XiaoMi-AI文件搜索系统
World File Search SystemBerner
Brainfit 研究 – 训练你的大脑许多孩子和...
Brainfit 研究——训练你的大脑 许多儿童和青少年在被诊断出癌症后仍能正常发育。然而，由于癌症本身或其治疗（手术、化疗或放疗），儿童的某些大脑功能会出现轻度至罕见的严重障碍。记忆力、处理速度、行动的计划和组织、学习、智力甚至行为都会受到影响。成功的神经心理康复对于这些孩子的未来和幸福至关重要。我们在伯尔尼的研究小组由 Prof. Dr. 领导。雷古拉·埃弗茨 (Regula Everts) 很早就认识到了这些病人的问题。自 2010 年起，伯尔尼儿童医院的所有癌症患者都接受了各种神经心理学测试的系统检查。在康复过程中，我们通过特殊的训练计划来支持年轻患者的发展。 2016 年，伯尔尼团队与苏黎世儿童医院的同事合作，组成了一个大型研究小组，开展了广泛的研究——Brainfit 研究，旨在找出以下问题：• 先前的癌症诊断对注意力或记忆力等重要大脑功能有何长期影响？ • 重要的大脑功能（注意力和记忆力）可以通过记忆力或体育训练来改善吗？ • 先前的癌症诊断会对大脑结构和功能产生哪些长期影响？ • 记忆或体育训练如何改变大脑的结构和功能？孩子们患癌症后该如何应对？作为 Brainfit 研究的一部分，对来自伯尔尼和苏黎世的 80 多名曾患癌症的儿童和青少年进行了检查。此外，近 60 名同龄健康对照儿童参加了 Brainfit 研究。所有儿童都接受了神经心理学和运动生理学检查。考察了注意力、记忆力、集中能力、耐力、平衡能力以及许多其他心理和身体技能。此外，还进行了特殊的磁共振成像（MRI），可以显示大脑的结构和功能。健康对照儿童作为曾患癌症的儿童的对照组，使研究小组能够了解先前的癌症诊断如何影响重要的大脑功能以及长期的大脑结构和功能。
从部分观察中学习的强化学习：可证明样品效率的线性函数近似
2020; Jin等。，2020b; Ayoub等。，2020年； Kakade等。，2020年； Du等。，2021）。特别是，对于有限的状态空间，神经功能近似值取得了显着的成功（Mnih等人。，2015年； Berner等。，2019年； Arulkumaran等。，2019年），而线性函数近似器理论上变得更好地理解（Yang和Wang，2020; Jin等人。，2020b; Ayoub等。，2020年； Kakade等。，2020年； Du等。，2021）。相比之下，尽管在实践中普遍存在，但在部分观察到的马尔可夫决策过程中的强化学习（POMDPS）较少地研究（Cassandra等人，1996; Hauskrecht和Fraser，2000年； Brown and Sandholm，2018年； Ra i Qerty等。，2011年）。更具体地，部分可观察性构成了统计和计算。从统计的角度来看，由于缺乏马尔可夫财产，预测未来的奖励，观察或国家是一项挑战。尤其是，预测未来通常涉及推断国家的分布（也称为信仰状态）或其功能作为历史的摘要，即使假设（observation）发射和（状态）过渡内核也已知（Vlassis etal。 ，2012年； Golowich等。 ，2022）。 同时，学习发射和过渡内核面临因果推理通常遇到的各种问题（Zhang and Bareinboim，2016年）。 ，2021）。 ，2020a）。，2012年； Golowich等。，2022）。同时，学习发射和过渡内核面临因果推理通常遇到的各种问题（Zhang and Bareinboim，2016年）。，2021）。，2020a）。例如，它们通常是不可实现的（Kallus等人。即使假设它们是能够识别的，它们的估计可能需要一个样本量，该样本量在地平线和维度上成倍缩小（Jin等人。即使在评估政策方面，这种统计挑战也已经令人难以置信（Nair和Jiang，2021; Kallus等人。，2021; Bennett和Kallus，2021），构成了政策优化的基础。从计算角度来看，众所周知，策略优化通常是棘手的（Vlassis et al。，2012年； Golowich等。，2022）。此外，有限的观察和状态空间扩大了统计和计算挑战。另一方面，大多数现有结果仅限于表格设置（Azizzadenesheli等人。，2016年； Guo等。，2016年； Jin等。，2020a; Xiong等。，2021），其中观察和状态空间是有限的。在本文中，我们研究了POMDP中的线性函数近似，以解决有限观察和状态空间所扩增的实力挑战。尤其是我们的贡献是四倍。首先，我们定义了具有线性结构的一类POMDP，并确定了针对样品良好的增强学习的不良调节措施。这样的不良调节措施对应于表格设置中的重复（Jin等人，2020a）。第二，我们提出了一种增强学习算法（OP-TENET），该算法适用于任何POMDP承认上述线性结构。此外，我们在操作装置中使用最小值优化公式，以便即使数据集较大，也可以在计算功能庄园中实现算法。第三，从理论上讲，我们证明了Op -Tenet在o（1 /ǫ2）情节中达到了最佳政策。尤其是样品复杂性在线性结构的固有维度上缩放，并且是观测和状态空间大小的独立性。第四，我们的算法和分析基于新工具。 特别是，op-tenet的样本效率是由se- 启用的第四，我们的算法和分析基于新工具。特别是，op-tenet的样本效率是由se-
