XiaoMi-AI文件搜索系统
World File Search SystemDomain
供应链管理域（SCM）
•开发和维护业务流程模型，业务交易模型，语义和内容的语法中性方式，以满足供应链和电子过程框架内的贸易和行业社区的要求。The supply chain and e-procurement covers the Purchasing, Material Management and Product development areas • approve based on the syntax neutral business transactions the corresponding UN/CEFACT syntax solutions provided by the UN/CEFACT Methodology and Technology group • encourage the active participation in SCM of interested user communities in Industry, Trade and Procurement, in accordance with UN/CEFACT membership criteria • maintain close relations with other UN/CEFACT groups as appropriate •促进和支持UN/CEFACT
我历代志（IT领域）
学生................................................................................................................................................. 57
摄像机-LLM系统的域适应技术
针对摄像机-LLM系统的域适应技术DOCAS AKINYELE，GODWIN OLAOYE日期：2024摘要：将来自相机的视觉数据与语言模型集成的视觉数据的摄像机模型（摄像头）对于各种应用至关重要，包括各种应用，包括实时图像字幕字幕，对象识别，对象识别，互动AI II系统。但是，这些系统通常由于域的变化而面临挑战 - 相机硬件的差异，环境条件和语言上下文变化。域适应技术通过使模型能够在培训和部署环境方面有效地跨不同领域执行，以解决此问题。本文探讨了与摄像机-LLM系统相关的关键领域适应技术。它涵盖了数据增强，功能一致性，对抗性训练，转移学习和生成模型。此外，它研究了这些技术如何减轻相机数据中变异性的影响并改善视觉输入和语言生成之间的交叉形态对齐。本文还讨论了诸如实时字幕，对象检测和AR/VR等应用程序，以及评估适应性绩效的评估指标。未来的方向指向多域适应性，自适应学习技术和人类在循环系统中。这些进步有望为真实应用程序提供更健壮和广义的摄像头系统。简介摄像机模型（摄像机-LLM）系统代表了视觉感知和自然语言理解的集成方面的重大进步。通过将通过相机捕获的图像数据与复杂的语言模型相结合，这些系统可实现一系列应用程序，从实时图像字幕和对象检测到交互式AI和增强现实体验。随着人工智能的能力继续增长，可以在各种环境中无缝运行的强大摄像头系统的需求变得越来越重要。
知识表示和人类机器人互动领域知识的互动学习
本文介绍了在人机协作背景下代表，推理和交互式学习领域知识的综合体系结构。答案集Prolog是一种非单调逻辑推理范式，用于用不完整的comsense域知识来表示和理由，为任何给定目标计算计划并诊断出意外的观察。基于ASP的推理还用于指导以前未知的动作的互动学习以及编码负担能力，动作前提和效果的公理。此学习将主动探索，反应性动作执行和人类（口头）描述的输入观察以及学习的动作和公理用于后续推理。在模拟机器人上评估了架构，该机器人协助人类在室内域中。
FedDG：通过连续频率空间中的情节学习对医学图像进行分割的联合域概括
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时，接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中，我们指出并解决了联合域的生成（FedDG）的新型问题设置，该设置旨在从多个分布式源域中学习联合模型，以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法，在持续频率空间（ELCF）中称为情节学习，通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布，我们进一步仔细设计了面向边界的情节学习范式，以将本地学习暴露于域分布变化，尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上，我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
生成数据集增强的域间隙嵌入
本文通过利用大型预训练模型来探讨合成数据的潜力，尤其是在面对分布变化时。al-尽管生成模型的最新进展已经阐明了跨分布数据发生的几项先前的作品，但它们需要模型调整和复杂的设置。为了绕过这些缺点，我们介绍了主要的g a a a a a a a a embeddings（doge），这是一个跨分布的插件语义数据augpection框架，几乎没有射击设置。我们的方法以潜在形式提取源和所需数据分布之间的差异，然后引导生成过程，以补充无数多种合成样本的训练集。我们的评估是在几个射击范式下进行亚种群偏移和三个领域适应方案进行的，表明我们的多功能方法改善了各个任务的性能，需要进行动手干预或复杂的调整。Doge铺平了毫不费力地生成遵循测试分布的现实，可转让的合成数据集的道路，从而加强了下游任务模型的现实世界效率。
无监督域适应性的对比度适应网络
深度神经网络的最新进展成功地改善了各种学习问题[40，8，26，19，20]。但是，对于监督学习，大量的训练数据仍然是学习准确的深层模型的关键。尽管可能可用于一些预先规定的域，例如ImageNet [7]，但对于每个临时目标域或任务而言，手动标签通常很难或昂贵。缺少IN-ININAIN标记的数据阻碍了在许多实际问题中拟合模型的应用。在没有来自目标域的标记数据的情况下，已经出现了无监督的域适应（UDA）方法，以减轻数据分布的域移动[2，1，1，5，37，30，18，3，3，17]。它与无监督的学习有关，因为它仅需要从源域和目标域的零标签手动标签。在最近关于UDA的工作，这是Long等人提出的开创性工作。[22，25]旨在最大程度地减少深神经网络中源和目标域之间的差异，在此，在该网络中，域差异通过最大值
抗纤连蛋白额外结构域 B 剪接变体抗体-...
摘要 ◥ 纤维连接蛋白的额外结构域 B 剪接变体 (EDB + FN) 是一种由肿瘤相关纤维母细胞沉积的细胞外基质蛋白 (ECM)，与肿瘤生长、血管生成和侵袭有关。我们假设 EDB + FN 是使用抗体-药物偶联物 (ADC) 进行治疗干预的安全且丰富的靶点。我们描述了针对 EDB + FN (EDB-ADC) 的 ADC 的产生、药理学、作用机制和安全性概况。EDB + FN 广泛表达于胰腺癌、非小细胞肺癌 (NSCLC)、乳腺癌、卵巢癌、头颈癌的基质中，而在正常组织中则受到限制。在患者来源的异种移植 (PDX)、细胞系异种移植 (CLX) 和小鼠同源肿瘤模型中，EDB-ADC 通过位点特异性技术与 auristatin Aur0101 结合，表现出强效的抗肿瘤生长抑制作用。在
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda