XiaoMi-AI文件搜索系统
World File Search SystemBLEU
Netmarble AI 中心的 WMT21 自动后期编辑共享任务提交
本文介绍了 Netmarble 提交的针对英语-德语语言对的 WMT21 自动后期编辑 (APE) 共享任务。首先，我们提出了一种训练阶段的课程训练策略。Facebook Fair 的 WMT19 新闻翻译模型被选中来参与大型且强大的预训练神经网络。然后，我们在每个训练阶段使用不同级别的数据对翻译模型进行后训练。随着训练阶段的进行，我们通过在不同训练阶段逐渐添加额外信息，让系统学会解决多项任务。我们还展示了一种将大量额外数据用于 APE 任务的方法。为了进一步改进，我们在微调阶段应用了动态加权平均的多任务学习策略。为了使用有限的数据对 APE 语料库进行微调，我们添加了一些相关的子任务来学习统一的表示。最后，为了获得更好的性能，我们在后训练和微调期间利用外部翻译作为增强机器翻译 (MT)。实验结果表明，我们的 APE 系统在开发数据集上显著提高了所提供的 MT 结果的翻译，TER 和 BLEU 分别提高了 -2.848 和 +3.74。它还证明了其在测试数据集上的有效性，质量高于开发数据集。
![arxiv：2403.17516v2 [cs.cl] 2024年4月2日](/simg/g:\will\search\icon\source\4\43c9603b2a3109e7a1f3c181045e6c0e154d84ed.webp)
arxiv：2403.17516v2 [cs.cl] 2024年4月2日
从大脑方面解码连续语言是一个强大而有前途的研究领域。对于有助于言语障碍的人通过大脑信号进行交流特别重要。此字段解决将大脑信号映射到文本的复杂任务。以前的最佳尝试以间接的方式逆转了这一过程：它始于学习从文本中编码大脑活动，然后通过与预测的大脑反应对齐来编码引导文本生成。相比之下，我们采用了一种简单而有效的方法，该方法通过将其直接与根据大脑活动映射的预测文本嵌入进行比较来指导文本重建。全面的实验表明，我们的方法明显胜过当前的最新模型，显示了BLEU和流星得分的平均提高77％和54％。我们通过详细的消融研究和案例分析来验证所提出的模块，并突出一个关键的相关性：我们将大脑活动映射到文本嵌入的情况越多，文本重建结果越好。这种洞察力可以简化从大脑活动中重新构建语言的任务，以强调实现大脑到文本的映射技术的重要性。
REACH 高度关注物质 - MCAM
适用于 Acetron™AF 混合物 POM-H Acetron™GP POM-C 黑色 Acetron™GP POM-C 自然色 Acetron™MD POM-C Acetron™POM-H 黑色 Acetron™POM-H 自然色 Ertacetal™C 3WF POM-C Ertacetal™C ELS POM-C Ertacetal™C LQ POM-C Ertacetal™C POM-C 黑色 Ertacetal™C POM-C 黑色 90 Ertacetal™C POM-C 蓝色 50 Ertacetal™C POM-C 自然色 Ertacetal™H POM-H 黑色 Ertacetal™H POM-H 自然色 Ertacetal™ H-TF POM-H Ertalon™ 4.6 PA4.6 Ertalon™ 6 PLA PA6 黑色 Ertalon™6 PLA PA6 蓝色 Ertalon™6 PLA PA6 自然色 Ertalon™6 SA PA6 黑色 Ertalon™6 SA PA6 自然色 Ertalon™6 XAU+ PA6 Ertalon™66 GF30 PA66 Ertalon™66 SA PA66 黑色 Ertalon™66 SA PA66 自然色 Ertalon™LFX PA6 Ertalyte™PET 黑色 Ertalyte™PET 蓝色 50 Ertalyte™PET 自然色 Ertalyte™ SLP PET Ertalyte™ TX PET Flextron™ 1055 TPE Nylatron™66 SA FR PA66 Nylatron™66 SA FST PA66 Nylatron™703XL PA6 3
eeg2Text：开放词汇eeg-to-Text用...
解密人类脑的复杂性已经吸引了好奇心已有几个世纪了。最近在脑部计算机界面（BCI）技术（尤其是使用运动图像）方面的进步已经恢复了运动功能，例如在瘫痪的个体中达到，抓握和行走。然而，从大脑信号中解开自然语言，这是一个巨大的挑战。脑电图（EEG）是一种非侵入性技术，用于通过将电极放置在头皮上来记录大脑中的电活动。先前对脑电图解码的研究已经在小型闭合词汇上实现了很高的准确性，但在处理大型开放词汇时仍然没有高精度。我们提出了一种新颖的方法EEG2T EXT，以提高开放词汇量表到文本解码的准确性。具体而言，EEG2T EXT利用EEG预训练以从脑电图中学习语义，并提出了一个多视图变压器来对大脑的不同T空间区域进行EEG信号处理模型。实验表明，EEG2T EXT具有较高的性能，在绝对BLEU和Rouge评分中，最大幅度高达5％的最先进的基线方法。eeg2t ext具有高性能开放式脑脑对文本系统的巨大潜力，以促进交流。
Facebook AI 的 WMT20 新闻翻译任务提交
本文介绍了 Facebook AI 提交的 WMT20 共享新闻翻译任务。我们专注于低资源设置并参与两对语言对，即泰米尔语 ↔ 英语和因纽特语 ↔ 英语，其中域外双语文本和单语数据有限。我们使用两种主要策略解决低资源问题，利用所有可用数据并使系统适应目标新闻领域。我们探索了利用所有语言的双语文本和单语数据的技术，例如自监督模型预训练、多语言模型、数据增强和重新排名。为了使翻译系统更好地适应测试域，我们探索了数据集标记和域内数据的微调。我们观察到，根据语言对的可用数据，不同的技术提供了不同的改进。基于这一发现，我们将这些技术集成到一个训练流程中。对于 En → Ta，我们探索了一种无约束设置，其中包含额外的泰米尔语双语文本和单语数据，并表明可以获得进一步的改进。在测试集上，我们提交的最佳系统分别对 Ta → En 和 En → Ta 实现了 21.5 和 13.7 BLEU，对 Iu → En 和 En → Iu 分别实现了 27.9 和 13.0。
hplc 培训用于多语言人工智能的全面集成...
