XiaoMi-AI文件搜索系统
World File Search SystemGenerative
sangea：可扩展和归因网络生成
深层生成模型（DGM）是用于学习数据表示的多功能工具，同时合并了域知识，例如条件概率分布的规范。最近提出的DGMS解决了比较来自不同来源的数据集的重要任务。这样的示例是对比分析的设置，该分析的重点是描述与背景数据集相比富含目标数据集中的模式。这些模型的实际部署通常假定DGM自然推断出可解释的和模块化的潜在表示，这在实践中是一个问题。因此，现有方法通常依赖于临时正规化方案，尽管没有任何理论基础。在这里，我们通过扩展非线性独立组件分析领域的最新进展，提出了对比较DGM的可识别性理论。我们表明，尽管这些模型在一般的混合功能上缺乏可识别性，但当混合函数在零件上时，它们令人惊讶地变得可识别（例如，由Relu神经网络参数化）。我们还研究了模型错误指定的影响，并从经验上表明，当未提前知道潜在变量的数量时，以前提出的用于拟合比较DGM的正则化技术有助于识别性。最后，我们引入了一种新的方法，用于拟合比较DGM，该方法通过多目标优化改善了多个数据源的处理，并有助于使用约束优化以可解释的方式调整正规化的超参数。我们使用模拟数据以及通过单细胞RNA测序构建的细胞中的遗传扰动数据集以及最新的数据集验证了我们的理论和新方法。关键字：非线性ICA；深层生成模型；变分推断；解开；
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。
生成式人工智能的建议教学大纲语言
• 鼓励学生利用技术，包括生成式 AI 工具，来加深对课程材料的理解。• 学生可以在本课程中使用人工智能工具（包括生成式 AI）作为学习辅助工具或帮助完成作业。但是，学生最终要对他们提交的作业负责。• 学生必须将人工智能工具生成的任何内容以及用于生成内容的提示作为作业的附录提交。• 人工智能工具生成的任何内容都必须适当引用。许多发布标准引用格式的组织现在提供有关引用生成式 AI 的信息（例如 MLA：https://style.mla.org/citing-generative-ai/ ）。• 学生可以选择在完成本课程的作业时使用生成式 AI 工具；此用途必须记录在每个作业的附录中。文档应包括使用了哪些工具、如何使用它们以及如何将 AI 的结果纳入提交的作品中。
引用Mitzenmacher，迈克尔。 2001年。幂定律和对数正态分布的生成模型的简要历史。哈佛计算机科学集团T
使用条款本文从哈佛大学的DASH存储库下载，并根据适用于其他已发布材料（LAA）的条款和条件提供，如https://harvardwiki.atlassian.net/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/ngy/ngy/ngy5ngy5ndnde4zjgzndnde4zjgzntc5ndndndgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgiamsfyytytewy
开放式对象检测的生成区域训练
在最近的研究中，已对开放式摄制对象检测任务进行了大量关注，旨在概括训练期间标记的类别的有限级别，并检测推理时任意类别名称所描述的对象。与常规对象检测相比，打开的词汇对象检测在很大程度上扩展了对象检测类别。但是，它依赖于计算图像区域与一组具有验证视觉和语言模型的任意类别名称之间的相似性。这意味着，尽管具有开放式的性质，但该任务仍然需要在推理阶段的预定义对象类别。这提出了一个问题：如果我们在推理中对对象类别没有确切的了解，该怎么办？在本文中，我们称之为新的设置为生成性开放式对象检测，这是一个更普遍和实际的问题。为了解决它，我们将对象检测形式为生成问题，并提出了一个名为generateu的简单框架，该框架可以检测密集的对象并以自由形式的方式生成其名称。尤其是，我们采用可变形的DETR作为区域促成生成器，其语言模型将视觉区域转换为对象名称。为了评估自由形式的对象划分任务，我们介绍了一种评估方法，旨在定量测量生成量的性能。广泛的实验表明我们的生成量强烈的零射击性能。代码可在以下网址获得：https：//github.com/foundationvision/generateu。例如，在LVIS数据集上，我们的GenerateU在推理过程中属于类别名称，即类别名称无法看到类别名称，即使类别名称看不见类别名称，我们的GenerateU也可以与开放式唱机对象检测方法GLIP相当。