利用生成式人工智能自动注释化学文档及其评估
[1] Takahiro Arima、Tomoko Okuma 和 Tatsuya Dewa。从技术文档中提取材料信息以探索新应用。自然语言处理协会第 29 届年会论文集，第 512-515 页，2023 年。[2] Annemarie Friedrich、Heike Adel、Federico Tomazic、Johannes Hingerl、Renou Benteau、Anika Marusczyk 和 Lukas Lange。SOFC-exp 语料库和神经方法在材料科学领域的信息提取。在计算语言学协会第 58 届年会论文集，第 1255-1268 页。ACL，2020 年。[3] Shu Huang 和 Jacqueline M. Cole。使用飞行数据提取器自动生成的电池材料数据库。科学数据，第 5 卷7，第1号，第2052-4463页，2020年。[4] Fabrizio Gilardi、Meysam Alizadeh和Maël Kubli。Chatgpt在文本注释任务中的表现优于众包工作者。美国国家科学院院刊，第120卷，第30期，第e2305016120页，2023年。[5] Tom Brown、Benjamin Mann、Nick Ryder、Melanie Subbiah、Jared D Kaplan、Prafulla Dhariwal、Arvind Neelakantan、Pranav Shyam、Girish Sastry、Amanda Askell、Sandhini Agarwal、Ariel Herbert-Voss、Gretchen Krueger、Tom Henighan、Rewon Child、Aditya Ramesh、Daniel Ziegler、 Jeffrey Wu、Clemens Winter、Chris Hesse、Mark Chen、Eric Sigler、Mateusz Litwin、Scott Gray、Benjamin Chess、Jack Clark、Christopher Berner、Sam McCandlish、Alec Radford、Ilya Sutskevser 和 Dario Amodei。语言模型是少样本学习器。载于《神经信息处理系统进展》，第 33 卷，第 1877-1901 页。Curran Associates, Inc.，2020 年。[6] Md Tahmid Rahman Laskar、M Saiful Bari、Mizanur Rahman、Md Amran Hossen Bhuiyan、Shafiq Joty 和 Jimmy Huang。在基准数据集上对 ChatGPT 进行系统研究和全面评估。载于《计算语言学协会研究结果：ACL 2023》，第 1877-1901 页。 431–469。ACL，2023 年 7 月。[7] Bart lomiej Koptyra、Anh Ngo、Lukasz Radli´nski 和 Jan Koco´n。Clarin-emo：使用人类注释和 chatgpt 训练情绪识别模型。在国际计算科学会议上，第 365–379 页。Springer，2023 年。[8] Taiki Watanabe、Akihiro Tamura、Takashi Ninomiya、Takuya Makino 和 Tomoya Iwakura。使用化合物释义进行化学命名实体识别的多任务学习。在 2019 年自然语言处理经验方法会议和第 9 届国际自然语言处理联合会议 (EMNLP-IJCNLP) 的论文集上，第 6244–6249 页。ACL，2019 年。[9] Amalie Trewartha、Nicholas Walker、Haoyan Huo、Sanghoon Lee、Kevin Cruse、John Dagdelen、Alexander Dunn、Kristin A. Persson、Gerbrand Ceder 和 Anubhav Jain。量化领域特定预训练在材料科学命名实体识别任务中的优势。Patterns，第 3 卷，第 4 期，第 100488 页，2022 年。[10] Gupta Tanishq、Zaki Mohd 和 NM Krishnan。Matscibert：用于文本挖掘的材料领域语言模型
