XiaoMi-AI文件搜索系统
World File Search SystemAdaptive
设计自动火星漫游者在动态地形中导航的自适应速度避免系统
文章历史：在过去的十年中，已经开发了各种基于速度障碍的方法，以避免动态环境中的碰撞。但是，这些方法通常仅限于处理几个障碍，连续的相遇或缺乏安全地形的安全保证。本文提出了使用速度障碍法的自适应碰撞避免策略，旨在使自主火星流浪者能够安全地驾驶动态和不确定的地形，同时避免多个障碍。该策略构建了自适应速度锥体，考虑了动态障碍和地形特征，从而确保了连续的安全性，同时将漫游者引导到其航路点。我们在模拟的MARS探索方案中实施了策略，代表了具有挑战性的多OSTACLAS任务。模拟结果表明，我们的方法通过增加安全距离来增强性能，使其非常适合自主行星探索，在这种情况下，避免碰撞对于任务成功至关重要。
四肢瘫痪用户的长期 BCI 训练：自适应黎曼分类器和用户训练
基于脑电图 (EEG) 的脑机接口 (BCI) 通常被认为是针对运动障碍用户的有前途的辅助技术，但由于在现实生活中的可靠性低，在实验室外仍很少使用。因此，需要设计可供最终用户（例如严重运动障碍者）在实验室外使用的长期可靠的 BCI。因此，我们提出并评估了一种基于多类心理任务 (MT) 的 BCI 设计，用于为 CYBATHLON BCI 系列 2019 的四肢瘫痪用户进行纵向训练（3 个月内 20 次训练）。在本次 BCI 锦标赛中，四肢瘫痪的飞行员在赛车游戏中用精神驾驶虚拟汽车。我们旨在将渐进式用户 MT-BCI 训练与基于自适应黎曼分类器的新设计的机器学习流程相结合，该分类器已被证明有望在现实生活中应用。我们遵循两步训练过程：前 11 个课程用于训练用户通过执行两个认知任务（休息和心理减法）或两个运动想象任务（左手和右手）来控制 2 类 MT-BCI。第二个训练步骤（剩余 9 个课程）应用了自适应、独立于会话的黎曼分类器，该分类器结合了之前使用的所有 4 个 MT 类别。此外，由于我们的黎曼分类器以无监督的方式逐步更新，因此它将捕获会话内和会话之间的非平稳性。实验证据证实了这种方法的有效性。也就是说，与初始课程相比，训练结束时的分类准确率提高了约 30%。我们还研究了这种性能改进的神经相关性。使用新提出的 BCI 用户学习指标，我们可以显示我们的用户学会了通过产生越来越匹配 BCI 分类器训练数据分布的 EEG 信号来改善他的 BCI 控制，而不是通过改善他的 EEG 类别辨别。然而，由此产生的改进只对同步（基于提示）BCI 有效，并没有转化为 CYBATHLON BCI 游戏性能的提高。为了克服这个问题
超越信心：自主系统感知的双阈值共形预测中的自适应弃权
摘要 - 安全至关重要的感知系统都需要可靠的不确定性量化和原则上的弃权机械，以在不同的操作条件下保持安全性。我们提出了一个新颖的双阈值共形框架，该框架可提供统计保证的不确定性估计，同时在高风险场景中实现选择性预测。我们的ap-proch唯一结合了共形阈值，以确保有效的预测集和通过ROC分析优化的弃用阈值，从而提供无分布的覆盖范围保证（≥1-α），同时识别不可靠的预测。通过对CIFAR-100，ImagEnet1k和ModelNet40数据集进行全面评估，我们在不同的环境扰动下展示了跨摄像头和激光痛的较高鲁棒性。该框架在严重的条件下达到了出色的检测性能（AUC：0.993→0.995），同时保持高覆盖率（> 90.0％），并实现适应性弃权（13.5％→63.4％±0.5），作为环境严重程度。对于基于激光雷达的感知，我们的方法表现出特别强大的表现，保持了强大的共识（> 84.5％），同时适当弃权不可靠的预测。值得注意的是，该框架在重扰动下显示出显着的稳定性，检测性能（AUC：0.995±0.001）在所有模式中的现有方法都显着超过现有方法。我们的统一方法弥合了理论保证和实际部署需求之间的差距，为在挑战性的现实世界中运行的安全至关重要的自主系统提供了强有力的解决方案。代码可在https://github.com/divake/conformal预测基于传感器的信任可达检测
基于...
