XiaoMi-AI文件搜索系统
World File Search SystemCrowd
量子机器学习中的群体智慧 - DR-NTU
那么如何构建和训练量子网络，使其执行任务时性能更佳呢？群体智慧或许能为这一热门答案做出贡献。群体智慧是指不同群体的集体结果或决策优于单个专家的决策 [1]。这一现象已在许多领域得到充分研究，尤其是社会科学 [2-8]，并且可应用于经济预测 [9]、公共政策决策 [10]、医学诊断 [11] 和科学建议 [12]。一个简单的例子，类似于参考文献 [1]，就是测量一棵树的高度。在这种情况下，群体智慧意味着群体中经验较少的个人的平均估计往往比专家的测量结果更好。类似范式还有集成学习，强调不同学习算法的组合比单独使用其中一种效果更好 [13-15]。这激发了人们对量子机器学习中这一现象的探索。人工神经网络的进步已在量子领域得到应用，并有可能展现出优于经典模拟的潜力 [16]。当前者将量子系统作为节点时，它们通常被称为量子神经网络 (QNN)。最近，已经提出了 QNN 提案 [17-22]，其网络架构、
多机器人社交导航的注意图
摘要 - 学习机器人导航策略 - 三角形对于基于域的应用至关重要。结合感知，计划和预测使我们能够对机器人和行人之间的相互作用进行建模，从而导致不断的结果，尤其是基于深度强化学习（RL）的最新方法。但是，这些作品不考虑多机器人方案。在本文中，我们提出了MultiSoc，这是一种使用RL学习多代理社会意识的导航策略的新方法。受到有关多代理深度RL的最新作品的启发，我们的方法利用了基于图形的代理相互作用的表示，结合了实体（行人和代理人）的位置和视野。每个代理使用基于两个图神经网络和注意机制的模型。首先，边缘se子产生一个稀疏的图，然后一个人群坐标应用了节点注意，以产生代表每个实体对其他实体的影响的图。这被整合到一个无模型的RL框架中，以学习多代理策略。我们评估了我们的模拟方法，并在各种条件（代理 /行人的数量）中提供了一系列实验。经验结果表明，我们的方法比社会导航更快地学习了深度RL单一代理技术，并且可以在挑战人群导航中通过多个异构人类进行有效的多代理隐式协调。此外，通过合并可自定义的元参数，我们可以调整邻里密度以考虑到我们的导航策略。
弗吉尼亚紧急行动计划
assistance by the Virginia National Guard to the Virginia Department of State Police to ensure crowd control, direct traffic, prevent looting, and perform such other law enforcement functions as deemed necessary by the Superintendent of State Police (in consultation with the State Coordinator of Emergency Management, the Adjutant General, the Secretary of Public Safety and Homeland Security, and the Secretary of Veterans and Defense Affairs).根据《弗吉尼亚州法典》第52-6条，我授权州警察局任命任何和所有此类弗吉尼亚陆军和空军国民警卫队人员被要求陈述现役的任何警察为额外的警察，认为这是必要的。弗吉尼亚州守则的第44-75.1（a）（3）条应授权为本次活动激活的弗吉尼亚国民警卫队成员，以执行完成上述协助所必需的所有行为。弗吉尼亚国民警卫队应有权执行法律，包括所有违反第18.2节，第1章的行为。9，艺术。1和2的《弗吉尼亚州守则》（违反和平与秩序的罪行；骚乱和非法集会；行为不检），以及保护生命，保存财产以及捍卫自我和他人所必需的其他行为。virgenia守则第52-7条要求的任何债券和/或保险均应以牺牲英联邦为代价为他们提供。在所有情况下，弗吉尼亚国民警卫队和弗吉尼亚国防军的成员均应按照《弗吉尼亚州法典》第44-78.1条规定的军事命令，并且不受县或市政府的民政当局的约束。
宏观任务众包中的人工智能可供性
摘要 众包具有巨大的潜力：例如，宏观任务众包可以为应对气候变化的工作做出贡献。宏观任务众包旨在利用群体智慧解决棘手问题等非平凡任务。然而，宏观任务众包需要大量劳动力，而且执行起来很复杂，这限制了它的效率、效果和用途。人工智能 (AI) 的技术进步可能会通过支持促进众包来克服这些限制。然而，要实现这一点，需要更好地理解 AI 在宏观任务众包促进方面的潜力。在这里，我们求助于舞蹈理论来发展这种理解。在宏观任务众包中，可供性帮助我们描述表征促进者和 AI 之间关系的行动可能性。我们遵循两阶段、自下而上的方法：初始开发阶段基于对学术文献的结构化分析。随后的验证和改进阶段包括两个观察到的宏观任务众包计划和六次专家访谈。从我们的分析中，我们得出了支持宏观任务众包中的 17 项促进活动的七种人工智能可供性。我们还确定了说明可供性的具体表现形式。我们的研究结果增加了学术界对宏观任务众包的理解，并推动了关于促进的讨论。此外，它们还帮助从业者确定将人工智能融入众包促进的潜在方法。这些结果可以提高促进活动的效率和宏观任务众包的有效性。