重新概念化饮食失调研究中的情绪调节和应对策略的使用：调节灵活性框架的效用
Aldao, A.、Nolen-Hoeksema, S. 和 Schweizer, S. (2010)。精神病理学中的情绪调节策略：荟萃分析综述。临床心理学评论，30 (2)，217 – 237。https://doi.org/10.1016/j.cpr。2009.11.004 Aldao, A.、Sheppes, G. 和 Gross, JJ (2015)。情绪调节灵活性。认知疗法与研究，39，263 – 278。https://doi.org/10. 1007/s10608-014-9662-4 Battaglini, AM、Rnic, K.、Jameson, T.、Jopling, E.、Albert, AY 和 LeMoult, J. (2022)。情绪调节灵活性与日常生活中消极和积极情感的关系。情感科学，3 (3)，673 – 685。https://doi.org/10.1007/s42761-022-00132-7 Beauchaine, TP (2015)。情绪失调和青少年精神病理学的未来方向。临床儿童与青少年心理学杂志，44 (5)，875 – 896。https://doi.org/10.1080/15374416.2015.1038827 Bonanno, GA, & Burton, CL (2013)。调节灵活性：应对和情绪调节的个体差异视角。心理科学视角：心理科学协会杂志，8 (6)，591 – 612。https://doi.org/10.1177/1745691613504116 Bonanno, GA、Papa, A.、Lalande, K.、Westphal, M. 和 Coifman, K. (2004)。灵活性的重要性——增强和抑制情绪表达的能力可预测长期适应。心理科学，15 (7)，482 – 487。https://doi.org/10.1111/j.0956-7976。 2004.00705.x Bond, FW, Hayes, SC, Baer, RA, Carpenter, KM, Guenole, N., Orcutt, HK, Waltz, T., & Zettle, RD (2011). 接受与行动问卷-II 的初步心理测量特性：心理不灵活性和体验性回避的修订测量方法。行为疗法，42 (4)，676 – 688。https://doi.org/10.1016/j. beth.2011.03.007 Brown, TA, Cusack, A., Berner, LA, Anderson, LK, Nakamura, T., Gomez, L., Trim, J., Chen, JY, & Kaye, WH (2020). 进食障碍患者部分住院治疗期间和之后的情绪调节困难。行为疗法，51 (3)，401 – 412。https://doi. org/10.1016/j.beth.2019.07.002 Burton, CL, & Bonanno, GA (2016)。测量增强和抑制情绪表达的能力：情绪表达的灵活调节 (FREE) 量表。心理评估，28 (8)，929 – 941。https://doi.org/10.1037/pas0000231 Cassioli, E.、Rossi, E.、D'Anna, G.、Martelli, M.、Hazzard, VM、Crosby, RD、Wonderlich, SA、Ricca, V. 和 Castellini, G. (2022)。一项为期 1 年的随访研究，探讨情绪失调和童年创伤在神经性厌食症治疗中的纵向相互作用。 International Journal of Eating Disorders, 55 (1), 98 – 107。https://doi.org/10.1002/eat.23647 Chen, S., & Bonanno, GA (2021).情绪调节灵活性的组成部分：将潜在特征与抑郁和焦虑症状联系起来。临床心理科学，9 (2), 236 – 251。https://doi.org/10.1177/ 2167702620956972 Cheng, C., Lau, HP, & Chan, MP (2014)。应对灵活性和对压力性生活变化的心理调整：一项荟萃分析。心理学公报，140 (6), 1582 – 1607。https://doi.org/10.1037/ a0037913