XiaoMi-AI文件搜索系统
World File Search SystemC23
通过可再生电力脱碳化其他能源部门的能源基础设施 - 有用的能源需求的时空分析，到基于德国案例>的可再生能源供应途径的可再生能源供应
摘要在减少温室气体排放方面的进展是在电力部门值得注意的，但其他部门（例如运输和供暖）却落后了。一种从电力部门传播温室气体排放到其他部门的策略是所谓的“部门耦合”。在此背景下，我们提出以下两个问题：（1）（有用和最终）能源在多大程度上与时间和空间的可再生能源的供应相匹配？（2）可以通过应用时空分析得出扇形耦合途径对未来基础设施要求的哪些影响？进行分析，我们假设一个场景，德国的温室气体排放减少了95％，作为政府针对2050年的案例研究。我们选择一种消费者驱动的方法，分析从消耗到不同部门耦合技术供应的能量价值链。从有用的能源消耗中，我们得出了高时空和区域分辨率中的最终能源需求模式，并评估对可再生能源扩张策略的影响。我们的研究的主要贡献是双重的：首先，我们在高度和区域分辨率中引入了可转移和可转移的消费者驱动的分析，该分析具有高度扇区耦合的能源系统，并对能源基础架构产生了影响。第二，我们从结果中提供了有关将可再生能源整合到当前能源系统中的有效和有效策略的结果。关键字：扇区耦合，可再生能源，电力，供暖，运输，基础设施，能源政策jel分类：C23，C5，C63，Q4，Q4
Jaemin Cho
[C27] Han Lin *，Jaemin Cho *，Abhay Zala和Mohit Bansal。“ CTRL-ADAPTER：一个有效且通用的框架，用于将各种控件适应任何扩散模型”。ICLR（口头）。 2025。 [project] [Paper] [代码]。 [C26] Zaid Khan，Elias Stengel-Eskin，Jaemin Cho和Mohit Bansal。 “ DataEnvgym：具有学生反馈的教师环境中的数据生成代理”。 ICLR（聚光灯）。 2025。 [project] [Paper] [排行榜] [代码]。 [C25] Jialu Li *，Jaemin Cho *，Yi-lin Sung，Jaehong Yoon和Mohit Bansal。 “ SELMA：学习和合并技能 - 特定文本对象专家与自动生成数据”。 神经。 2024。 [project] [Paper] [代码]。 [C24] Abhay Zala *，Jaemin Cho *，Han Lin，Jaehong Yoon和Mohit Bansal。 “ Envgen：通过LLM生成和适应环境以进行训练体现的代理人”。 Colm。 2024。 [project] [Paper] [代码]。 [C23] Abhay Zala，Han Lin，Jaemin Cho和Mohit Bansal。 “图表：通过LLM计划生成开放域的开放式平台图”。 Colm。 2024。 [project] [Paper] [代码]。 [C22] Han Lin，Abhay Zala，Jaemin Cho和Mohit Bansal。 “ VideodirectorGpt：通过LLM指导计划一致的多场景视频生成”。 Colm。 2024。 [project] [Paper] [代码]。 [C21] Heesoo Jang和Jaemin Cho。 “对大语言模型的偏见和危害的评估”。 2024。 [纸]。ICLR（口头）。2025。[project] [Paper] [代码]。[C26] Zaid Khan，Elias Stengel-Eskin，Jaemin Cho和Mohit Bansal。“ DataEnvgym：具有学生反馈的教师环境中的数据生成代理”。ICLR（聚光灯）。2025。[project] [Paper] [排行榜] [代码]。[C25] Jialu Li *，Jaemin Cho *，Yi-lin Sung，Jaehong Yoon和Mohit Bansal。“ SELMA：学习和合并技能 - 特定文本对象专家与自动生成数据”。神经。2024。[project] [Paper] [代码]。[C24] Abhay Zala *，Jaemin Cho *，Han Lin，Jaehong Yoon和Mohit Bansal。“ Envgen：通过LLM生成和适应环境以进行训练体现的代理人”。Colm。 2024。 [project] [Paper] [代码]。 [C23] Abhay Zala，Han Lin，Jaemin Cho和Mohit Bansal。 “图表：通过LLM计划生成开放域的开放式平台图”。 Colm。 2024。 [project] [Paper] [代码]。 [C22] Han Lin，Abhay Zala，Jaemin Cho和Mohit Bansal。 “ VideodirectorGpt：通过LLM指导计划一致的多场景视频生成”。 Colm。 2024。 [project] [Paper] [代码]。 [C21] Heesoo Jang和Jaemin Cho。 “对大语言模型的偏见和危害的评估”。 2024。 [纸]。Colm。2024。[project] [Paper] [代码]。[C23] Abhay Zala，Han Lin，Jaemin Cho和Mohit Bansal。“图表：通过LLM计划生成开放域的开放式平台图”。Colm。 2024。 [project] [Paper] [代码]。 [C22] Han Lin，Abhay Zala，Jaemin Cho和Mohit Bansal。 “ VideodirectorGpt：通过LLM指导计划一致的多场景视频生成”。 Colm。 2024。 [project] [Paper] [代码]。 [C21] Heesoo Jang和Jaemin Cho。 “对大语言模型的偏见和危害的评估”。 2024。 [纸]。Colm。2024。[project] [Paper] [代码]。[C22] Han Lin，Abhay Zala，Jaemin Cho和Mohit Bansal。“ VideodirectorGpt：通过LLM指导计划一致的多场景视频生成”。Colm。 2024。 [project] [Paper] [代码]。 [C21] Heesoo Jang和Jaemin Cho。 “对大语言模型的偏见和危害的评估”。 2024。 [纸]。Colm。2024。[project] [Paper] [代码]。[C21] Heesoo Jang和Jaemin Cho。“对大语言模型的偏见和危害的评估”。2024。[纸]。国际传播协会（ICA）（高级论文奖）。[C20] Yasumasa onoe，Sunayana Rane，Zachary Berger，Yonatan Bitton，Jaemin Cho，Roopal Garg，Alexander Ku，Zarana Parekh，Jordi Pontuset，Jordi Pont-Tuset，Garrett Tanzer，Su Wang和Jason Baldridge。“ docci：连接和对比图像的描述”。ECCV。 2024。 [Project] [Paper] [DataSet]。 [C19] David Wan，Jaemin Cho，Elias Stengel-Eskin和Mohit Bansal。 “对比区域指导：在没有训练的情况下改善视觉模型的接地”。 ECCV。 2024。 [project] [Paper] [代码]。 [C18] Qin Liu，Jaemin Cho，Mohit Bansal和Marc Niethammer。 “以低潜伏期，高质量和不同的提示来重新思考交互式图像分割”。 CVPR。 2024。 [project] [Paper] [代码]。 [C17] Jaemin Cho，Yushi Hu，Roopal Garg，Peter Anderson，Ranjay Krishna，Jason Baldridge，Mohit Bansal，Jordi Pont-Tuset和Su Wang。 “ Davidsonian场景图：在文本到图像生成的细粒度评估中提高可靠性”。 ICLR。 2024。 [project] [Paper] [代码]。 [C16] Jaemin Cho，Abhay Zala和Mohit Bansal。 “用于文本到图像生成和评估的视觉编程”。 神经。 2023。 [project] [Paper] [VPGEN代码] [VPEVAL代码]。 [C15] Shoubin Yu，Jaemin Cho，Prateek Yadav和Mohit Bansal。 “用于视频本地化和问题回答的自链图像模型”。 神经。 2023。ECCV。2024。[Project] [Paper] [DataSet]。[C19] David Wan，Jaemin Cho，Elias Stengel-Eskin和Mohit Bansal。“对比区域指导：在没有训练的情况下改善视觉模型的接地”。