在火车站利用机器学习
机器学习（ML）通过提供预测能力和数据洞察，大大改变操作并增强用户体验来彻底改变众多行业。在火车站，ML的整合提供了许多优势，包括提高效率，提高安全措施以及总体上更好的乘客体验。本文探讨了ML在火车站内的各种应用，重点是预测维护，乘客流量预测，智能票务系统和高级安全措施等关键领域。预测性维护采用ML算法来分析来自火车组件和跟踪条件的数据，从而允许及时干预潜在的故障。这种主动的方法减少了停机时间，优化了维护时间表，并最大程度地减少了与意外故障相关的成本。此外，ML驱动的乘客流量预测利用历史数据和实时分析来预测人群模式，从而在高峰时段可以更好地资源分配和人群管理。由ML提供支持的智能售票解决方案的出现，增强了票务购买过程，允许基于乘客行为进行无缝交易和个性化优惠。这些系统不仅简化了操作，而且还通过减少等待时间并消除了物理票的需求来提高客户满意度。此外，通过ML算法来增强火车站的安全系统，该算法分析视频提要和传感器数据以识别潜在威胁，从而确保乘客的安全旅行环境更安全。
第 8 章：使用武力目的 801. 本政策……
执法人员使用武力是公众和执法界极为关注的问题。警官每天都会参与各种互动，在必要时，他们可能会在执行任务时使用客观合理的武力。警官必须了解并真正重视他们的权力及其局限性。在执行执法任务时，处理不服从和/或抵抗的对象时尤其如此。警官应以公平和公正的方式履行职责，包括使用武力。该部门承认并尊重所有人生命和尊严的价值，不歧视任何人。赋予警官使用客观合理武力和保护公共安全和福利的权力需要监测、评估和仔细平衡所有利益。该政策还规定了对枪支和控制装置/技术的批准、培训和携带的要求。本章所含规定仅供加州大学警察局内部使用，不得解释为对大学、其官员或成员的民事或刑事责任设定更高的标准或注意义务。违反本手册所含任何政策的任何规定仅构成部门行政行动、培训或纪律的基础。在人群管理、干预和控制情况下使用武力适用其他政策。请参阅人群管理、干预和控制，第 15 章。定义
对与人及其周围合作的机器人的和谐流动性
机器学习和计算机视觉与经典自治堆栈的进步整合使机器人部署成功，以实现，制造和运输。然而，非结构化和染色的环境，例如行人空间和街道，工作场所和房屋构成了其他挑战，例如建模人类行为，了解用户的看法以及确保人类的安全和舒适感。我的工作解决了这种挑战，以使机器人能够流利地与人们合作，以提高生产力并为用户提供帮助。人群中有能力的导航。人类无缝地避免在行人领域相互碰撞，这要归功于其通过策略中编码的合作碰撞避免。我的工作在数学上正式使用了使用代数拓扑的工具传递的概念。基于这种形式主义，我为人群导航开发了一个反应性的传递模型预测控制器。这种控制者的原因，并加快了与人类共同的成对传球的相遇。我已经在多个机器人平台上授予了该控制器，其中包括人类大小的远程机器人和更短的自动平衡机器人。在广泛的实验室实验中，具有挑战性和各种人群条件，我的控制器比最先进的基线提供了明显更安全，更有效的性能（Mavrogiannis等人。2023b）。超出安全性和效率。人体安全和机器人效率并不多于纳入机器人旁边的用户体验。2022）。com-我的作品深入了解用户的印象。在我的一项研究中（n = 105），我们的机器人在密集的人群中陷入困境（Mavrogiannis et al。在运行我们的传递导航算法时，用户表现出较低的加速度，与基线相比，机器人的干扰较少，这表明我们的算法使用户可以更舒适地围绕它行走。至关重要的是，用户对这种定量观察得到了赞赏，他们在旁边的指控旁边导航时，他们的报价是“我几乎没有注意到机器人”，而诸如“我觉得机器人在我的个人空间中”或“我不知道机器人在做什么？强大的现场部署通过旁观者帮助。
混合获取高质量训练数据...
3D 点云的自动语义解释对于地理空间数据分析领域的许多任务至关重要。为此，需要标记的训练数据，这些数据通常由专家手动提供。主动学习 (AL) 是一种最大限度地减少人机交互成本的方法。目的是仅处理未标记数据集的子集，这对于类别分离特别有用。在这里，机器识别信息实例，然后由人类标记，从而提高机器的性能。为了完全避免专家的参与，可以通过众包解决这种耗时的注释。因此，我们提出了一种将 AL 与付费众包相结合的方法。尽管结合了人机交互，但我们的方法可以完全自动运行，因此只需要提供未标记的数据集和固定的财务预算来支付众包工人的费用。我们对 ISPRS Vaihingen 3D 语义标记基准数据集 (V3D) 进行了 AL 过程的多个迭代步骤，并特别评估了众包在标记 3D 点时的表现。我们通过使用从基于众包的 AL 方法中派生出的标签对测试数据集进行分类来证明我们的概念。分析概述了通过仅标记 0.4% 的训练数据集并花费不到 145 美元，我们训练的随机森林和稀疏 3D CNN 分类器在总体准确率上的差异与在完整的 V3D 训练集上训练的相同分类器相比不到 3 个百分点。