https://doi.org/10.26434/chemrxiv-2025-1z3h4 orcid：https：//orcid.org/0000-0000-0002-2607-3035 consect content content content content content note content contem consect consect consect consect consect consemrxiv note content consemrxiv notect content consect consemrxiv notect content许可证：CC BY-NC 4.0
泌尿生殖器癌的自适应免疫
加拿大金斯敦皇后大学癌症研究所的生物医学和分子科学系； B宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州佩雷尔曼高级医学中心泌尿外科系； c不列颠哥伦比亚大学泌尿科科学系，不列颠哥伦比亚省温哥华，加拿大； D德国弗莱堡大学医学与医学中心的输血医学和基因治疗研究所； E分司血液学/肿瘤学，Tisch Cancer Institute，伊坎医学院，美国纽约州纽约州西奈山； F美国医学博士NCI，NIH，NIH，NIH，美国马里兰州癌症研究中心免疫肿瘤中心； G.UniversitéParisCité，Institut Cochin，Inserm U1016，CNRS UMR 8104，巴黎，75014，法国； h粘膜炎症和免疫力，法国巴黎75015 Institut Pasteur学院，法国巴黎； I美国德克萨斯州休斯顿市德克萨斯大学医学博士安德森癌症中心外科泌尿外科系；加拿大QC蒙特利尔麦吉尔大学卫生中心泌尿外科J泌尿外科； k加拿大金斯敦皇后大学医学院泌尿外科系； l德克萨斯大学医学博士安德森癌症中心，美国德克萨斯州休斯敦的杰纳特里医学肿瘤学系
Piratenets：具有残留自适应网络的物理信息深度学习
虽然物理知识的神经网络（PINN）已成为一个流行的深度学习框架，用于解决由部分差分方程（PDES）控制的前进和反问题（PDES），但众所周知，当采用更大和更深层的神经网络架构时，他们的性能会降低。我们的研究表明，这种反直觉行为的根源在于使用具有不适合初始化方案的多层感知器（MLP）架构，从而导致网络衍生物的培训较差，最终导致PDE残留损失的不稳定最小化。为了解决这个问题，我们引入了物理信息的残留自适应网络（Piratenets），这是一种新型的体系结构，旨在促进对深色Pinn模型的稳定且有效的培训。Piratenets利用了一种新型的自适应残差连接，该连接允许将网络初始化为在训练过程中逐渐加深的浅网络。我们还表明，提出的初始化方案使我们能够在网络体系结构中对与给定PDE系统相对应的适当的归纳偏差进行编码。我们提供了全面的经验证据，表明piratenets更容易优化，并且可以从深度大大提高，最终在各种基准中获得最新的结果。此手稿随附的所有代码和数据将在https://github.com/predictivectiveIntelligencelab/jaxpi/jaxpi/tree/pirate上公开提供。
特刊``SARS-COV-2先天和适应性免疫反应''
自2019年底以来，人类一直面临着一种新的大型，单链的RNA病毒的出现，称为严重急性呼吸道综合症冠状病毒2（SARS-COV-2），该病毒（SARS-COV-2）导致呼吸道疾病，其具有实质性的发病率和死亡率，称为冠状病毒疾病19（Covid-19）。这个大流行毫不前端动员了全球研究人员和临床医生的努力，以便更好地了解控制SARS-COV-2感染致病性的免疫机制。通常，感染与两个不同的临床特征有关。尽管在大多数情况下（〜90％），感染是无症状的或与轻度症状有关的，但有些患者（约10％）患有更严重的疾病，并患有急性呼吸窘迫综合征，并具有全身性肿瘤，细胞因子风暴，组织损伤，血栓造成的，血栓栓塞并发症以及/或心脏损伤，在约1-2％的情况下可能是致命的。宿主免疫反应的先天和适应性臂对赋予疾病的保护或敏感性至关重要，但SARS-COV-2感染的免疫学特征仍然很少了解。在我们的特刊中，“ SARS-COV-2先天性和适应性免疫反应”，我们提出了13篇文章的汇编，其中包括4个评论和9条来自几个学科的原始研究文章，包括免疫学，病毒学，生物化学和临床数据，这些数据涉及抗SARS-COV-2 SARS-COV-COV-COV-COV-COV-COV-2先天和自适应免疫反应的各个方面。