XiaoMi-AI文件搜索系统
World File Search SystemChine
一个生物反馈系统让你在跳舞时创作自己的音乐
音乐世界和舞蹈世界本身就是一个研究领域。同时，在计算机科学领域，人们对脑机接口 (BCI) 的兴趣近年来显著增加，因为它代表着实现更内在的人机关系的可能性。生物反馈系统 [1] 也正在获得发展势头，其特点是佩戴 BCI 的用户和计算机之间的连续循环。在本文中，我们提出了一种生物反馈系统的演示，该系统将一名舞者、一个专门开发的音乐作曲软件和两名音乐家置于编舞/作曲关系中。舞者佩戴 NeuroSky MindSet 设备 [2]，该设备可检测一些神经参数，特别是她的注意力值 [3]。根据这些值，软件会生成音乐复音，并在电子乐谱上呈现给演奏它的音乐家。反过来，这样产生的音乐会影响舞者的心理状态，舞者会根据所听到的内容调整舞蹈，从而生成新的复音音乐小节。
机载 4 Pi 计算机：IBM 瞄准航空航天制导
专用机器总是需要独特的设计、特殊的软件、测试和可靠性数据，并且很难重新编程。空军已经完全放弃了地面支持应用中的专用机器，更喜欢现成的通用设计的机器，因为它们具有更好的可靠性 [Electronics，1966 年 9 月 19 日，第 201 页]。国际商业机器公司作为 RNH 系列 4Pi 计划的一部分，建造并评估了一种专为航空航天用途设计的通用机器的工程模型，该计划在航空航天应用方面的全面性堪比 IBM 的 System 360 在地面上的全面性。这种机器的基本设计将解决导弹制导中遇到的问题，尽管它可以用于其他应用
机载 4 Pi 计算机：IBM 瞄准航空航天制导
专用机器总是需要独特的设计、特殊的软件、测试和可靠性数据，并且很难重新编程。空军已经完全放弃了地面支持应用中的专用机器，更喜欢现成的通用设计的机器，因为它们具有更好的可靠性 [Electronics，1966 年 9 月 19 日，第 201 页]。国际商业机器公司作为 RNH 系列 4Pi 计划的一部分，建造并评估了一种专为航空航天用途设计的通用机器的工程模型，该计划在航空航天应用方面的全面性堪比 IBM 的 System 360 在地面上的全面性。这种机器的基本设计将解决导弹制导中遇到的问题，尽管它可以用于其他应用
chie：具有正确性，帮助性，无关紧要和外在性方面的文化质量上下文QA的生成性MRC评估
对Ma-Chine阅读理解（MRC）中生成模型的评估带来了不同的困难，因为Bleu，Rouge，Meteor，Ectect匹配和F1得分等传统指标通常很难捕获细微的和多样化的响应。虽然嵌入基于Bertscore和Bartscore之类的基于基于的指标专注于语义相似性，但它们仍然无法完全解决诸如识别附加有用的信息和奖励忠诚的方面。基于大语言模型（LLM）指标的最新进展提供了更多细粒度的评估，但仍然存在分数聚类等挑战。本文介绍了一个多相关的评估框架，chie，结合了c orcretness，h Elpullness，i rrelevance and e extranesents的各个方面。我们的方法使用二进制分类值而不是连续的评分量表，与人类判断良好，表明其潜力是一种全面有效的评估方法。
游戏中的程序内容生成：一项关于新兴 LLM 集成的调查
程序化内容生成 (PCG) 被定义为使用算法自动创建游戏内容。PCG 在游戏行业和学术界都有着悠久的历史。它可以增加玩家参与度并减轻游戏设计师的工作。虽然 PCG 中深度学习方法的最新进展使研究人员和从业者能够创建更复杂的内容，但大型语言模型 (LLM) 的出现才真正打乱了 PCG 发展的轨迹。本调查探讨了用于 PCG 的各种算法之间的差异，包括基于搜索的方法、基于机器学习的方法、其他常用方法（例如噪声函数）以及新兴的 LLM。我们还对组合方法进行了详细讨论。此外，我们根据它们生成的内容类型和各自论文的发表日期对这些方法进行了比较。最后，我们找出了现有学术工作的差距并提出了未来研究的可能方向。
量子监督学习
摘要 量子计算的最新进展使其成为解决复杂计算挑战的潜在解决方案，而监督学习正成为一个特别有前途的应用领域。尽管具有这种潜力，量子机器学习领域仍处于早期阶段，人们对于其可能在短期内出现的量子优势仍然存在一定程度的怀疑。本文旨在从经典的角度审视当前的监督学习量子算法，有效地将传统的机器学习原理与量子机器学习的进步结合起来。具体而言，本研究绘制了一条与量子机器学习文献主要关注点不同的研究轨迹，它源于经典方法的先决条件，并阐明了量子方法的潜在影响。通过这次探索，我们的目标是加深对经典方法和量子方法之间融合的理解，从而为未来两个领域的发展奠定基础，并促进经典方法从业者参与量子机器学习领域。
人工智能与嵌合抗原受体T细胞...
