XiaoMi-AI文件搜索系统
World File Search SystemAw
航空航天运营中的态势感知 - DTIC
为了确保组织和个人获得适当程度的成功，一个非常重要的因素的一个很好的例子，这个因素变得越来越重要，就是能够拒绝没有或几乎没有恐惧感的申请人。在早期，这种人被认为是飞行员训练的最佳候选人。现在我们知道，一个无所畏惧的飞行员在对自己和每个人构成威胁时，
密涅瓦信息学平等奖
Winc的基础。认识到需要采取更具结构化的方法来促进多样性，我们在2022年末建立了密码学（WINC）社区的妇女，因为我们观察到的大多数聚会集中在围绕妇女和社区中的多样性的大多数聚会是临时和临时的。例如，有一个女性在密码学网络接待处以及有关盟友和包容性的小组讨论（并行！）在会议加密22期间。然而，讨论后没有采取任何行动。由于几名女性的举措，Winc出生于多个步骤。Sof´ıa Celi启动了WINC网站，Katharina Boudgoust总结了在加密货币22期间举行的接待处出现的不同讨论点。这些笔记后来发表在WINC网站上。在艾莉森·毕晓普（Allison Bishop）的支持下，这三个创建了一台专用的Discord服务器，以在Winc Community之间进行互动。DISCORD服务器是由IACR新闻提要在2023年2月正式宣传的，以及通过不同的邮件列表和Twitter。我们强调说，我们从头开始创建了Winc社区，而大型组织或社区的支持很少，主要利用我们的社交媒体和单词到字的联系才能成长。
X-ICP：在极端环境中稳健本地化的可本质性感光激光雷达注册
摘要 - 在具有挑战性的环境中需要可靠的定位，需要现代机器人系统才能运行。基于激光雷达的局部化方法，例如迭代最接近的点（ICP）算法，可能会在几何无知的环境中遭受损害，这些环境已知，这些环境已知会导致点云登记性能恶化，并沿弱受约束方向推动散落的优化。为了克服这个问题，这项工作提出了i）稳健的可局部性检测模块，ii）局限性感知到的受限的ICP优化模块，该模块将其与统一的局限性检测模块相结合。通过利用扫描和地图之间的对应关系来实现所提出的可区分性检测，以分析优化的主要方向的对齐强度，作为其细粒度的LIDAR固定性分析的一部分。在第二部分中，然后将此可本质性分析集成到扫描到映射点云注册中，以通过执行受控更新或离开优化的脱位方向来生成无漂移姿势更新。所提出的方法经过彻底评估并将其与模拟和现实世界实验1中的最新方法进行了比较，证明了激光挑战环境的性能和可靠性提高。在所有实验中，所提出的框架表明没有环境特异性参数调整的准确且可推广的可局部性检测和可靠的姿势估计。
呼吁竞争柏林深技术奖2025
提交的文件可以用作InnovationsNetzwerkFürFortschrittlicheMetitalien E.V.的“深技术指导计划”的一部分，这是参议院经济事务，能源和公共企业的承包商。同意宣言包括对指导计划的适用性的提交审查，以及在实施指导计划实施中使用提交的内容（如果选择作为计划参与者）。在指导计划结束后，组织者和委托服务提供商将删除这些文件（31.12.2025）。参议院经济事务，能源和公共企业和服务提供商之间达成了一项保密协议，该协议合同保证了竞争提交的机密处理。●比赛的组织者有权传递
出价和奖项委员会决议第2023-31号
，而2016年修订的RA No.9184除其他外，“在采购过程的任何阶段，BAC的[D] eCission可以通过在收到书面通知或口头通知后的三（3）个日历日内提出重新审议的要求来质疑”；鉴于，通过日期为2023年8月1日的信，1 Lightstream8寻求重新考虑DBM-BAC宣布其提交为“失败”的信。它指出，LightStream8“与投标过程取消了资格，因为本来应该在第一页上的投标表上的签名移至第二页，这是因为我们输入的数据占据了空间并将出价形式的后面移至第二页。因此，第二页包含两个签名。我们认为这已经足够了，因为文档上已经有两个签名。”