，干扰素反应在解决病毒感染中起着重要作用。SARS-COV-2及其变体与干扰素响应的相互作用是一个核心问题。宿主先天免疫反应针对SARS-COV-2感染是由专用的先天免疫传感器集体被称为模式识别受体（PRRS）的专用组合的特定病毒特征引发的，这触发了专门用于在病原体消除病原体的基因的激活；这些基因通常编码细胞因子，干扰素和趋化因子。在[1]中研究了干扰素反应的诱导及其控制SARS-COV-2复制，尤其是Omicron变体的能力。在[2，3]中回顾了冠状动脉和病毒逃避策略的先天免疫感应机制的不同方面。在[4]中回顾了在上呼吸道（SARS-COV-2的主要入口部位）中发生的至关重要的免疫反应。在参与SARS-COV-2检测的不同PRR之间，Planes等。呈现SARS-COV-2包膜（E）蛋白和TLR2之间相互作用的分子表征[5]。除了TLR2途径外，SARS-COV-2感染还调节了各种细胞基因的表达，在炎症和组织/器官功能障碍中具有重要意义，这在[6]中探讨了。Zanchettin等人的目的是表征Covid-19的新遗传生物标志物。检查了屈服于严重的Covid-19的Covid-19患者中的基因多态性。作者发现了与巨噬细胞激活综合征（MAS）途径其他炎症性疾病中已经描述的等位基因变体的潜在关联[7]。抗SARS-COV-2先天免疫反应的其他重要参与者是含有天然杀手（NK）细胞的细胞毒性细胞，该细胞消除了受感染的细胞并与各种
AI驱动的智能照明系统，用于节能和自适应城市环境
城市照明系统对于安全，保障和生活质量至关重要，但是它们经常消耗巨大的能量，并且缺乏对不断变化的状况的适应性。传统的照明系统依赖于固定的时间表和手动调整，从而导致效率低下，例如过度灌输和能源浪费。本文探讨了人工智能（AI）和物联网技术如何通过基于环境条件和人类活动的实时调整，节能和自适应照明来优化城市照明。通过整合运动传感器，天气预报和交通系统的数据，城市可以减少能源消耗，提高安全性并改善居民的生活质量。实验结果表明，能源效率，照明质量和运营成本的显着提高，为智能城市照明系统提供了可持续的蓝图。
基于连续的航路点和可及性分析的不确定性下的安全和适应性自主导航
本文为基于可靠的状态空间可达性分析提供了一种安全自主导航的新方法。后者改善了基于顺序航路点（NSBSWR）框架[1]的已经提出的灵活导航策略[1]，同时考虑了建模和/或感知方面的明显不同的不确定性。的确，NSBSWR是一个新兴的概念，可以利用其灵活性和通用性，以避免频繁的复杂轨迹的计划/重新计划。本文的主要贡献是引入可及性分析方案，作为可靠的风险评估和管理政策，以确保连续分配的航点之间安全自主导航。为此，使用间隔分析来传播影响车辆动力学到导航系统指出的不确定性。通过求解具有不确定变量和参数的普通微分方程，通过间隔泰勒串联扩展方法揭示了所有车辆潜在的可触及状态空间。根据可达集的获得的界限，对导航安全做出了决定。一旦捕获了碰撞风险，风险管理层就会采取行动以更新控制参数，以掌握关键情况并确保适当地达到Waypint，同时避免任何风险状态。几个模拟结果证明了在不确定性下总体导航的安全性，效率和鲁棒性。
Adapt-Prouner：适应性的结构修剪，用于有效的小语言模型培训
小语言模型（SLM）由于在边缘设备中的广泛应用而引起了学术界和行业的极大关注。为了获得具有强大性能的SLM，传统方法要么从头开始预训练模型，这会产生大量的计算成本，或者压缩/修剪现有的大语言模型（LLMS），这会导致性能下降，并且与预训练相比差不多。在本文中，我们研究了涉及结构化修剪和模型训练的加速方法家族。我们发现1）层面的适应性修剪（适应性培训）在LLM中非常有效，并且对现有的修剪技术的改善具有显着改善，2）适应性修剪，配备了进一步的训练导致模型，可与模型相当，与那些从抓挠中进行预训练的模型相当，3）逐步训练，仅通过促进培训，而仅通过互动而进行较小的培训（仅在较小的培训中），并且仅通过互动而进行互动（仅在较小的情况下），并且促进了较小的培训。一次5％）。对Llama-3.1-8b的实验结果表明，适应性抗性的表现要优于常规修剪方法，例如LLM-PRUNER，FLAP和SLICEGPT，平均在平均基准的准确度中以1％-7％的速度为1％-7％。此外，改编普朗纳（Adapt-Pruner）在MMLU基准测试上恢复了Mobilellm-125m的性能，并通过从其较大的对应物中修剪来降低代币，并发现了超过多个基准标记Llama-3.2-1B的新型1B模型。