XiaoMi-AI文件搜索系统
World File Search SystemCorpora
转型经济中的社会对话 (SODITREC)
该项目旨在通过跨学科、跨部门的国际研究，在欧洲层面全面分析当前经济转型对工业关系的影响，以加强社会对话。该项目由四个主要工作包 (WP) 组成。WP1 致力于“项目联盟的管理和科学协调”。WP2 涉及“欧盟层面大型企业重组过程中的社会对话”，并调查了两个欧洲关键行业中领先的跨国公司 (TNC) 当前重组的两个案例：ArcelorMiAl 收购意大利 Ilva 和 PSA 收购欧宝沃克斯豪尔。这些当前的重组过程影响着欧洲两大工业集团的整体结构，研究这些重组过程将为跨国公司治理的当前转型（包括社会伙伴的作用）提供有趣的见解。 WP3 调查了“欧盟边缘国家的员工参与实践和公司层面的社会对话”。欧洲工会委员会 (EWC) 是欧盟层面跨国公司工人参与最发达的机构。我们的项目旨在确定这些欧洲代表机构中参与度低、资源匮乏的边缘国家的 EWC 代表的作用、好处和困难。 WP4 采用比较研究视角，研究“雇主在公司层面社会对话方面的策略和方法”。研究对象为来自特定国家、代表不同“资本主义”的商业组织，研究内容包括其政治策略、内部组织、与附属机构、政治参与者和工会的关系。这些 WP 相互补充，重点关注当前高度相关的经济转型以及社会对话和集体谈判在其中发挥的作用。
基于上下文的空间自我监督学习...
这项工作是出于空间信息在HTR任务[25]中的相关性以及以下事实，据我们所知，它以前尚未进行过研究，并着重于适应HTR领域的此类方法。更确切地说，我们提出了两种替代方案，可以在HTR方案中使用这些SSL策略（见图1）：（i）将HTR任务调整为原始SSL方法，即输入适应性，（ii）提出针对HTR任务特征的新型基于空间上下文的SSL方法，即适应。通过考虑多个参考HTR Corpora，将这些建议全面评估，并与该领域遵循的参考策略进行比较。获得的结果表明，与参考SSL方法相比，所提出的SSL策略提供了最先进的识别率，同时保持概念上的简单性。
版权法和机器学习模型的生命周期
抽象的机器学习是人工智能（AI）的一个子场，依靠大量数据作为学习算法的输入，导致训练有素的模型可以执行各种任务。虽然数据或信息不是版权法中的主题，但几乎所有用于构建机器学习语料库的材料都受版权法保护：文本，图像，视频等。在基于生成AI的所谓“基础模型”的背景下，有一些全球政策的动作，以解决机器学习的版权含义。本文退后一步，通过详细的案例研究从经验上探索三个技术环境。我们阐明了AI生命周期（收集数据，组织数据，模型培训，模型操作）的既定行业方法论，以得出适合法律分析的描述。这将允许评估欧盟版权法规定权利，例外和披露的挑战。三个案例研究是：
无网络的人工智能 - CSHL 科学数字存储库
当代人工智能 (AI) 有两条腿：大型训练数据语料库和多参数人工神经网络 (ANN)。数据语料库是代表世界的复杂性和异质性所必需的。由于网络参数和输出对训练数据和输入的依赖性不明确，网络的作用不太透明。这引发了从技术科学到法律伦理等一系列问题。我们假设，在完全不使用网络的情况下，机器学习的透明方法是可能的。通过推广一种无参数、统计一致的数据插值方法（我们对该方法进行了详细的理论分析），我们开发了一个生成建模框架。鉴于机器学习技术在科学中的应用越来越广泛，我们用动物行为领域的一个例子来演示这个框架。我们将这个生成希尔伯特框架应用于小群游动鱼的轨迹。在重现自然行为方面，该框架优于之前开发的最先进的传统数学行为模型和当代基于 ANN 的模型。我们并不认为所提出的框架在所有应用中都会胜过网络，因为过度参数化的网络可以进行插值。然而，我们的框架在理论上是合理、透明、确定且无参数的：它不需要任何计算成本高昂的训练，不涉及优化，没有模型选择，并且易于复制和移植。我们还基于此框架提出了一种易于计算的信用分配方法，该方法可以帮助解决生成式人工智能带来的道德法律挑战。
增强ainu-higapanese的神经机器翻译
