementing the domain concerns (e.g., navigating a robot to a specific position) and the managing subsystem implementing the adaptation logic (e.g., reconfiguring due to changing environmental conditions). 这种关注点的分离由Profeat [9]迎合了基于概率的家庭模型检查的工具。 Profeat提供了一种手段，可以在一次运行中同时分析与有效配置相对应的模型家族。 本文为自适应机器人系统提供了可配置的软件模型，即用于搜索并遵循位于海床上的管道的自动水下车辆（AUV）。 该模型已用于案例研究，在Päßler等人中提出。 [20，21]，并受到示例性的启发[22]。 与Päßler等人相反。在Päßler等人中。[20]，我们展示了建模这样的SAS作为系统家族的优势，在该系统中，每个家庭成员都对应于可能的配置，该配置允许基于家庭的建模和分析作为对抗冗余的手段[25]。为此，我们使用了软件产品线（SPL）领域的正式模型和工具[2]。We also used the fact that SASs can be implemented using a two-layered approach, decomposing the system into a managed and a managing subsystem [ 15 , 27 ], with the managed subsystem implementing the domain concerns (e.g., navigating a robot to a specific position) and the managing subsystem implementing the adaptation logic (e.g., reconfiguring due to changing environmental conditions).这种关注点的分离由Profeat [9]迎合了基于概率的家庭模型检查的工具。Profeat提供了一种手段，可以在一次运行中同时分析与有效配置相对应的模型家族。本文为自适应机器人系统提供了可配置的软件模型，即用于搜索并遵循位于海床上的管道的自动水下车辆（AUV）。该模型已用于案例研究，在Päßler等人中提出。[20，21]，并受到示例性的启发[22]。与Päßler等人相反。此外，本文说明了如何对这种模式进行细化的分析，以及如何修改和扩展模型。获得一些安全保证并为系统运营商提供估计任务持续时间或AUV能源消耗的手段。[20]，本文未详细介绍软件模型。相反，它通过软件模型显示了如何将基于家庭的系统建模和分析的现有框架用于SAS研究。此外，它显示了如何扩展软件模型以进一步，可能更复杂的SAS模型和分析。
利用 LSTM 和强化学习实现 CIoT 节点中的自适应感知
摘要 — 无线传感器网络 (WSN) 在消费者物联网 (CIoT) 中提供了广泛的应用。WSN 中的传感器节点配备了一系列传感器，这些传感器通常会遇到能源供应有限的问题。因此，本文针对多传感节点提出了一种联合长短期记忆 (LSTM) 和强化学习的边缘智能框架。这种新颖的策略旨在通过在边缘节点使用基于 Q 学习的优化函数解决传感信号之间的互相关与传感器能耗之间的权衡，在测量周期内估计一组最佳的活动传感器。采用基于 LSTM 的预测模型从活动传感器监测的互相关传感信号中预测非活动传感器监测的传感信号。为了评估所提出的框架在 CIoT 节点中的性能，在空气污染监测数据集上模拟了该算法。模拟结果证实了所提出的框架的有效性和效率。与目前最先进的方法相比，所提出的算法在错误性能方面提高了 13%，在感知能耗方面提高了 27%，同时保持了非活动和活动传感器集之间互相关系数的下限。
估算整个模型的自适应生命周期