人工智能是一种人工智能技术，其特点是使用算法和统计数据来自我改进程序。机器学习的一个子集是神经网络，它是基于相互连接的神经元或节点的结构，分层结构包括输入层、隐藏层和输出层。这些节点通过基于前一层激活或激活不足的加权连接将信息从一个节点传递到另一个节点。通过操纵神经网络，神经网络可以自动识别和处理来自输入层、隐藏层和输出层的信息。这些节点通过基于前一层激活或激活不足的加权连接将信息从一个节点传递到另一个节点。通过操纵神经网络，神经网络可以自动识别和处理来自输入层、隐藏层和输出层的信息。
使用量子机器学习对海洋能转换器的环境影响评估
化石能源储备的枯竭及其造成的环境污染凸显了利用海洋可再生能源（如海浪和潮汐）的必要性，因为它们具有巨大的潜力。另一方面，大规模部署海洋能转换器以满足未来的能源需求需要使用大型转换器农场，这可能会对海洋生态系统产生负面的环境影响。与此同时，一个非常重要的一点是，通过不同的方法从海洋收集数据并进行分析会产生大量的数据，这使得使用不同的机器学习算法等先进工具变得更加丰富多彩。在本文中，使用机器学习和量子机器学习分析了一些海洋能设备对环境的影响。结果表明，量子机器学习在计算精度方面优于传统机器学习。这种方法为环境影响评估提供了一种有前途的新方法，特别是在海洋等复杂环境中。
IArch：深入挖掘考古数据的人工智能工具
摘要 — 人工智能 (AI)，尤其是机器学习 (ML)，在考古学中的应用正在蓬勃发展，开辟了文物分类、遗址位置预测和遗迹分析等新的可能性。这方面的主要挑战之一是缺乏精通机器学习的合格考古学家。在本研究中，我们介绍了 IArch，这是一种无需特定编程技能即可让考古学家进行可解释人工智能 (XAI) 数据分析的工具。它特别允许执行数据分析以验证现有的数据支持假设或生成新假设。该工具涵盖了应用 ML 的整个工作流程，从数据处理到解释最终结果。该工具允许使用监督和无监督 ML 算法，以及 SHapley Additive exPlanations (SHAP) 技术为考古学家提供对预测的整体和个体解释。我们通过蒙古草原上的匈奴墓地（公元前 100 年 / 公元 100 年）的数据证明了它的应用。
与计算机面对面
来源和沟通渠道。Bulling 的团队不仅关注认知过程，还关注我们的行为，例如我们如何与数字设备互动。他们的首要任务是教会计算机正确识别我们的视线，而不仅仅是从完美照明的面部和恒定的实验室环境中识别，就像以前的计算机辅助凝视分析一样。科学家们长期以来一直依靠机器学习来做到这一点。但是，到目前为止，他们用来训练计算机的数据与日常生活并不十分相关。为了纠正这个问题，Bulling 和他的团队在 15 名志愿者的笔记本上安装了软件。在他们使用电脑工作的几天里，软件反复提示志愿者注视显示器上的选定点，并拍摄他们的照片。这为团队提供了不同环境中的图像，通常是在光线不足的情况下。因为他们还知道志愿者的视线在哪里