XiaoMi-AI文件搜索系统
World File Search SystemDiverse
diter ++：多户户外环境中多机射击导航的各种地形和多模式数据集
摘要 - 多个现场机器人的协作对于大规模环境的导航和映射是必需的。在穿越时，考虑到每个机器人性质的遍历性估算对于确保机器人的安全并确保其性能至关重要。即使在结构化的环境中，不考虑地形信息的行驶也可能导致平台严重损坏，例如由于陡峭的斜坡或由于突然的高度变化而导致的下降。为了应对这一挑战，我们提出了Diter ++，多机器人，多主题和多模式数据集，包括地面信息。使用向前的RGB摄像头和面向接地的RGB-D相机，热相机，两种类型的激光镜头，IMU，GPS和机器人运动传感器获得数据集。数据集和补充材料可在https：//sites.google.com/view/diter-plusplus/上找到。
torchdriveenv：一种增强性学习基准，用于自动驾驶，具有反应性，现实和多样的不可播放的字符
摘要 - 澳大利亚车辆的培训，测试和部署需要现实有效的模拟器。此外，由于不同自主系统中呈现的不同问题之间存在很高的可变性，因此这些模拟器需要易于使用，并且易于修改。为了解决这些问题，我们介绍了Torchdriveim及其基准扩展TorchdriveEnv。TorchdriveEnv是完全在Python中编程的轻质增强学习基准，可以对其进行修改以测试学习车辆行为的许多不同因素，包括不同的运动模型，代理类型和交通控制模式的影响。最重要的是，与许多基于重播的仿真方法不同，TorchdriveEnV与最先进的行为模拟API完全集成。这使用户可以与数据驱动的不可播放的字符（NPC）一起训练和评估驾驶模型，其初始化和驾驶行为是反应性，现实和多样的。我们通过评估培训和验证环境中的常见强化学习基准来说明TorchdriveEnv的效率和简单性。我们的实验表明TorchdriveEnV易于使用，但难以解决。
ai：通向多元化智力和人类未来的桥梁
最近对AI及其对个人和社会的影响的许多讨论是不完整的。围绕AI的辩论忽略了各种智力和合成形态的新兴领域的高度相关方面，以及发展生物学的基本事实。关于工程系统状况的普遍意见通常忽略了关于我们自己的深层知识差距，以及我们与知识和彼此之间的关系，而我们与我们彼此之间的关系很久以前就已经与AI技术出现了。此外，随着人类修改自己的形式并创造他人，不可避免的一组非常规的身体和思想的到来将破坏我们的现实，改变，我们可以变成什么以及我们应该珍视的东西的含义。在这里，我从不同的智能的角度以及我们身体和思想的进化史上讨论了AI突出的空旷问题。
对种族和收入多元化的青少年的4个项目自我护理清单的开发，验证和项目偏见评估，患有1型糖尿病及其护理人员
推荐引用推荐引用Ellison，Vinkrya，“发展，验证和项目偏见评估在种族和收入多元化的青少年中患有1型糖尿病及其护理人员的多元化青少年之间的4项自我护理清单”（2023年）。电子论文和论文。3307。https://digitalcommons.memphis.edu/etd/3307
不同的CO（II）配位配体配体配体配体：化学稳定性和结构转化的评估
摘要：CO（OAC）2·4H 2 O的反应，n' -bis（3-吡啶基甲基）草氨酰胺（L）和4,4'-Sulfon yldibenzoic acicion（H 2 SDA），提供了四个配合了四个协调式的聚合物，具有相同的混合凸液，{CO（co（co））（co（l）（co（l）） oh} n，1，{[co（l）0.5（sda）]晶体X射线晶体学。复合物1 - 4是2D层，揭示了SQL，2,6L1，（4,4）IA和6L12的拓扑结构，并证明金属与配体比率，溶剂系统和反应温度在确定结构多样性方面很重要。将这些复合物浸入各种溶剂中表明结构类型控制了1 - 4的化学稳定性。可逆的结构转化显示在溶剂去除和吸附后的复合物1和2，而3和4的结构转化是不可逆的。
探索开放式识别的各种表示
打开集识别（OSR）要求模型对属于封闭设置的样本进行分类，同时在测试过程中拒绝未知样本。当前，生成模型通常比OSR中的判别模型更好，但是最近的研究表明，生成模型可能是计算在复杂任务上是不可行的或不稳定的。在本文中，我们提供了有关OSR的见解，并发现学习表达可以从理论上降低开放空间风险。基于分析，我们提出了一个新的模型，即多人注意融合（MEDAF），该模型以歧视性的方式学习了不同的表示。MEDAF由多个专家组成，这些专家以注意力多样性的正则化项为生，以确保注意力图互惠互机。每个前一个学到的逻辑都具有自适应融合，并用于通过分数函数识别未知数。我们表明，注意图的差异可能导致各种表示形式，以便融合的表示可以很好地处理开放空间。进行了实验，是根据标准和OSR大规模基准进行的。结果表明，所提出的鉴别方法可以在AUROC上胜过高达9.5％的生成模型，并实现新的最先进的效果，而计算成本很少。我们的方法还可以无缝整合现有的分类模型。代码可在https://github.com/vanixxz/medaf上找到。
