XiaoMi-AI文件搜索系统
World File Search SystemExpressive
空间复杂性中的光的分布
书面文字。最长的采访被转录为11,380个单词。转录访谈后，通过第一次搜索与研究问题相关的陈述并解释了问卷的答案，从而选择了报价的选择。在材料中，发现357个引号是特征性的，并且特定于以下分析。接下来，选择被组织为主题。陈述。最后，为本文选择了最常见，表达和最好的解释性引文。当几个参与者以类似的方式解释他们的经历时，尽管他们只是少数参与者这样做的，但这也加强了结果。同样，如果某些参与者表达了一种意见（例如，房间很大），而另一些参与者则表达了一个具有相同含义的想法，但以一种反向的方式（例如，在这种情况下，房间并不小），则假设得到了加强。
听觉和语言的解剖学和生理学
• 言语发音，包括发音、运动计划和执行、音系学和口音矫正 • 流畅性和流畅性障碍 • 声音和共鸣，包括呼吸和发声 • 接受性语言和表达性语言，包括音系学、形态学、句法学、语义学、语用学（语言使用和交流的社会方面）、语言前交流（如手势、符号、肢体语言）以及说、听、读、写的能力 • 听力，包括对言语和语言的影响 • 吞咽/喂食，包括（a）颌面肌的结构和功能和（b）口腔、咽喉、肺、食道、胃肠道和生命周期内的相关功能 • 沟通的认知方面，包括注意力、记忆力、排序、解决问题和执行功能 • 沟通的社会方面，包括挑战性行为、无效的社交技能和缺乏沟通机会 • 辅助和替代沟通方式
在数据探索中平衡熟悉度和好奇心与深度强化学习
能够在探索性数据分析（EDA）中找到一组记录（EDA）的能力，以取决于数据集中对象的散射以及用户对数据的了解及其表达需求的能力。这产生了各种EDA方案和解决方案，它们在向用户提供的指导上有所不同。在本文中，我们研究了建模的好奇心与熟悉程度（DRL）（DRL）和表达数据探索操作员之间的相互作用。我们将好奇心形式化为固有的奖励和熟悉，作为外在奖励。我们研究了为这些奖励所学的几个政策的行为。我们在SDSS上进行的实验，一个非常大的天空调查数据集1提供了几种见解，并证明需要更深入地检查DRL和数据探索操作员，而这些探索者超越了钻孔和滚动。
尽快：对模拟和现实世界进行一致学习敏捷的人形全身技能
训练补偿动力不匹配的三角洲（残留）动作模型。然后用Delta动作模型集成到模拟器中，以ASAP微调进行预训练的策略，以有效地与现实世界动力学对齐。我们在三种转移方案中尽快评估了ISAACGYM到Isaacsim，Isaacgym到Genesis和Isaacgym，以及真实世界的G1人类人体机器人。我们的方法显着提高了各种动态运动的敏捷性和全身协调，与Sysid，DR和Delta动力学学习基准相比，跟踪误差减少了。尽快实现了以前难以实现的高度敏捷运动，这证明了在桥接模拟和现实世界动力学中的三角洲动作学习的潜力。这些结果表明，可以开发出更具表现力和敏捷的人形生物的有希望的SIM到真实方向。
键入的符合人物的键 - 与学生合格 -
摘要：背景：智障儿童（ID）在空间任务中产生的手势很少被考虑，尽管它们在思想的形成中具有支持作用。目的：在这项研究中，我们分析了手势的数量，手势的类型及其在具有ID学生知识的表达中的作用。方法：ID和40名学生在视觉空间级别（n = 20）和语言水平（n = 20）的20名学生（12-17岁）参加了研究。结果：与典型同龄人（TD）相比，具有ID的学生与所说的单词数量相关的手势更大。三十％的具有ID的学生的表达沟通仅来自手势，而60％的回答至少包含一个手势。最后，任务难度级别越高，学生做出的手势越多。
基于人性化的电脑游戏界面设计
摘要：随着计算机和图形技术的发展，电子游戏应运而生。电子游戏是指使用电子元器件组装起来的设备作为运行平台的游戏。计算机界面设计中的人机交互是游戏的重要组成部分，其功能也能给玩家带来一定的愉悦感。电子游戏是通过控制电子游戏设备与电子游戏进行交互的游戏方式。交互其实就是对计算机的输入和对用户的输出的过程。由于输入输出的方式多种多样，交互的方式也是多种多样的。这个概念是相对于被动的娱乐形式而言的，看电视、看书、看电影都是被动的娱乐形式，在这些方式中，娱乐是表现性的，观众只能被动地参与。本文从计算机游戏界面的概念入手，阐述了游戏界面设计中交互性的概念、组成、功能和意义。
不确定性策略及其在策略逻辑中的细化
非确定性策略是指在给定博弈历史的情况下，分配一组可能采取的行动（或协议或计划）的策略，这些行动都应该是获胜的。一个重要的问题是改进此类策略。例如，给定一个仅允许安全执行的非确定性策略，对其进行改进，最终达到期望的状态。我们表明，涉及策略改进的战略问题可以在战略逻辑 (SL) 框架中得到优雅的解决，这是一种非常富有表现力的推理战略能力的逻辑。具体来说，我们引入了具有非确定性策略的 SL 扩展和一个表达策略改进的运算符。我们表明，与标准 SL 相比，模型检查此逻辑可以在不增加计算成本的情况下完成，并且可用于解决各种问题，例如最大允许策略或最大允许纳什均衡的合成。
人工智能生成的音乐知识案例
摘要 机器学习模型的可解释性越来越受到人工智能 (AI) 和人机交互 (HCI) 社区研究人员的关注。现有的大多数工作都侧重于决策，而我们考虑知识发现。具体来说，我们专注于评估人工智能在艺术和人文学科中发现的知识 / 规则。从特定场景出发，我们提出了一种实验程序来收集和评估人类对人工智能生成的音乐理论 / 规则的口头解释，这些解释呈现为复杂的符号 / 数字对象。我们的目标是揭示在解码来自人工智能源的表达性信息的过程中存在的可能性和挑战。我们将此视为迈向 1) 更好地设计人类可解释的人工智能表示和 2) 评估人工智能发现的知识表示的可解释性的通用方法的第一步。