但是，LightStream8承认其未能签署其提交出价表格的第一页是公司的监督；9184除其他外，“ [i] n案件中的第二个构架中的任何要求都缺失，不完整或明显不足，并且/或如果提交的总投标总价超过ABC，则BAC应将竞标评分为“失败”。因此，使用非差异/失败标准，确定LightStream8未能遵守投标表格中规定的要求和项目的投标文件因此，DBM-BAC否认了重新考虑Lightstream8的要求，并确认其声明将Lightstream8的提交为“失败”；鉴于根据2016年修订的RA No.9184，Lightstream8在2023年8月4日收到DBM-BAC信后或2023年8月11日收到DBM-BAC信后有7（7）个日历日，以抗议DBM-BAC的决定，通过提交验证的位置文件，并伴随着不可扣除的抗议费，然后再进行采购的领先者。鉴于在验证，验证和确定趋势提交的所有陈述和文件之后，使用非差异标准（如招标文件中所述），确定趋势的提交通过了所有资格后的所有标准；而RA No.9184提供，除其他外，如果只有一名出价者提交出价，则应考虑一个计算出的响应式出价，并且发现其出价对竞标要求有响应；而RA No.9184规定：“ [i] n任何案件均不得从本规则暂停或延迟竞标过程中的任何决定中提出任何抗议：但是，前提是，必须首先在作出任何裁决之前先解决抗议活动。” （强调我们的）
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
Deep Video Compression的任务意识编码器控制
对机器任务的深视频压缩（DVC）的事先研究通常需要为每个特定任务培训一个独特的编解码器，从而规定每个任务的专用解码器。相比之下，传统视频编解码器采用了flex ible编码器控制器，从而通过模式预测等机制使Single编解码器适应了不同的任务。从中汲取灵感，我们引入了一个创新的编码器控制器，以用于机器的深度视频压缩。此控制器具有模式预测和一组图片（GOP）选择模块。我们的AP-ARACH在编码阶段集中控制控制，从而允许跨不同任务（例如检测和跟踪）进行适应性的编码器调整，同时与标准的预训练的DVC解码器保持合理性。示例证明我们的方法是在具有各种现有预训练的DVC的多个任务中适用的。此外，广泛的实验表明，对于不同的任务，我们的方法比以前的DVC比以前的DVC大约25％，只有一个预先训练的解码器。
机器学习工程中公平意识实践的目录
摘要 - 机器学习在决策过程中的广泛采用引起了人们对公平性的担忧，尤其是对敏感特征和对少数群体的潜在歧视的治疗。软件工程社区的反应是开发面向公平的指标，经验研究和方法。但是，在整个机器学习生命周期中，理解和分类工程公平的做法仍然存在差距。本文介绍了一种新颖的实践目录，以解决从系统的映射研究中得出的机器学习中的公平性。该研究确定并分类了现有文献中的28种实践，将它们映射到机器学习生命周期的不同阶段。从该目录中，作者提取了可操作的项目及其对软件工程研究人员和从业者的影响。这项工作旨在提供全面的资源，以将公平考虑因素整合到机器学习系统的开发和部署，增强其可靠性，问责制和信誉。
arxiv_censoring-awaretree基于基于估算多阶段动态治疗方案的增强措施
动态治疗方案（DTRS）提供了一种系统的方法来制定适合个人患者特征的顺序治疗决策，尤其是在感兴趣的生存结果的临床环境中。审查感知树的增强学习（CA-TRL）是一个新的框架，可在估计最佳DTR时解决与审查数据相关的复杂性。我们探索从观察数据中学习有效DTR的方法。通过增强基于树木的增强学习方法，具有增强的反可能性加权（AIPW）和审查感知的修改，CA-TRL提供了强大而可解释的治疗策略。我们使用SANAD癫痫数据集通过广泛的模拟和现实世界应用来展示其有效性，在该数据集中，它的表现优于最近提出的关键指标中提出的ASCL方法，例如受限的平均生存时间（RMST）和决策精度。这项工作代表着跨不同医疗机构的个性化和数据驱动的治疗策略迈出的一步。