Kaposi的肉瘤相关疱疹病毒（KSHV）LANA可防止KSHV inpoyomes
发展科学家长期以来，长期以来，中骑兵的新兴能力对社会世界和自我的深刻含义，在这里被称为超越思维，是一个标志性的发展阶段。在这项5年的纵向研究中，六十五名14-18岁的年轻人在心理上抓住社会故事的伦理，系统级别和个人含义，预测两个关键大脑网络的协调增长：未来会增加两个关键的大脑网络：默认模式网络，涉及反思，自动化和自动化学网络，并参与了专注于努力，专注于努力，专注于努力，专注于努力，涉及;发现独立于智商，种族和社会经济背景。这种神经发展预测了成年后期的身份发展，该发展预测了年轻成年的自我爱好和关系满意度，这是在发展的级联中。这些发现揭示了中级教育者神经发育的新颖预测指标，并提出了与青少年倾向的重要性，即通过在社会和个人相关性上对问题的复杂观点和情感进行积极的态度，例如通过公民志趣相投的教育方法。
大语模型中各种性别的心理健康污名 - 摘要
抽象的心理健康污名表现出不同的性别的不同表现，通常与女性相关，并被男性忽视。NLP中的先前工作表明，性别心理健康污名是在大型语言模型（LLMS）中捕获的。但是，在过去的一年中，LLM发生了巨大变化：更新的，生成的模型不仅需要不同的方法来衡量偏见，而且它们在社会上也广泛流行，与数百万用户互动并增加了使性别心理健康刻板印象永久存在的风险。在本文中，我们研究了gpt3.5-turbo中的性别健康污名，该模型为Openai受欢迎的Chatgpt提供动力。在先前工作的基础上，我们进行了定量和定性分析，以测量二元性别之间的GPT3.5-Turbo的偏见，并在有关心理健康的对话中探索其周围非二元性别的行为。我们发现，尽管gpt3.5涡轮增压是明确假定性别的，但当被要求完成有关心理健康的句子时，它仍然包含隐性的性别偏见，始终偏爱女性名字而不是男性名字。此外，尽管GPT3.5-Turbo表明了对非二元人经历的细微差别的认识，但在自由回答提示中，它经常对非二元性别认同的固定过度。我们的初步结果表明，虽然现代生成的LLM含有防御公然性别偏见的保障措施，并且在非二进制身份的包容性方面取得了进步，但它们仍然隐式地编码性别的心理健康污名，因此有可能在心理健康环境中危害有害的刻板印象。
建立一个强大而多样的数据科学界
在生物信息学，人工智能，临床信息学，云计算，统计，计算科学，软件设计和编程，生物信息学，可视化，机器学习，预测分析，超级计算，超级计算，建模和模拟，数字健康，数字健康，数据共享，数据分享以及网络范围和其他信息范围内，以及他们的信息，以及他们的信息，以及他们的信息，以及他们的信息，以及其他信息，以及他们的信息，以及他们的信息，以及他们的信息，以及其他信息，以及他们的信息，以及其他信息，以及他们的信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及他们的信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息，以及其他信息>创建后续研究
对脑电图分类的不同数据集进行预培训
脑电图（EEG）分类任务由于其高应用值而引起了人们的关注。同时，语言处理领域中一般培训模型的巨大成功激发了我们挖掘EEG预先训练模型的功能。该模型有望适应各种下游任务。但是，当前的研究要么忽略EEG信号中的时间或空间域，要么仅在预训练中使用单个数据集。提出的时间空间预测（TSP）模型有效地解决了这些问题。具体来说，TSP endoer的输出用作两个任务的输入：空间预测，即屏蔽的自动编码器和时间预测，即，contrastive的预测编码。此外，为了提供更多多样化的信息，从而使下游微调受益，我们将TRAIN TSP预先在具有四个不同数量的渠道的六个大型脑电图数据集上。在三个公共下游数据集种子，种子-IV，TUEV上结果表明，TSP在不同的EEG分类任务上实现了最先进的性能。此外，根据消融实验，TSP的性能优于单域方法，即时间预测（TP）模型和空间预测（SP）模型。