ECCV。 2024。 [project] [Paper] [代码]。 [C18] Qin Liu，Jaemin Cho，Mohit Bansal和Marc Niethammer。 “以低潜伏期，高质量和不同的提示来重新思考交互式图像分割”。 CVPR。 2024。 [project] [Paper] [代码]。 [C17] Jaemin Cho，Yushi Hu，Roopal Garg，Peter Anderson，Ranjay Krishna，Jason Baldridge，Mohit Bansal，Jordi Pont-Tuset和Su Wang。 “ Davidsonian场景图：在文本到图像生成的细粒度评估中提高可靠性”。 ICLR。 2024。 [project] [Paper] [代码]。 [C16] Jaemin Cho，Abhay Zala和Mohit Bansal。 “用于文本到图像生成和评估的视觉编程”。 神经。 2023。 [project] [Paper] [VPGEN代码] [VPEVAL代码]。 [C15] Shoubin Yu，Jaemin Cho，Prateek Yadav和Mohit Bansal。 “用于视频本地化和问题回答的自链图像模型”。 神经。 2023。ECCV。2024。[project] [Paper] [代码]。[C18] Qin Liu，Jaemin Cho，Mohit Bansal和Marc Niethammer。“以低潜伏期，高质量和不同的提示来重新思考交互式图像分割”。CVPR。2024。[project] [Paper] [代码]。[C17] Jaemin Cho，Yushi Hu，Roopal Garg，Peter Anderson，Ranjay Krishna，Jason Baldridge，Mohit Bansal，Jordi Pont-Tuset和Su Wang。“ Davidsonian场景图：在文本到图像生成的细粒度评估中提高可靠性”。ICLR。 2024。 [project] [Paper] [代码]。 [C16] Jaemin Cho，Abhay Zala和Mohit Bansal。 “用于文本到图像生成和评估的视觉编程”。 神经。 2023。 [project] [Paper] [VPGEN代码] [VPEVAL代码]。 [C15] Shoubin Yu，Jaemin Cho，Prateek Yadav和Mohit Bansal。 “用于视频本地化和问题回答的自链图像模型”。 神经。 2023。ICLR。2024。[project] [Paper] [代码]。[C16] Jaemin Cho，Abhay Zala和Mohit Bansal。“用于文本到图像生成和评估的视觉编程”。神经。2023。[project] [Paper] [VPGEN代码] [VPEVAL代码]。[C15] Shoubin Yu，Jaemin Cho，Prateek Yadav和Mohit Bansal。“用于视频本地化和问题回答的自链图像模型”。神经。2023。[Paper] [代码]。[C14] Zhenhailong Wang，Ansel Blume，Sha Li，Genglin Liu，Jaemin Cho，Zineng Tang，Mohit Bansal和Heng Ji。“ paxion：在视频语言基础模型中修补动作知识”。神经（聚光灯）。2023。[Paper] [代码]。
人工智能与失业：新见解
人工智能与失业：新见解 摘要：本文使用一个理论模型研究了人工智能对高科技发达国家失业的影响，该模型也得到了实证支持。实证方法采用非线性方法，使用面板阈值和 GMM 系统估计。数据集涵盖 1998 年至 2016 年期间，包括 23 个国家。主要结果表明，人工智能对失业的影响呈非线性，人工智能的加速使用会降低失业率，但仅发生在低通胀水平下。在这种情况下，没有记录到“置换效应”和“替代效应”之间的“转换效应”。否则，人工智能对失业的贡献是中性的。 关键词：人工智能；失业；影响；高科技国家 JEL 代码：F22，O17，C23 1. 简介 近几十年来，鉴于人工智能对失业的影响存在争议，人工智能引起了社会科学的极大兴趣。Pentland 等人。 (2019，第 2 页) 指出，“未来的战略优势取决于利用人工智能（如机器学习、计算机视觉和自主系统）并将其与劳动力相结合以创建共生的人机团队的能力。” 这一概念的现代根源可以追溯到第一次世界大战时期，于 1956 年在达特茅斯学院的一次人工智能会议上首次提出。