XiaoMi-AI文件搜索系统
World File Search SystemAlign
地球和太空 K-12 垂直对齐
地球.8.E 解释板块构造如何解释地质过程，包括海底扩张和俯冲，以及海脊、裂谷、地震、火山、山脉、热点和热液喷口等特征；地球.8.C 研究新的数据概念解释和创新地球物理技术如何导致当前的板块构造理论；地球.8.F 使用与速率、时间和距离相关的方程式计算板块的运动历史，以预测未来的运动、位置和由此产生的地质特征；地球.8.G 使用地震和火山分布的证据来区分汇聚、发散和变换板块边界的位置、类型和相对运动；地球.8.H 评估板块构造在地球子系统的长期全球变化中的作用，例如大陆沉积、冰川作用、海平面波动、大规模灭绝和气候变化。 Astro.5.B 研究和评估包括托勒密、哥白尼、第谷·布拉赫、开普勒、伽利略和牛顿在内的科学家的贡献，因为天文学从地心模型发展到日心模型；Astro.16.E 研究和描述天文学的当前发展和发现；
LLM 有助于缓解脑信号和语言对齐的跨学科变异性
从脑电图信号中解码人类活动一直是一个热门的研究课题。虽然最近的研究越来越多地将重点从单一受试者转移到跨受试者分析，但很少有人探索该模型对以前未见过的受试者的脑电图信号进行零样本预测的能力。本研究旨在调查深度学习方法是否可以捕获人类脑电图信号中固有的与受试者无关的语义信息。这些见解对于脑机接口 (BCI) 至关重要，因为一方面，它们证明了模型对受试者特定时间偏差的稳健性，另一方面，它们显着增强了下游任务的通用性。我们使用大型语言模型 (LLM) 作为去噪代理，从嘈杂的脑电图信号中提取与受试者无关的语义特征。包括消融研究在内的实验结果强调了 LLM 在从嘈杂的 EEG 数据中解码与主题无关的语义信息方面的关键作用。我们希望我们的研究结果将有助于推进 BCI 研究，并帮助学术界和工业界将 EEG 信号应用于更广泛的应用。
通过角色的选择和价值 - 信念 - 态度推理使大型语言模型与人类的意见结盟
用大语言模型（LLM）推理和预测人类意见是必不可少的但具有挑战性的。当前的方法采用角色扮演的角色，但面对两个主要措施：LLMS甚至对一个无关的角色也很敏感，最多可以改变预期的30％； LLM无法战略性地推理人类。我们提出了开场链（COO 1），这是一种简单的四步解决方案建模，如何用personae推理，由价值 - 宽容 - 态度（VBN）the-Ory进行推理。COO将明确的人（人口统计学和意识形态）和卑鄙的人物（历史观点）区分了：（1）将无关的属性与显式人物过滤； （2）将隐式人物排名为选择top-k的优先列表； （3）提出新颖的VBN推理，以提取用户的环境和个人价值，信念和规范变量，以进行准确可靠的预测； （4）迭代VBN推理，并逐渐更大的隐式角色列表来处理潜在的角色不足。COO通过仅提示5个推论呼叫来有效地实现新的最新观点预测，从而将先前的技术提高了多达4％。值得注意的是，通过COO的数据进行微调LMS导致观点一致的模型明显高达23％。
选择全球气候模型数据，用于通过生成机器学习和使用在功率计划中进行缩小缩放，以使气候和能源系统的一致性
摘要气候模型和场景的结果范围对于理解电力计划分析中的不确定性很重要。美国能源资助部的一个名为“气候和能源系统对齐的电力计划”正在开发数据和分析方法，以反映气候变化对电力系统计划的关键变量的影响，这是电网现代化实验室财团的一部分。该项目将选择并准备全球气候模型结果，以用于电力系统计划模型。一份相关报告（对能源分析中使用的全球气候模型的评估）评估了耦合模型对比的各种全球气候模型的性能第6阶段数据存档，以了解其在能源系统绩效方面的历史技能以及在多个气候变化方面的未来预测。从该报告中构建，我们描述了气候场景（共享的社会经济途径[SSP] 2-4.5）和五个气候模型的选择：TAIESM1，EC-EARTH3-CC，GFDL-CM4，EC-EARTH3-VEG和MPI-ESM1-2-HR。我们描述了模型选择标准，这些标准基于在历史条件下模型结果之间的匹配质量以及几个变量的未来值范围的表示。这些结果将通过一种开源生成机器学习方法来缩小，称为“超分辨率”，用于具有气候变化影响的可再生能源资源数据。
去殖民化人工智能；算法公平性符合土耳其和伊斯兰价值观
摘要：我们目睹了这样一个时代，即使是那些从国际概念、规范和价值观中引入、发展并不同程度地受益于霸权的国家和机构，也不遵守或维护这些所谓的国际规范或价值观。例如，一个根据联合国规范建立和认可的国家可能会对平民和联合国维和特派团采取敌对行动，但联合国国家对此的抗议却微弱无力。我们地区社会对充满双重标准的所谓国际司法体系的不可信性、伊拉克和阿富汗等不义入侵的灾难性后果以及破坏性的全球伊斯兰恐惧症的正常化有着深刻的记忆，这说明有必要记住并将地区规范和价值观放在首位。关于公平与欧洲价值观相符：人工智能监管的跨学科视角或去殖民化人工智能协调：开放性、Vis ́ esa -Dharma 和包括被排除的知识等主题的研究工作产生了寻找人工智能 (AI) 与土耳其和伊斯兰价值观协调的动机。这项研究工作的驱动力是，所有算法决策系统都在某种程度上包含偏见，非西方世界需要构建自己的基于价值观的技术和社会学发展模式，因为对所谓的国际正义或所谓的民主价值观没有多少信心。这项研究包括对大数据、算法和人工智能基础知识的简要信息的检查。强调了厚数据和数字人类学的重要性。人工智能的误用和滥用已被确定为最重要的挑战之一。维果茨基关于社会学习、技术理论的社会建构和世界观理论的论点可能为构建一种可能按照土耳其和伊斯兰价值观发展的人工智能方法的理念提供了一些论据。我们还利用了去殖民化人工智能论证、人工智能方法的公平性以及安纳托利亚酵母世界观来支持我们的论证。最后，我们简要介绍了土耳其和伊斯兰价值观，但仅限于本研究的范围。
