XiaoMi-AI文件搜索系统
World File Search SystemHinton
生物计算的太平洋研讨会2025
2025标志着生物计算的第30届太平洋研讨会（PSB）！一如既往，我们聚集在大岛上，分享生物计算的最新进展和挑战。为了纪念第30 psb，我们很高兴能在会议上介绍会议的历史和科学影响以及该领域。我们希望您同意PSB的影响远远超出了相对较小的年度会议的期望。有人建议，在过去几年中，人工智能（AI）的兴起可能是“炒作”，而人工智能的承诺和影响被夸大了。我们同意，在某些领域，对AI的承诺和影响的讨论可能是双曲线的。但是，似乎毫无疑问，AI对科学和工程的影响是深远的，并且已经以明确的方式加速了发现。一个人只需要看2024年的诺贝尔奖奖品，在该奖项中，他们因其在AI的开创性工作而获得了奖励。在物理学中，杰弗里·欣顿（Geoffrey Hinton）和约翰·霍普菲尔德（John Hopfield）被认可为“基本发现和发明，可以通过人工神经网络进行机器学习。”在化学方面，大卫·贝克（David Baker）被认可为“计算蛋白设计”，而Demis Hassibis和John Jumper则被认可为“用于蛋白质结构预测”。当然，奖项正确地授予了科学家，但该奖项也说明了AI对科学的力量和影响。，功能的转变不仅限于化学和物理，而是扩展到科学和工程的所有领域。PSB社区庆祝了这个令人兴奋的加速能力时期。每个字段都在利用可以在人类身上找到模式的工具，并且可以根据大型数据集中潜在关系的深度统计模型生成新颖的输出。对今年会议上的会议的快速审查表明，在精确医学，医学通信，基因组学，成像和健康公平中，AI和机器学习的重要用途是在这些关键领域的进步。我们的社区没有从事炒作，而是负责使用惊人的电动工具，这使我们能够继续解决生物学和医学面临的最紧迫问题。接下来的三十年有望像前三十年一样令人惊奇！
技术支持的护理：为患者联系和提供护理创造新的机会
1. 沃尔格林研究于 2022 年 3 月进行。对 2,502 名消费者受访者进行的技术支持型在线护理调查。 2. Chandrasekaran R、Katthula V、Moustakas E。美国成年人使用可穿戴医疗设备的使用模式和关键预测因素：来自全国调查的见解。J Med Internet Res。2020；22(10)：e22443。doi:10.2196/22443 3. 2020 年，数字医疗领域的风险投资增长 66%，筹集资金创下 148 亿美元的纪录。Mercom Capital Group 网站。2021 年 1 月 6 日。2022 年 6 月 22 日访问。https://mercomcapital.com/venture-funding-digital-health-sector-2020 4. 人口变化和人口老龄化。农村健康信息中心网站。访问时间：2022 年 6 月 22 日。https://www.ruralhealthinfo.org/toolkits/aging/1/ 人口统计 5. Jacobsen L、Kent M、Lee M、Mather M。美国老龄化人口。人口参考局；2011 年 2 月：2。第 66 卷，第 1 期。访问时间：2022 年 6 月 22 日。https://assets.prb.org/pdf11/aging-in-america.pdf 6. IHS Markit Ltd. 医生供需的复杂性：2019 年至 2034 年的预测。美国医学院协会；2021 年 6 月：viii。访问时间：2022 年 6 月 22 日。https://www.aamc.org/media/54681/download 7. Miller M. 美国护理的未来：需求高，工人稀缺。路透社网站。 2017 年 8 月 3 日。2022 年 6 月 22 日访问。https://www.reuters.com/article/us-column-miller-caregivers-idUSKBN1AJ1JQ 8. Baernholdt M、Yan G、Hinton I、Rose K、Mattos M。65 岁及以上农村和城市成年人的生活质量：国家健康和营养检查调查结果。《农村健康杂志》。2012；28(4):339–347。doi:10.1111/j.1748-0361.2011.00403.x 9. 农村报告：农村社区面临的挑战以及确保当地获得高质量、可负担医疗服务的路线图。美国医院协会；2019 年 2 月：5。访问日期：2022 年 6 月 22 日。https://www.aha.org/system/fles/2019-02/rural-report-2019.pdf