正如尼尔森 (1984，第 5 页) 所指出的那样，这一过程产生了“不同类别的机器——这些机器可以执行以前只能由人类完成的需要推理、判断和感知的任务。” 目前，人工智能不仅是自动化过程的延续；它还代表了这些过程的顶峰，对劳动力市场有着深远的影响。史蒂文森 (2019) 声称，人工智能的使用通过提高生产力来促进经济增长，从而提高未来收入水平。他还指出，只要人工智能产生的好处能够补偿因工资损失而受到负面影响的工人，这种积极影响就是有效的。所有涉及人工智能的流程都会在短期和长期内决定劳动力需求的强烈变化。在短期内，Frank 等人 (2019 年，第 6531 页) 强调“人工智能和自动化技术的快速发展有可能严重扰乱劳动力市场。”主要问题是不同工作需求的下降和专业地位的丧失比工资损失更重要 (Stevenson，2019 年)。否则，从长远来看，技术变革有望通过新创造的就业机会增强人类技能。事实上，人工智能创造了利用人类技能的新方式。因此，由于对人工智能产生的影响存在不同意见，人们主要担心的是人工智能对失业水平的贡献。
Xavier Alameda-Pineda的课程
Jordan Cosio 2023-（Inria Grenible）想象。 博士Pierre-Brice Witer Jean-Eudes Ayilo 2023-（中央汤）不在。Jordan Cosio 2023-（Inria Grenible）想象。博士Pierre-Brice Witer Jean-Eudes Ayilo 2023-（中央汤）不在。
rndr。 Balasia博士
[C1] Agrawal T.，Balazia M.，Bremond f。：CM3T：高效多模式学习的框架，用于非病会议出版物基因交互数据集。IEEE/CVF冬季有关计算机视觉应用（WACV）的冬季会议，美国图森，2025年。[C2] Sinha S.，Balazia M.，Bremond f。：通过优化的聚合网络识别教法性白内障手术视频中的手术器械。IEEE图像处理应用和系统（IPA）的国际会议，法国里昂，2025年。[C3] Muller P.，Balazia M.，Baur T.，Dietz M.，Heimerl A.，Penzkofer A.，Schiller D.，Bremond F.，Alexandersson J.，Andre E.ACM多媒体（ACMMM），澳大利亚墨尔本，2024年。[C4] Strizhkova V.，Kachmar H.，Chaptoukaev H.，Kalandadze R.，Kukhilava N.，Tsmindashvili T.，Abo-Alzahab N.，Zuluaga M.A.：MVP：基于视频和生理信号的多模式情绪识别。在IEEE/CVF欧洲计算机愿景会议（ECCV），意大利米兰的IEEE/CVF欧洲/CVF上的情感行为分析（ABAW），2024年。[C5] Reka A.，Borza D.L.，Reilly D.，Balazia M.，Bremond F。：将门控和上下文引入时间动作检测。在IEEE/CVF欧洲计算机愿景会议（ECCV），意大利米兰的IEEE/CVF欧洲/CVF上的情感行为分析（ABAW），2024年。[C6] Tiwari U.，Majhi S.，Balazia M.，Bremond f。：自动驾驶异常检测至关重要的是：弱监督的地平线。ACM多媒体（ACMMM），第9640-9645页，加拿大渥太华，2023年。在IEEE/CVF欧洲计算机视觉会议（ECCV），意大利米兰，2024年，IEEE/CVF欧洲计算机视觉会议（ECCV）举行的自动驾驶（漫游）的强大，分发和多模式模型。[C7] Muller P.，Balazia M.，Baur T.，Dietz M.，Heimerl A.，Schiller D.，Guermal M.，Thomas D.，Bremond F.，Alexander-Sson J.，Andre E.，Andre E.[C8] Agrawal T.，Balazia M.，Muller P.，Bremond F。：多模式视觉变压器，强迫注意行为分析。IEEE/CVF计算机视觉应用（WACV）的冬季会议，第3392–3402页，美国威克罗阿，美国，2023年。[C9] Balazia M.，Muller P.，Tanczos A.L.，Liechtenstein A.，Bremond F。：社会互动的身体行为：新颖的注释和最新评估。