XiaoMi-AI文件搜索系统
World File Search SystemChine
![arXiv:2005.00582v1 [cs.AI] 2020 年 5 月 1 日](/simg/d\d38cb53a124e35c7288255cbad2b1305ccb5a18c.png)
arXiv:2005.00582v1 [cs.AI] 2020 年 5 月 1 日
开放世界中 AI 的新兴愿景集中在开发可以补充人类感知、诊断和推理任务的系统上。迄今为止，旨在补充人类技能的系统已经采用了经过单独训练以尽可能准确的模型。我们展示了如何利用端到端学习策略来优化人机团队的综合表现，同时考虑人与机器的不同能力。目标是将机器学习重点放在对人类来说困难的问题实例上，同时识别对机器来说困难的实例并寻求人类的输入。我们在两个现实世界领域（科学发现和医学诊断）证明，通过这些方法建立的人机团队的表现优于机器和人的个体表现。然后，我们分析这种互补性最强的条件，以及哪些训练方法可以放大它。总的来说，我们的工作首次系统地研究了如何训练机器学习系统来补充人类推理。
通过逻辑编程来解释人工智能
我们专注于归纳逻辑程序的问题，该程序可以解释由支持向量机 (SVM) 算法学习到的模型。自上而下的顺序覆盖归纳逻辑程序设计 (ILP) 算法（例如 FOIL）使用信息论中的启发式方法进行爬山搜索。这类算法的主要问题是陷入局部最优。然而，在我们的新方法中，数据依赖型爬山搜索被模型依赖型搜索所取代，其中首先训练全局最优的 SVM 模型，然后算法将支持向量作为模型中最具影响力的数据点，并归纳出一个涵盖支持向量和与该支持向量最相似的点的子句。我们的算法没有定义固定的假设搜索空间，而是利用可解释 AI 中针对特定示例的解释器 SHAP 来确定相关特征集。这种方法产生了一种算法，该算法可以捕捉 SVM 模型的底层逻辑，并且在诱导子句数量和分类评估指标方面优于其他 ILP 算法。本文正在考虑在“逻辑编程理论与实践”杂志上发表。
IceCube 嵌入南极洲 - CERN 文档服务器
外部通讯员： 阿贡国家实验室（美国）：D Ayres 布鲁克海文国家实验室（美国）：P Yamin 康奈尔大学（美国）：D G Cassel DESY 实验室（德国）：llka Regel、P Waloschek 费米国家加速器实验室（美国）：Judy Jackson GSI 达姆施塔特（德国）：G Siegert INFN（意大利）：Barbara Gallavotti 北京高能物理研究所（中国）：Tongzhou Xu 杰斐逊实验室（美国）：Melanie O'Byrne JINR 杜布纳（俄罗斯）：B Starchenko KEK 国家实验室（日本）：A Maki Lawrence 伯克利实验室（美国）：Christine Celata 洛斯阿拉莫斯国家实验室（美国）：C Hoffmann NIKHEF 实验室（Pay-Bas）：Paul de Jong 新西伯利亚研究所（俄罗斯）：S Eidelman 奥赛实验室（法国）：Anne-Marie Lutz PSI实验室（瑞士）：P-R Kettle 卢瑟福阿普尔顿实验室（英国）：Jacky Hutchinson 萨克雷实验室（法国）：Elisabeth Locci IHEP，Serpukhov（俄罗斯）：Yu Ryabov 斯坦福线性加速器中心（美国）：N Calder TRIUMF 实验室（加拿大）：M K Craddock
乌克兰战争如何改变太空游戏 - IFRI
乌克兰战争是太空领域新商业范式（新太空）的壮观展示，似乎证实了美国 — — 特别是五角大楼 — — 自 2010 年代中期以来的适应努力因此，它强调了正在发生的变革，并宣布了轨道开发的潜在中断，特别是在卫星连接和地球观测领域。它还概述了未来的紧张局势，而围绕美国和中国构成的两个极点的国际关系结构加剧了有关太空活动的安全性、可行性、安全性和稳定性的问题。这些发展对欧洲保持在该领域的影响力提出了挑战。
在边缘的Caveline检测到自主水下洞穴探索和映射
摘要 - 本文探讨了在边缘平台上部署基于Ma-Chine学习（ML）基于基于的对象检测和分割模型的问题，以实现用于自动水下汽车（AUV）的实时Caveline检测，用于水洞探索和映射。我们专门研究了三个ML模型，即U-NET，Vision Transformer（VIT）和YOLOV8，该模型部署在三个边缘平台上：Raspberry PI-4，Intel Neural Compute Stick 2（NCS2）和Nvidia Jetson Nano。实验结果揭示了模型准确性，处理速度和能耗之间的明确权衡。最准确的模型已显示为U-NET，其与联合（IOU）值相比为85.53 f1分数和85.38的交集。同时，分别在高功率和低功率模式下运行的Jetson Nano上的Yolov8模型实现了最高的推理速度和最低的能耗。论文中提供的全面定量分析和比较结果突出了重要的细微差别，这些细微差别可以指导水下机器人上的caveline检测系统的部署，以确保在水下洞穴探索和映射任务期间安全可靠的AUV导航。
