为了有效地满足我们在生活的不同领域的社会需求——无论是医疗保健还是工作表现,AI辅助系统必须融入并承认人类在做出决策和采取行动时所考虑的道德价值观和社会规范[1]。与Newell的[2]知识层面理论框架一致,该框架为AI代理的理性行为提供了指导,需要有原则的智能系统来明确反映和阐明AI代理解决问题的方法中的个人和社会价值观和规范。因此,人性在环是设计此类未来系统的核心要求。我们将人性化启发的AI系统定义为在知识层面融入表示和推理能力的系统,涵盖个人偏好和环境以及集体文化规范和价值观。使用人性在环概念作为核心设计要求取代了陈旧的人性在环概念,除了个人观点之外,还明确考虑了更广泛的社会文化观点。知识图谱 (KG) [3] 为人工智能系统的表示和推理能力提供了基础,以满足人性化在环的设计要求。
摘要 - 目标:结构性大脑图通常仅限于定义节点,因为灰质区域是地图集的,边缘反映了淋巴结对之间的轴突投影的密度。在这里,我们将脑面膜内整个体素集成为高分辨率,主题特定图的节点。方法:我们使用扩散张量和从扩散MRI数据得出的扩散张量和方向分布函数来定义局部素至素连接的强度。我们在人类连接项目的数据上研究图形的拉普拉斯光谱特性。然后,我们通过Procrustes验证方案评估Laplacian本征模的受试者间变异性的程度。最后,我们证明了通过图形信号处理的基本解剖结构来塑造功能性MRI数据的程度。结果:图形拉普拉斯特征模式表现出高度分辨的空间专题,反映了与主要白质途径相对应的分布模式。我们表明,这种高分辨率图的特征空间的固有维度仅仅是图尺寸的一部分。通过在低频图Laplacian eigenmodes上投射任务和静止状态数据,我们表明大脑活动可以通过一小部分低频组件来很好地近似。结论:所提出的图形在研究大脑时开放了新的途径,无论是通过图或光谱图理论探索其组织特性,或者通过将它们视为在单个层面上观察到大脑功能的支架。
图形结构的场景描述可以在生成模型中有效地使用,以控制生成的图像的组成。以前的方法基于图形卷积网络和对抗方法的组合,分别用于布局预测和图像生成。在这项工作中,我们展示了如何利用多头关注来编码图形信息,以及在潜在的图像生成中使用基于变压器的模型可以提高采样数据的质量,而无需在训练稳定性方面采用后续的对抗模型。所提出的方法,具体来说,完全基于用于将场景图编码为中间对象布局的变压器体系结构,并将这些布局解码为图像,通过矢量定量的变异自动编码器所学到的较低维空间。我们的方法在最新方法中显示出改进的图像质量,以及从同一场景图中的多代人之间的较高程度的多样性。我们在三个公共数据集上评估了我们的方法:视觉基因组,可可和CLEVR。我们在可可和视觉基因组上分别达到13.7和12.8的成立分数和52.3和60.3的FID。我们对我们的贡献进行消融研究,以评估每个组件的影响。代码可从https://github.com/perceivelab/trf-sg2im获得。
我们研究了在锤子图上定义的自由屈服模型的基础状态下的多部分信息和纠缠措施。使用邻接矩阵的已知对角线化,我们解决了模型并构建了基态相关矩阵。此外,当子系统由嵌入在较大较大的n个分离的子系统组成时,我们发现切碎相关矩阵的所有特征值。这些结果允许我们找到一个确切的公式,用于隔离图的纠缠熵以及相互和三方信息。我们使用这些措施的确切公式在两个不同的热力学限制中提取其渐近行为,并与数值计算相匹配。尤其是,我们发现纠缠熵承认对数违反该地区法的行为减少了与区域法规模相比的纠缠数量。©2023作者。由Elsevier B.V.这是CC根据许可证(http:// creativecommons .org /licenses /by /by /4 .0 /)的开放访问文章。由SCOAP 3资助。
对文献的综述深入研究了模糊图,直觉模糊图和中性粒细胞图的能量测量和决策过程之间的复杂相互作用。在图理论中,能量是用于测量结构特性并评估决策模型动力学的关键数量。考虑到涉及决策的上下文中能量测量的理论基础,计算技术和实际应用的理论基础,考虑到模糊,直觉模糊和中性粒细胞图模型所带来的特殊特征。本综述试图为希望使用能量度量的研究人员和从业者提供彻底的理解,以在这些特定图形拓扑结构中综合先前的研究中,以设置这些特定图形拓扑内包含的不确定性。