ACM多媒体国际会议（ACMMM），第70-79页，里斯本，葡萄牙，2022年。[C10] Balazia M.，Hlavackova-Schindler K.，Sojka P.，Plant C。：Granger Causal-Ity的可解释步态识别。IEEE/IAPR国际模式认可会议（ICPR），第1069-1075页，加拿大蒙特利尔，2022年。[C11] Agrawal T.，Agarwal D.，Balazia M.，Sinha N.，Bremond f。：使用跨意识变压器和行为编码的多模式人格识别。IAPR国际视觉理论与应用会议（VISAPP），第501-508页，Virtual，2022。[C12] Sinha N.，Balazia M.，Bremond f。：火焰：面部地标热图激活的多模式凝视。IEEE国际高级视频和信号监视会议（AVSS），第1-8页，虚拟，2021年。[C13] Balazia M.，Happy S.L.，Bremond F.，Dantcheva A。：面部多么独特：一项调查研究。IEEE/IAPR国际模式识别会议（ICPR），第7066-7071页，意大利米兰，2021年。[C14] Balazia M.，Sarkar s。：在活动对象跟踪中重新调用评估。在神经信息处理系统会议上（NEURIPS），加拿大温哥华，2019年的神经信息处理系统（NEURIPS）的新知识（NEWINML）。[C15] Aakur S.，Sawyer D.，Balazia M.，Sarkar S。：对未修剪监视视频中基于建议的细粒度活动检测方法的检查。NIST关于TREC视频检索评估（TRECVID）的研讨会，《扩展视频挑战的活动》，美国盖瑟斯堡，2018年。[C16] Balazia M.，Sojka p。：您是走路的方式：不合作的MOCAP步态识别视频监视，并使用不完整和嘈杂的数据。IEEE/IAPR国际生物识别技术联合会议（IJCB），第208-215页，美国丹佛，2017年。 [C17] Balazia M.，Sojka p。：用于基于MOCAP的步态识别方法的评估框架和数据库。 IAPR关于模式识别可再现研究（RRPR）的研讨会，第33-47页，墨西哥坎昆，2016年。 [C18] Balazia M.，Sojka p。：通过最大保证金标准（扩展摘要）学习健壮的步态识别功能。 IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第585-586页，墨西哥梅里达，2016年。 [C19] Balazia M.，Sojka p。：与运动捕获数据相关的步态识别的独立特征。IEEE/IAPR国际生物识别技术联合会议（IJCB），第208-215页，美国丹佛，2017年。[C17] Balazia M.，Sojka p。：用于基于MOCAP的步态识别方法的评估框架和数据库。IAPR关于模式识别可再现研究（RRPR）的研讨会，第33-47页，墨西哥坎昆，2016年。[C18] Balazia M.，Sojka p。：通过最大保证金标准（扩展摘要）学习健壮的步态识别功能。IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第585-586页，墨西哥梅里达，2016年。[C19] Balazia M.，Sojka p。：与运动捕获数据相关的步态识别的独立特征。IAPR关于结构和句法模式识别（SSPR）和统计技术的国际国际研讨会（SPR），第310-321页，墨西哥，墨西哥，2016年。[C20] Balazia M.，Sojka p。：通过最大余量标准学习适合步态识别的功能。IEEE/IAPR国际模式识别会议（ICPR），第901-906页，墨西哥坎昆，2016年。[C21] Balazia M.，Sedmidubsky J.，Zezula P。：语义上一致的人类运动分割。国际数据库和专家系统应用程序（DEXA），第423-437页，德国慕尼黑，2014年。[C22] Sedmidubsky J.，Valcik J.，Balazia M.，Zezula p。：基于归一化步行周期的步态识别。国际视觉计算研讨会（ISVC），第11-20页，Rethymno，希腊，2012年。[C23] Valcik J.，Sedmidubsky J.，Balazia M.，Zezula P.，确定人类识别的行走周期。太平洋亚洲情报与安全信息学讲习班（PAISI），第127-135页，马来西亚吉隆坡，2012年。