3D姿态估计和2D轨迹预测
根据给定序列预测人体运动是计算机视觉和机器学习中一项具有挑战性且至关重要的任务，它使机器能够有效地理解人类行为。精确预测人体姿势和运动轨迹对于各种应用都具有重要意义，包括自动驾驶、机器人技术和虚拟现实。本文提出了一种新方法来解决估计以 3D 姿势或 2D 轨迹表示的人体运动，以及使用 2D 图像和人体姿势/位置序列联合预测未来运动的相互关联的任务。我们提出了一种编码器-解码器架构，该架构利用具有自注意机制的 Transformer 网络，利用视觉上下文特征，结合 LSTM 来建模人体运动运动学。我们的方法在数量和质量上都比现有方法表现出持续显著的改进。在各种公共数据集上进行的大量实验，例如用于 3D 人体姿势估计的 GTA-IM 和 PROX，以及用于 2D 轨迹预测的 ETH 和 UCY 组合数据集，表明与当前最先进的方法相比，我们的方法大大减少了预测误差。
检测量子算法的差分隐私违规行为
近十年来，人们提出了用于解决各种实际问题的量子算法，例如数据搜索和分析、产品推荐和信用评分。人们对量子计算中的隐私和其他伦理问题的关注自然而然地出现了。在本文中，我们定义了一个用于检测量子算法差分隐私违规的正式框架。我们开发了一种检测算法来验证（嘈杂的）量子算法是否具有差分隐私，并在报告差分隐私违规时自动生成窃听信息。该信息由一对违反隐私的量子态组成，以说明违规的原因。我们的算法配备了高效的数据结构 Tensor Networks，并在 TensorFlow Quantum 和 TorchQuantum 上执行，它们分别是著名机器学习平台 TensorFlow 和 PyTorch 的量子扩展。我们算法的有效性和效率得到了已经在现实量子计算机上实现的几乎所有类型量子算法的实验结果的证实，包括量子霸权算法（超出了经典算法的能力）、量子机器学习模型、量子近似优化算法和高达 21 个量子位的变分量子特征求解器。
数字中等强国的技术政策 - IFRI
技术是国际体系中的实力因素和竞争问题。鉴于美国、中国和欧盟的经济实力和政治自愿性，这三个权力中心的技术政策一直受到高度关注。本研究旨在将重点转向这三个国家之外的国家。数字中等强国是那些发现自己陷入这些权力游戏的国家，在日益多极化的国际体系中，数字部门正在成为决定性的权力因素。这些国家在技术领域的影响力已经确立或不断增强，并且是某些领域的区域或全球领导者。
RF Genesis：通过基于仿真的数据合成和生成扩散模型
本文介绍了RF Genesis（RFGEN），这是一种使用跨模式分化模型合成RF传感数据的新颖且具有成本效益的方法，以提高毫米波（MMWAVE）传感系统的概括能力。使用有限的培训数据集中用于MMWave感应斗争中的传统Ma-Chine学习模型。当与看不见的用户，环境，传感器配置，测试类等面对时，他们的性能急剧下降。rfgen通过使用跨模式生成框架合成和验证MMWave感应数据来缓解这些挑战。我们专门提出了一个自定义的射线跟踪模拟器，以模拟RF的传播和与对象/环境的交互。然后，我们利用一组扩散模式来生成大量的3D场景，并将视觉场景表示形式转换为相应的MMWAVE感应数据，而不是应用程序特定的“提示”的方向。我们提出的方法将基于物理的射线跟踪与黑框扩散模型进行了调解，从而导致准确，可扩展和可解释的视觉到RF数据综合。我们广泛的现实世界实验强调了RFGEN在不同的MMWave感应应用中的有效性，从而增强了它们对无需收集数据的未见测试用例的概括。
量子强化学习 (QRL) 简介
与传统计算机 [1] 相比，量子计算 (QC) 在特定问题上具有显著的计算优势。尽管目前量子设备存在噪声和缺陷等局限性，但人们仍在做出巨大努力以实现量子优势。其中一个突出的关注领域是量子机器学习 (QML)，它利用量子计算原理来增强机器学习任务。大多数 QML 算法依赖于量子-经典混合范式，该范式将计算任务分为两个部分：量子计算机处理受益于量子计算的部分，而传统计算机处理它们擅长的部分。变分量子算法 (VQA) [2] 构成了当前量子机器学习 (QML) 方法的基础。QML 已在各种机器学习任务中取得成功，包括分类 [3]–[6]、顺序学习 [7]、[8]、自然语言处理 [9]–[12] 和强化学习 [13]–[19]。在这些领域中，量子强化学习 (QRL) 是一个新兴领域，研究人员正在探索应用量子计算原理来提高强化学习代理的性能。本文介绍了 QRL 的概念和最新发展。