XiaoMi-AI文件搜索系统
World File Search SystemAnalogy
多视角脑连接组的解缠和比例表示学习
摘要：弥散 MRI 衍生的大脑结构连接组或大脑网络在大脑研究中得到广泛应用。然而，构建大脑网络高度依赖于各种纤维束成像算法，这导致难以确定下游分析的最佳视图。在本文中，我们提出从多视图大脑网络中学习统一的表示。具体而言，我们希望学习到的表示能够公平地、解开纠缠的感觉传达来自不同视图的信息。我们通过使用无监督变分图自动编码器的方法实现解缠。我们通过另一种训练程序实现了视图公平性，即比例性。更具体地说，我们在训练深度网络和网络流问题之间建立了一个类比。基于这种类比，通过一种意识到比例的网络调度算法实现了公平的表示学习。实验结果表明，学习到的表示可以很好地适应各种下游任务。他们还表明，所提出的方法有效地保持了比例性。
神经符号人工智能 - 为什么、是什么以及如何
摘要 — 人类通过感知（将来自环境的感官输入转换为符号）和认知（将符号映射到有关环境的知识以支持抽象、类比推理和长期规划）与环境进行交互。在人工智能的背景下，人类感知启发的机器感知是指使用使用自我监督学习目标（例如下一个单词预测或对象识别）训练的神经网络从原始数据中进行大规模模式识别。另一方面，机器认知包含更复杂的计算，例如使用环境知识来指导推理、类比和长期规划。人类还可以控制和解释他们的认知功能。这似乎需要保留从感知输出到有关其环境的知识的符号映射。例如，人类可以遵循和解释在医疗保健、刑事司法和自动驾驶等安全关键应用中推动其决策的准则和安全约束。虽然数据驱动的基于神经网络的 AI 算法可以有效地模拟机器感知，但基于符号知识的 AI 更适合模拟机器认知。这是因为符号知识结构支持从感知输出到知识的映射的显式表示，从而实现 AI 系统决策的可追溯性和审计。通过跟踪 AI 系统的输入、输出和中间步骤，此类审计跟踪可用于执行安全的应用方面，例如法规遵从性和可解释性。这是神经符号 AI 部门的第一篇文章，介绍并概述了迅速兴起的神经符号 AI 范式，结合神经网络和知识引导的符号方法来创建更强大、更灵活的 AI 系统。这些系统具有巨大的潜力，可以提升人工智能系统的算法级（例如抽象、类比、推理）和应用级（例如可解释和安全约束的决策）能力。
学术完整性声明（...
独立地提交了其他学位课程评估的相同或类似版本。我已经指出了我使用过的所有资源和资源，包括生成模型/AI，并标记了逐字段落或以引用形式使用的资源和来源的类比。我没有使用任何其他资源。
Mounia Ziat。Mounia Ziat。
§“幻觉，体现空间和多感官整合”，蒙特利尔，QC，2013年7月8日。§“触觉概论”，关于触觉和BCI的研讨会，BCI'13，加利福尼亚州太平洋格罗夫，2013年6月6日。§“在恶化驾驶期间多模式信息的最佳整合”，美国比勒菲尔德大学认知神经科学系，2013年5月22日。§“ Ingrid：交互式网格表”，法国巴黎西格奇·巴黎，2013年4月25日。§“ BCIS简介”，关于触觉和BCI的研讨会，WHC'13，韩国大道，2013年4月14日。§“人类交往研究计划”，NMU CS研讨会系列，马奎特，密歇根州，2013年4月2日。§“通过手机的动作通过动作学习的视觉空间图”，NMU心理学Colloquia系列，Marquette，MI，2012年11月9日，2012年11月9日§“流离失所的触觉抑制：ERP的证据：ERP的证据”，TRG 2011，西雅图，2011年11月3日，2011年11月3日，2011年，2011年。§“重新访问指尖类似物”，特殊讲座，WLU，加拿大安大略省，加拿大，加拿大，2008年5月5日。§“重新访问指尖类型类比”，CIM星期四，麦吉尔大学，麦吉尔大学，蒙特利尔，QC，加拿大，5月1日，2008年5月1日。
深层模型中的神经元与大脑中的神经元如何相关
摘要：在处理智能系统的算法方面时，与生物学大脑的类比一直很有吸引力，并且经常具有双重功能。一方面，它一直是其设计灵感的有效来源，另一方面，它被用作其成功的正当化来源，尤其是在深度学习（DL）模型的情况下。近年来，大脑的灵感失去了对自己的第一个角色的控制，但它继续提出第二个角色，尽管我们认为它也变得越来越容易辩护。在合唱之外，有一些理论上的建议，而是识别DL和人类认知之间的重要分界线，甚至是不可忽视的。在本文中，我们认为，矛盾的是，深神经模型开发人员对生物神经元的功能的部分冷漠是其成功的原因之一，并促进了务实的机会主义态度。我们认为，甚至有可能瞥见另一种类型的生物学类比，因为现代DL开发中的启发式方法本质上是与自然进化的相似之处。
理论原子电子学博士职位
新兴的原子电子学领域研究基于原子玻色-爱因斯坦凝聚态 (BEC) 的系统与电子设备和电路之间的相似性。当前项目涵盖在各种外部驱动条件下捕获的单组分和多组分原子 BEC 的理论研究。它将重点研究相干耦合凝聚态中的量子传输和涡旋动力学。该项目旨在（但不限于）开发用于未来计量应用的原子电子器件。
sansgpt：在梵语中推进生成预培训
在过去的十年中，在数字化梵语文本和推进语言的计算分析方面取得了重大进展。然而，为促进NLP的努力促进了诸如语义类比预测，命名实体识别和其他人的复杂语义下游任务，而其他人仍然有限。此差距主要是由于缺乏建立在大规模梵文文本数据上的坚固，预先训练的梵文模型，因为这需要大量的计算资源和数据准备。在本文中，我们介绍了Sansgpt，这是一种生成的预培训模型，已在大量的梵文文本上进行了培训，旨在促进下游NLP任务的微调和开发。我们的目标是该模型是推进梵语NLP研究的催化剂。此外，我们开发了一种专门针对梵语文本优化的自定义令牌，从而实现了复合词的有效令牌化，并使其更适合生成任务。我们的数据收集和清洁过程涵盖了各种各样的可用梵文文献，以确保培训的全面代表。我们通过对语义类比预测和明喻元素提取进行微调来进一步证明该模型的疗效，分别达到了大约95.8％和92.8％的令人印象深刻的精度。
彻底改变医疗保健的三大人工智能趋势 - Viz.ai
斯坦福大学放射学和生物医学信息学教授 Curt Langlotz 曾提出一个有用的类比来说明 AI 在放射学中可能发挥的作用：支持数十年来在商用喷气式飞机上使用的技术（通常称为“自动驾驶仪”）。正如飞行员欢迎能够自动完成大量重复和单调的飞机驾驶数据处理工作的技术一样，放射科医生很可能会将 AI 算法视为帮助他们更快、更高效地完成工作的不可或缺的工具。