llm个性化：通过加强管家机器人的加强自我训练将LLM计划者与人类的偏好保持一致
大型语言模型（LLMS）通过利用其语言理解和文本生成功能来显示机器人应用，尤其是任务计划的重要潜力。然而，在诸如家用机器人技术之类的应用中，这些模型的个性化仍然存在着重要的差距。例如，LLM计划可能会发现执行需要个性化的任务，例如决定基于特定的家庭喜好将杯子放在厨房中的位置。我们介绍了LLM-Persyalize，这是一个新颖的框架，旨在个性化家庭机器人的LLM计划。llm-persyalize使用llm计划在多房间，部分观察的家庭环境中执行迭代计划，并利用从本地观察结果动态构建的场景图。要将LLM计划者个性化对用户偏好，我们的优化管道整合了模仿学习和加强自我训练。我们评估了LLM-个性化家政人员，这是一个具有挑战性的现实世界3D基准，用于家庭重排，表明，成功率比现有的LLM计划者增长了30％以上，这表明与人类偏好相符。
MSCI气候巴黎对齐索引方法
o超过欧盟授权的法案中规定的最低技术要求，与与气候相关的财务披露工作组的建议（TCFD）3 o达到3 o的最大暗示温度升高为2.0°C的最大暗示温度上升为2.0°C，使用1.5°C使用1.5°C的气候风格，并使用聚集的累积级别的速度汇率''Mimsci and climations'' o的10％o o将指数暴露于极端天气事件引起的身体风险至少50％o o转移指数的重量来自面临气候过渡风险的公司到具有气候过渡机会的公司，使用MSCI低碳过渡得分，以及通过排除企业的燃油率越来越多的公司的体重来减少风险的变化的公司，从而减少了风险的变化。使用范围1、2和3排放评估为高碳发射器o与父母指数和低营业额相比，通过加权方案o增加了具有可靠碳降低目标的公司的权重。
MSCI气候巴黎对齐基准选择索引方法
1索引由一组方法和政策文档（“方法集”）约束，包括当前的索引方法文档。有关更多详细信息，请参考附录IX。2在2020年12月3日，欧盟委员会在官方杂志（https：//ur- eur- lex.europa.eu/legal-content/en/txt/pdf/？以防欧盟授权的行为发生变化，并且需要对索引方法进行更新，MSCI将在实施该方法的更改之前发布公告。MSCI不会为此更新进行正式咨询。3欧洲议会的2019/2088法规（EU）和2019年11月27日在金融服务领域的可持续性相关披露的理事会，网址为：https：//eur-lex.europa.eu/legal-legal-legal-legal-legal-legle/legal- content/en/en/en/en/en/en/txt/pdf/pdf/pdf/pdf/？
alis：不安全输入提示的LLM指令安全策略
在大型语言模型中，现有的指令调整方法可能无法在及时注入和越狱等用户输入的攻击方面保持稳健性。受到计算机硬件和操作系统的启发，我们提出了一种指令调用范式的指令，称为木质lm lm I n构造策略（ALIS），以通过将用户输入分解为不可减少的原子指令，并将它们组织到指导流中，从而增强模型性能，以指导它们将响应生成模型响应。alis是一个层次结构，在该结构中，用户输入和系统提示分别被视为用户和内核模式指令。基于ALIS，该模型可以通过忽略或拒绝输入指令来维护安全限制，当时用户模式指令尝试与内核模式指令发生冲突。为了构建Alis，我们还开发了一种自动指令生成方法，用于培训ALIS，并提供一个指令分解任务和相应的数据集。值得注意的是，具有小型模型的ALIS框架仍然可以提高LLM对攻击的弹性的弹性，而不会损失一般的攻击性。我们的代码和数据可在https://github.com/xinhaos0101/alis上获得。
R 中的多序列比对艺术
本文档旨在说明使用 DECIPHER 在 R 中进行多序列比对的艺术。尽管多序列比对的美常常被人忽视，但它在很多方面都是一种艺术。请看图 1，它说明了多序列比对的幕后情况。序列比对需要一定的技巧，而本文想要传达的正是这种技巧。仅仅将序列“插入”多序列比对器并盲目地相信结果是不够的。我们需要欣赏这种技巧，并仔细考虑结果。多序列比对到底是什么？是否存在单一正确的比对？一般来说，比对旨在执行将多个相同“类型”的不同生物序列拟合成反映某些共同特性的形式的操作。这种特性可能是它们的结构外观、它们如何从共同祖先进化而来，或者数学构造的优化。与大多数多序列比对器一样，DECIPHER 经过“训练”以最大限度地提高得分