发展是在日本政府对Ainu作为土著人民的正式认可之后，这导致了全国对AINU语言课程和教育材料的资金（Sato，2012年）。许多AINU学习者今天将日语说日语；因此，实用的机器翻译是Ainu振兴不可或缺的一部分。但是，宫川（Miyagawa）（2023）先前的一项研究面临着挑战，包括在不同方言之间的区分和在翻译日常对话时遇到的困难。为了解决这些问题，我们采取了以下方法。首先，我们增强了语料库。以前的研究中的Corpora主要偏向有限地区的民间传说。我们从各种方言和操作中收集并数字化资源，以确保更大的多样性。我们还引入了一种新颖的方法，用于ainu-日语翻译，可以区分方言和域，从而减少不同区域或上下文之间的措辞混乱。在本文中，我们详细介绍了方法论的细节，介绍我们的结果，并讨论了我们发现的含义，这些含义可能有助于Ainu的振兴，这也可能适用于其他低水平语言。
面向量子启发式二元分类器
抽象机器学习分类模型学习输入作为特征和输出作为类的关系，以预测新给定输入的类。几项研究工作证明了机器学习算法的有效性，但最新的算法基于概率和逻辑的经典理论。量子力学（QM）已经在许多领域显示其有效性，研究人员提出了几个有趣的结果，这些结果无法通过经典理论获得。近年来，研究人员一直在尝试调查QM是否可以帮助改善经典的机器学习算法。认为，如果正确实施QM理论也可能会激发有效的算法。从这种灵感中，我们提出了量子启发的二进制分类器，该分类基于量子检测理论。我们使用文本语料库和图像库来探索我们提出的模型的效果。我们提出的模型在20个新闻组文本语料库中的几个主题（类别）方面优于最先进的模型。当使用MNIST手写图像数据集时，我们所提出的模型在召回方面优于所有基准。对于大多数类别而言，F量也更高，对于某些类别，精度也更高。我们提出的模型表明，使用量子检测理论可以实现二元分类效果。特别是，我们发现我们的量子启发的二进制分类器可以增加分类的精度，回忆和f量表，而最先进的方法不能。
Ecolexixicon的气候变化
抽象文化在术语资源中的代表性不足，意识形态是传达的一个特别复杂的文化方面。这种复杂性源于政客，媒体和公众的话语社区之间的相互交织的关系，以及他们与科学知识的互动。然而，术语资源应提供必要的信息，以了解有关科学问题的政治观点，具有高度的政治知名度。与所有专业领域一样，环境概念和术语都符合动态和变化（León-Araúz，2017年）。认知术语变体（例如气候变化，气候危机）特别引起了人们的关注，因为它们在政治话语中的存在及其影响气候行动的潜力。它们可用于反映多维性，不精确或意识形态的依恋。本文介绍了一种基于传播研究框架的方法，以从Corpora中提取意识形态知识。我们使用了西班牙和英国议会辩论（Parlamint 2.1），并注释了干预措施，其中包括根据Bolsen和Shapiro（2018）提出的框架的改编版本的气候变化术语变体。结果表明了气候变化话语如何在意识形态范围内变化，我们就如何在环境中代表环境TKB中表示这些知识的建议。
使用 DART 引导定向灰盒模糊测试器
软件开发是一个持续、渐进的过程。开发人员不断以小批量而非一次性大批量的方式改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此，研究人员提出了定向灰盒模糊测试 (DGF)，旨在生成针对某些目标站点进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同，DGF 的目标是覆盖潜在的错误代码区域（例如，最近修改的程序区域）。虽然先前的研究改进了 DGF 的几个方面（例如电源调度、输入优先级和目标选择），但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要为 CGF 定制的种子语料库（即一组覆盖程序不同区域的种子）。我们观察到，使用基于 CGF 的语料库限制了定向灰盒模糊测试器的错误查找能力。为了弥补这一缺陷，我们提出了 TargetFuzz，这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库，它仅包含与目标“接近”的种子。这样，DART 语料库就可以引导 DGF 找到目标，从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明，与基于 CGF 的通用语料库相比，配备 DART 语料库的 AFLGo（一种最先进的定向灰盒模糊测试器）可以发现 10 个额外的漏洞，并且平均在暴露时间上实现了 4.03 倍的加速。