改善使用专家先验的机器学习的贝叶斯优化
这篇论文以及我超越了它的所有工作，都是我收到的令人难以置信的指导和支持的产物，以及我整个学术界都建立了持久的友谊。我不能充分强调生活中人们启发我的多种方式。对这些人，我表达了我最深切的感激之情。首先，我绝对必须承认我的主管理查德·泽梅尔（Richard Zemel）。Rich无论多么愚蠢，Rich都会毫不犹豫地接受一个新的想法。他会很高兴地跳入一个新的未知领域的深处，成为一名专家，并通过出色的建议帮助我。除此之外，Rich是一个令人难以置信的榜样。他以极大的谦卑来承担自己的态度，并尊重周围的每个人。我很幸运有机会与他合作，我希望在我的职业生涯中，我甚至可以像他一样成为一位好导师。我要感谢我的监督委员会，Geo Que Rey Hinton和Brendan Frey在我的学位上提供了出色的反馈和支持。我有幸与布伦丹（Brendan）合作进行了多个项目，并且总是因他不断的热情和敏锐的想法而充满活力。我很幸运能够与Geo Q.合作。他的直觉和对任何问题的核心见解的能力令人震惊，但更重要的是他的慷慨和他对待周围的人的方式。我也很幸运能够与许多优秀的教授一起工作，包括Sanja Fidler，Toniann Pitassi，Ruslan Salakhutdinov和Raquel Urtasun。我还要感谢我的外部审查员Max Welling对本文的周到和有见地的评论。我很幸运能在学位期间拥有其他几位出色的导师。早些时候，我与丹尼·塔洛（Danny Tarlow）合作，他帮助我建立了研究势头，并在工作中达到了新的成熟水平。后来，我与Jasper Snoek合作，Jasper Snoek的工作道德，新颖的见解和自制啤酒导致了构成本论文基础的论文。在所有这些过程中，我很荣幸能够与瑞安·亚当斯（Ryan Adams）合作，瑞安·亚当斯（Ryan Adams）负责我在贝叶斯优化方面的大部分工作。瑞安继续以他的广度和知识以及他的仁慈和敏感性使我感到惊讶。我要感谢我的前顾问Nando de Freitas，他将我带入了机器学习的世界，并在硕士学位期间为我提供了建议，在我毕业后将我带回了机器学习的世界，并一直是今天的好朋友。也许我在学术界期间最大的方面是我与之合作，与之交往和处理的一群朋友。这些人毫无意义，聪明，真诚，并驱使我将标准设置为尽可能高的标准。
如何引用本文Sandougah K，Alsywina N，Alghamdi H K等。 （2025年2月17日）评估Arti
系统需要大量数据（也称为大数据）进行培训[2]。高质量的标签和代表性现实生活数据需要创建机器学习或深度学习算法以防止系统偏见。未能遵循这一基本规则可能会产生不可靠的发现[3]。这类似于基于合成数据的使用[4]，对癌症患者的护理建议的建议类似。由于可以检索和用于训练的许多诊断成像方式（例如X射线，超声，CT，MRI等）的大量数据（例如X射线，超声，CT，MRI等），因此放射学在AI算法的开发中起着至关重要的作用。因此，预计AI不仅会影响传统的放射学过程（例如图像解释），还会影响临床决策支持系统和结构化报告[2]。可以改善放射科医生的实践，因为基于AI的工具可用于更有效地完成费力，重复性的活动和阅读时间[1]。为了使放射科医生对AI的基本理解，欧洲放射学会（ESR）产生了一份白皮书[5]。这些进步的其他用途包括在紧急情况下自动鉴定气胸，出血，肾结石和异物的病例，可帮助放射科医生在诊断过程中进行诊断，并提高其准确性[6]。人机互动将成为所有医生的关键能力，必须纳入医学教育。根据文献上发表的几项研究，基于AI的应用程序不会代替放射科医生目前的角色。相反，它们将增强放射学服务和放射学家的表现[1]。将来医学的问题是在使用AI工具时可以进行质量检查[3]。然而，正如人工神经网络的著名杰弗里·欣顿（Geoffrey Hinton）所说，AI的使用是放射学领域的发展领域，这可能是对专业诊断放射学家[7]的威胁[7]，因为远程放射学，3D印刷，在放射学中实施人工智能训练和其他放射性训练[7]，并且是训练有素的测试。至关重要的是要确保当前的临床从业人员鉴于正在进行的AI革命，对这项技术的状态和潜力了解。关于AI将如何影响临床实践的错误信息可能导致不利的态度和不明智的职业决定。因此，在整个过渡期间，至关重要的是，为临床医生提供准确，公正和当前的信息至关重要。从这个角度来看，评估临床医生对AI的潜在应用的感觉至关重要。因此，这项研究的目的是评估医师在放射学中使用AI的感觉[8]。
测试分子云范式从SNR G106.3+2.7