由于高效液相色谱 (HPLC) 理论概念的复杂性以及 HPLC 仪器的成本高昂性，将其培训整合到学术课程中仍然是一项挑战。对于以英语授课且英语是外语 (EFL) 的学生以及可能难以理解传统学习材料的学生来说，培训中的这一挑战更加复杂。本文介绍了一种用于沉浸式 HPLC 培训的开创性虚拟现实 (VR) 平台，该平台与能够提供多语言支持的对话智能人工智能 (AI) 化身相结合。这种方法为学生提供了一位随时可用的导师，以他们觉得舒服的任何语言进行自适应沉浸式学习实践。通过对伦敦大学学院化学研究生的调查评估了 AI 模型的有效性，并使用一系列评估指标对答案进行了计算分析。TF-IDF、BLEU 和 BERT 统计分析的评估表明，AI 化身在英语、西班牙语和德语方面具有出色的语言和教学表现，特别是在复杂概念解释方面，验证了多语言 AI 在教育领域支持的潜力。调查反馈显示，具有知识库的 AI 化身显著改善了 HPLC 的学习成果，参与者对其参与度和学习质量的评价高于传统方法。
![arXiv:2110.04203v2 [cs.AI] 2021 年 10 月 18 日](/simg/g:\will\search\icon\source\5\58d5a0053bae26a7adfd1fb340a26d8711d48d91.png)
arXiv:2110.04203v2 [cs.AI] 2021 年 10 月 18 日
能够与人一起观看视频并通过各种对话分享对视频内容的同理心的人工智能代理是人们期待的有前途的人工智能应用。为此，人工智能代理必须准确地感知和识别视频内容，并基于对内容的理解与人进行自然的多轮对话。最近，人们积极开展文本到视频检索、视频字幕和视频问答 (videoQA) 方面的研究，以提高视频理解智能。此外，已经建立了大规模数据集并公开提供以促进研究 (Alamri 等人 2019 年；Lei 等人 2018 年、2020 年；Choi 等人 2021 年)。使用这些数据集的研究通常应用自动评估指标来衡量人工智能代理的性能。对于视频问答任务，多项选择题通常使用总体准确率，而开放式问答则采用自然语言生成任务中经常使用的评估指标（例如 BLEU（Papineni 等人 2002）、METEOR（Banerjee 和 Lavie 2005）、CIDEr（Vedantam、Lawrence Zitnick 和 Parikh 2015））。这些自动评估指标应用起来很方便，但也有局限性。例如，总体准确率虽然直观且易于计算，但并未考虑问题的难度或所需的认知成分。此外，语言生成模型的评估指标分数无法判断内容是否是问题的正确答案。
深入加固学习的邀请
培训深层神经网络以最大化目标目标已成为过去十年中成功的机器学习的标准配方。如果目标目标是可区分的，则可以通过监督学习来优化这些网络。对于许多有趣的问题，事实并非如此。共同的目标，例如联合（IOU）的交集，双语评估研究（BLEU）得分或奖励，无法通过超级学习的学习来优化。一个常见的解决方法是定义可区分的替代损失，从而导致相对于实际目标的次优解决方案。强化学习（RL）已成为一种有希望的替代方法，用于优化深层神经网络，以最大程度地提高非微分目标。示例包括通过人类反馈，代码生成，对象检测或控制问题对齐大语言模型。这使得RL技术与较大的机器学习受众相关。然而，由于大量方法以及通常非常理论上的呈现，该主题是在接近的时间密集。在此简介中，我们采用另一种方法，不同于经典的加强学习教科书。我们不关注表格问题，而是引入强化学习作为监督学习的概括，我们首先将其应用于非差异性目标，后来又适用于时间问题。在阅读本教程后，读者只有受监督学习的基本知识，读者将能够理解最先进的深度RL算法（例如近端策略优化（PPO））。
外周血细胞图像分析的语言模型
摘要本文研究了视觉模型（VLM）在外周血细胞自动形态学分析中的应用。虽然手动显微镜分析仍然是血液学诊断的金标准，但它既耗时又可能会受到观察者间的变化。这项工作旨在开发和评估能够从微观图像中对血细胞进行准确的形态描述的微调VLM。我们的方法论包括三个主要阶段：首先，我们创建了一个合成数据集，该数据集由10,000个外周血细胞图像与专家制作的形态描述配对。第二，我们在三个开源VLMS上使用低级适应性（LORA）和量化Lora（Qlora）进行了微调方法：Llama 3.2，Qwen和Smovlm。最后，我们开发了一个基于Web的界面，用于实用部署。的结果表明，在预先调整后所有模型的所有模型中都有显着改善，QWEN的性能最高（BLEU：0.22，Rouge-1：0.55，Bertscore F1：0.89）。为了确保可访问性并实现正在进行的评估，该模型已被部署为网络空间的Web应用程序，使研究社区可自由使用。我们得出的结论是，微调的VLM可以有效地分析外周血细胞形态，从而为血液学分析提供了标准化的潜力。这项工作建立了一个框架，可以将视觉模型改编为专业的医疗成像任务，这对改善临床环境中的诊断工作流程的影响。完整的实现可在GitHub