随着当前时代神经网络的研究，开发和应用的迅速增加，训练和使用模型所需的能量成比例增加。至关重要的是，这伴随着向环境排放的增加。一种可持续的有益方法，可减少与AI/深度学习现代时代相关的碳足迹和能源需求的上升，这是模型的适应性和连续再利用，这些模型在模型部署环境或输入数据中的变化/变化环境的变化方面进行了自适应。在此pa-per中，我们提出了预索引，这是一个预测索引，以估算与模型重新验证与数据分布变化相关的环境和计算资源。预索引可用于估计环境成本，例如从当前数据分布到新数据分布时碳排放和能源的使用。它还与并可以用来估计具有深度学习的其他资源指标，例如时期，梯度规范和模型参数变化的幅度。preedectex仅涉及数据的一个前传递，然后它提供了一个简洁的价值，以估算与重新验证的新分布移位数据相关的资源。我们表明，可以在各种数据集，模型体系结构，不同类型和分布变化的强度之间可靠地使用preedex。此工作的代码可在此处提供：https：//github.com/jekimlab/aies2024preindex因此，preIndex使用户能够做出明智的决策，以重新进行不同的分发转移，并确定最具成本效益和可持续性的选择，从而可以重新使用在环境中具有较小占地面积的模型。
基于视觉的自适应机器人技术用于自主表面裂纹修复
基础设施中的抽象表面裂纹如果没有有效维修，可能会导致明显的恶化和昂贵的维护。手动修复方法是劳动力密集的，耗时的，不精确的，因此很难扩展到大面积。尽管机器人感知和操纵的进步已经进行了自主裂纹修复的进展，但现有方法仍然面临三个关键挑战：（i）在机器人的坐标框架内准确定位裂缝，（ii）对改变裂纹深度和宽度的适应性，以及（iii）在现实情况下对修复过程的验证。本文使用具有先进感应技术的机器人技术提出了一种自适应的自主系统，用于表面裂纹检测和修复，以增强人类的精度和安全性。系统使用RGB-D摄像头进行裂纹检测，用于精确测量的激光扫描仪以及用于材料沉积的挤出机和泵。为了应对关键挑战之一，激光扫描仪用于增强裂纹坐标以进行准确定位。此外，我们的方法表明，一种自适应裂纹填充方法比固定速度方法更有效，更有效，实验结果证实了精度和一致性。此外，为了确保现实世界的适用性和测试可重复性，我们使用3D打印的裂纹标本引入了一种新颖的验证程序，以准确模拟现实世界中的条件。关键字：机器人基础设施维护裂纹维修自适应维修最终效果设计计算机视觉1.这项研究通过证明自适应机器人系统如何减少对手动劳动的需求，提高安全性并提高维护操作的效率，最终为更复杂和集成的建筑机器人铺平道路，从而为建筑中人类机器人相互作用的发展贡献。在基础设施维持领域的引入，有效的检测和修复表面裂纹是最持久和最具挑战性的问题之一。表面裂纹通常是非结构性的，但由于水分或化学入口而导致长期恶化。随着时间的流逝，这些次要缺陷可能会传播并在结构上显着，可能导致昂贵的维修甚至灾难性的失败。传统的裂纹维修方法，例如倒入，填充，密封，压力倾泻和挖掘挖掘[1]，在很大程度上依赖手动劳动，并且通常会导致不一致的维修质量，同时带来了主要的安全风险。此外，手动裂纹维修可能是一个耗时的过程，可能会导致受影响社区的恢复的重大延迟。，例如，从2016年到2018年，旧金山国际机场跑道的地表裂纹维修直接占有近半百万美元，
自适应世界：游戏设计和游戏未来的生成AI和交互式媒体
生成的AI正在彻底改变游戏设计领域，并在游戏玩法中引入了前所未有的适应性和个性化。AI驱动引擎的最新进步可实现实时内容创建，提供了动态的，以玩家为导向的体验，与传统的预编程叙述不同。此班次标志着向“选择自己的冒险”格式的过渡，其级别，敌人，收藏品和武器的数量无限数量，该级别是针对每个玩家的决定量身定制的。Google的Gamengen展示了AI重新创建经典游戏，例如实时学习和生成游戏玩法的能力。这些创新并不仅限于游戏。它们扩展到了娱乐，电视和电影，诸如Cybever之类的AI工具允许创作者从诸如草图之类的简单输入中产生3D世界。这样的发展强调了AI在塑造交互式媒体中的作用的更广泛趋势，为个性化学习和娱乐体验提供了新的机会。诸如笔记本LM之类的工具的出现也模糊了游戏与其他媒体之间的界限，从而创建了AI编写的脚本和化身，从而增强了跨平台的讲故事。本文探讨了生成AI的变革潜力，强调了对娱乐，游戏及其他地区的未来的影响。