R。Alpharo 1，C。Alvarez 2，J。C. Art 3，D。Avila Royals Cup 6 6，A。Carramañana7，St。Casanova8，U.Cotsi 3，J.Cotsomi 9，St.Leon 10，E Hernandez 7，E Hernandez 7，B.L.Dingus 14，B.L.Dingus 14，M。A。Duvernois 10，K。Duvernois 10，K。Endel 15，K。Ergina 5，C。escino 5，t.10，k。escino，c。esc. esc. c。esc。A. Gonzalez Garcia 16，F。Garf 6，M。M. Conccert 6，J。 A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J. J. A. Matthews 21，P。Miranda-Romagno 22，J。 A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。 声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。A. Gonzalez Garcia 16，F。Garf 6，M。M. Conccert 6，J。A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J. J.A. Goodman 15，St.Groetsch 17，J。P。Hüntemeyer17，St.Kaufmann 18，D。Kieda25，W。Lee6 6 6 6 19，H。LeóVargas1，J。T。Linnemann J. Martin-Castro 20，J。J.A. Matthews 21，P。Miranda-Romagno 22，J。 A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。 声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。A. Matthews 21，P。Miranda-Romagno 22，J。A. Monttes 6，E。一起9，M。Mostafaá27，M。Najafi 17，L。Nellen 23，M。U. Nice 5，L。Olivera 12，N。Omodei 13，C。D. Rho 24，D。Rosary 7，H。Salazar 9，H。Salazar 9，D。Salazar-Gallo 5，D。Salazar-Gallo 5，A。Sandaval 1，M.Shandaval 1，M.Sm. Smith 1，J。声音19，R。W。Springer 25，Wang 17，Z. Wang 15，I。J。Watson 19，E。Willox15，S。
深度学习与人工智能
不受位置变化的影响。生物控制论，36（4），193-202。 https://doi.org/10.1007/BF 00344251 Goodfellow, I.、Bengio, Y. 和 Courville, A. (2016)。深度学习。麻省理工学院出版社。 （Schmidt、I. Schiffman、Y. Schaefer、A. 化学工程师和仪器仪表（2018）Graves、A.、Wayne、G. 和 Danihelka、I.（2014）。神经图灵机。 arXiv。 Ha, D. 和 Schmidhuber, J. (2018)。世界模特。 arXiv。 https://arxiv.org/abs/1803.10122 Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., Liu, Z., Tang, Y., Xiao, A., Xu, C., Xu, Y., Yang, Z., Zhang, Y., & Tao, D. (2020 年)。关于视觉变压器的调查。 arXiv。 https://arxiv.org/abs/2012.12556 Higgins, I., Amos, D., Pfau, D., Racaniere, S., Matthey, L., Rezende, D., 和 Lerchner, A. (2018)。迈向解开表征的定义。 arXiv。 https://archiv. org/abs/1812.02230 美国国立卫生研究院（AI）（2020 年）。 