了解生成人工智能及其与版权的关系
LLM 在一个过程中逐字生成较长的文本。为了生成每个单词，LLM 根据前面的上下文为英语词汇表中的每个单词分配一个概率。上下文最初是我给系统的提示，然后通过添加 LLM 到那个时间点生成的每个单词来扩展。该模型不是取最有可能的单词，而是根据其可能性随机“采样”下一个单词。图中单词的颜色表明模型认为它在前面的上下文中出现的可能性有多大。“accomplished” 一词被涂成红色，因为模型认为它是低概率的延续，在前面的上下文中可能性小于 1%。以下是它可以选择的其他更高概率的单词，而不是输出“accomplished”：
在教育中利用生成AI的指南2024
最新的生成人工智能（生成AI）的快速发展对我们所有人都产生了深远的影响，不仅影响了我们的日常生活，还影响了大学内的教育和研究的景观。Tsukuba大学建立为新的概念大学，预计将对学术界内的这种变革性变革开放，采取开放态度，并以创造性和开放的思想态度来塑造可持续的未来社会。在这种情况下，在2023年5月11日，我们发表了“在Tsukuba University使用生成AI的基本政策”，并继续进一步探索这个问题。符合我们通过高级学术追求培养人才的使命，我们现在采取以下方法来先发行生成AI，如下：
检查用户界面对信任和与生成ai
本文研究了不同的用户界面（UI）设计如何影响用户对生成人工智能（AI）工具的信任。我们采用了OZ方法的向导来测试具有不同UI CHATGPT不同UI变化的三种工具的信任水平的实验。来自不同学科的九名志愿大学学生参加了会议。我们使用问卷来评估参与者与每个工具进行交互后以及与所有工具进行交互后对信任的看法。结果表明，参与者之间的信任水平受生成AI的UI设计的影响，尤其是Avatar设计和文本字体。尽管共享相同的文本源，但大多数参与者还是将CHATGPT评为最值得信赖的工具。结果还强调了对话界面在使用生成AI系统建立信任中的重要性，参与者表达了偏爱促进自然和引人入胜的互动的接口。该研究强调了UI对信任的重大影响，并旨在鼓励对生成AIS的更谨慎的信任。
通过零件式层次结构消息传递
生成的3D部分组装涉及了解零件关系，并预测其6-DOF姿势，用于组装逼真的3D形状。先前的工作通常集中在各个部分的几何形状上，忽略了整个物体的零件。利用两个关键的观察：1）超级部分姿势提供了有关零件姿势的强烈提示，而2）由于较少的超级部分，预测超级零件的姿势更容易，我们提出了一个零件 - 整个层次结构消息传递网络，以实现有效的3D零件组件。我们首先通过在没有任何语义标签的情况下对几何相似部分进行分组，从而引入超级零件。然后，我们采用零件整体的层次编码器，其中超级零件编码器预测基于输入部分的潜在超级零件姿势。随后，我们使用潜在姿势转换点云，将其馈送到零件编码器中，以汇总超级零件信息和有关零件关系的推理以预测所有部分姿势。在培训中，仅需要地面零件姿势。在推断期间，超级零件的预测潜在可增强可解释性。Partnet数据集上的实验结果表明，我们的方法可以部分地达到最新的功能和连接精度，并实现可解释的层次结构组件。代码可在https://github.com/pkudba/3dhpa上找到。
人工智能和生成式人工智能使用政策
o 沟通支持：实时生成文本或响应，帮助有言语或沟通障碍的员工。 o 转录：使用人工智能转录服务，在会议和通话期间为有笔记困难或听力障碍的员工提供实时字幕。 o 文档可访问性：利用人工智能驱动的屏幕阅读器和文本转语音应用程序，帮助有视觉障碍的员工访问数字内容。 o 内容创建：协助起草和编辑文档、电子邮件和报告，特别是针对患有阅读障碍、注意力缺陷多动症或学习障碍的人。 o 任务自动化：自动执行重复性任务，让有身体残疾的员工专注于工作中更具战略性的方面，并帮助那些有疲劳相关疾病的人管理能量水平。 o 决策支持：提供数据驱动的见解以协助决策，帮助有认知障碍或神经发散的员工更有效地处理信息。 ● 非残疾员工使用：非残疾员工可以使用人工智能工具来提高他们的效率和生产力。这些工具应该用来补充他们的工作，