在标准信号处理中,采样理论指出,以高于奈奎斯特速率采样的带限信号可以完美重建。这一重要特性是欧几里得信号采样的基石。然而,当信号定义在更复杂的域上时,自适应采样策略的设计仍然是一个活跃的热门话题。为了处理位于不规则域上的信号,图信号处理 (GSP) [1, 2] 已成为标准方法的有力替代方案。在这种形式化中,图定义了一个支持,信号(现在称为图信号)在此支持上定义。这允许捕获信号演变的结构,从而提供比单独考虑信号更多的信息。通过将信号处理的概念和工具推广到图上记录的信号,GSP 已证明其在滤波 [3]、重构 [4] 和采样 [5] 等许多任务中都取得了成功。对于后者,在单变量情况下提出的一个想法是利用其底层图,从某些节点的测量中重建图信号。这种称为图采样集选择(或子集采样)的方法现在已得到充分研究 [6, 7, 8]。例如,(在无噪声设置下)假设图信号是带限的,可以证明随机选择合理数量的样本/节点足以以高概率实现完美重建 [9]。不幸的是,此类方法存在一些主要局限性。首先,到目前为止,大多数文章都集中在单变量信号上。然而,GSP 中最近的出版物主张需要多域图信号处理,以便处理张量数据或矢量数据 [10, 11]。事实上,在传感器网络等多个应用环境中,数据流被记录为在网络上演变的多变量时间序列,从而定义至少
背景和动机:离散动力系统是研究网络中扩散现象的形式化模型。这些模型的应用领域包括社会传染(例如信息、观点、时尚、流行病)的研究和能源需求建模(例如太阳能的适应)(Adiga 等人 2019 年;Chistikov 等人 2020 年;Ogihara 和 Uchizawa 2020 年;Gupta 等人 2018 年)。非正式地说,这样的动力系统 4 由一个底层(社会或生物)网络组成,每个节点都有一个来自域 B 的状态值。在本文中,我们假设底层图是有向的,域是二进制的(即 B = { 0,1 } )。传染病的传播由一组布尔局部函数建模,每个节点一个。对于任何节点 v ,v 处的局部函数 fv 的输入是 v 的当前状态及其邻居(即,v 具有传入边的节点)的状态,而 fv 的输出是下一时刻 v 的状态。我们考虑同步更新模型,其中所有节点都评估其局部函数并并行更新其状态。这些动力系统在文献中被称为同步动力系统 (SyDS)(例如,(Adiga 等人 2019;Rosenkrantz 等人 2018))。在涉及系统生物学的应用中,这样的系统也称为同步布尔网络(例如,(Kauffman 等人 2019))。
摘要:我们开发了一个用于图形着色的算法框架,该框架降低了问题以验证独立集的局部概率属性。,对于任何固定的k≥3和ε> 0,我们给出了一种最大程度∆的颜色图的随机多项式时间算法,其中每个顶点在长度k的大多数t副本中都包含在长度k的大多数t副本中,其中1≤t≤t≤t≤t≤t≤t≤t≤x的2ε1 +2ε /(log ∆)2,firs with pogirate ungimanter。这统一,概括和改进了几个值得注意的结果,包括Kim(1995)和Alon,Krivelevich和Sudakov(1999),以及Molloy(2019)和Achlioptas,Ilioopoulos和Sinclair(2019)的近期结果。由于随机的常规图,色数上的结合到渐近因子2,因此我们的工作与著名的算法屏障相吻合,以着色随机图,大大扩展了符合此屏障的图形着色算法的范围。
观察数据的因果效应估计是经验科学中的基本任务。当没有观察到的混杂因素参与系统时,这变得特别具有挑战性。本文着重于前门调整 - 一种经典技术,使用观察到的调解人即使在存在未观察到的混杂的情况下,也可以识别因果关系。虽然在前门估计的统计特性众所周知,但长期以来其算法方面尚未探索。In 2022, Jeong, Tian, and Bareinboim presented the first polynomial-time algorithm for finding sets satisfying the front-door criterion in a given directed acyclic graph (DAG), with an O ( n 3 ( n + m )) run time, where n denotes the number of variables and m the number of edges of the causal graph.在我们的工作中,我们给出了第一个线性时间,即O(n + M),该任务的算法,因此达到了渐近最佳的时间复杂。此结果意味着所有前门调整集的O(n(n + M))延迟枚举算法,再次将先前的工作提高了n 3。此外,我们提供了第一个线性时算法,用于查找最小的前门调整集。我们在多种编程语言中提供了算法的实现,以促进实际用法并验证其可行性,即使对于大图。