2020 年人工智能市场：5 年历史的人工智能创新和 5 年历史的临床试验 LeCun, Y., Bengio, Y., & Hinton, G. (2015 年)。深度学习。自然，521，436-444。 http://dx.doi.org/10.1038/nature 14539 Mansimov, E., Parisotto, E., Ba, JL 和 Salakhutdinov, R. (2015)。利用注意力机制根据标题生成图像。 arXiv。 https://archiv.org/abs/1511.02793 纽约（2015 年）。 我的一位朋友是角川家族的成员（2016年）（2016年）。 http://dx.doi.org/10.1037/0033-295X.101.1.13 McCulloch, WS 和 Pitts, W. (1943)。神经活动中蕴含的观念的逻辑演算。数学生物物理公报，5（4），115-133。 https://doi.org/10.1007/BF02478259 Nakkiran, P.、Kaplun, G.、Bansal, Y.、Yang, T.、Barak, B. 和 Sutskever, I. (2019)。深度双重下降：更大的模型和更多的数据会带来危害。 arXiv。 https://arxiv.org/abs/ 1912.02292 Perez, J.、Marinkovic, J. 和 Barcelo, P.（2019 年 5 月 6-9 日）。论现代神经网络架构的图灵完备性。 ICLR 2019：第七届学习表征国际会议。路易斯安那州新奥尔良。美国。 Radford , A.、Kim , JW、Hallacy , C.、Ramesh , A.、Goh , G.、Agarwal , S.、Sastry , G.、Askell , A.、Mishkin , P.、Clark , J.、Krueger , G. 和 Sutskever , I. (2021)。从自然语言监督中学习可转移的视觉模型。 arXiv。 https://arxiv.org/abs/2103.00020 Ramachandran, P., Zoph, B., 和 Le, QV (2017)。寻找激活函数。 arXiv。 https://arxiv.org/abs/ 1710.05941 Razavi, A., van the Word, A. 和 Vinyals, O. (2019)。使用 VQ-VAE-2 生成各种高保真图像arXiv。 https://arxiv.org/abs/1906.00446 Reed, S.、Akata, Z.、Yan, X.、Logeswaran, L.、Schiele, B. 和。
回顾人工智能（AI）的工作作为......
艾哈迈达巴德摘要：- 神经科学和人工智能 (AI) 领域有着悠久而交织的历史。然而，近年来，这两个领域之间的交流和合作变得不那么传统了。在本文中，我们讨论了更好地理解生物大脑可能在构建智能机器方面发挥至关重要的作用。然而，我们调查发现，人工智能和神经科学领域之间的历史互动强调了人工智能的当前进展，这些进展受到人类和其他动物神经计算研究的启发。我们通过强调主题来得出结论，这些主题一直是推动这两个领域未来研究的关键。过去几十年，自动化技术取得了重大进展，如今系统化了以前需要人类身体和心理能力的各种任务。尽管如此，一些重要的问题领域仍然存在，我们目前的机器和计算机还无法处理。一些突出的例子是涉及“现实世界”感知、情况评估和决策任务的应用程序。最近，研究人员建议使用“类脑人工智能”的概念，即受人类或动物大脑功能原理启发的概念，以进一步解决这些领域的问题。本文讨论了类脑人工智能在创新自动化解决方案中的潜力，并回顾了与维也纳技术大学 ICT 智能自动化小组共同开发的多种方法，这些方法针对“现实世界”感知、情况评估和决策等主题，用于构建自动化环境和自主代理。此外，通过一个具体的例子展示了这些发展如何有助于推动脑科学领域的技术进步。近年来，一些研究已经深入了解了大脑的功能，大脑由神经元组成，并通过突触相互连接形成网络。神经网络由相互连接的神经元系统形成，主要有两种类型，即人工神经网络 (ANN) 和生物神经网络 (互连的神经细胞)。ANN 在计算上受到人类神经元的影响，并用于模型神经系统。 ANN 的推理基础在医学领域（如即时医生、电子鼻、模式识别和模型生物系统）的差异检测中非常有用。人工智能领域的先进研究用于研究人类大脑的结构，试图通过研究大脑来建立系统模型，而不是着眼于大脑模型技术。本研究探讨了 ANN 作为生物神经元模拟器的概念及其应用领域。它还通过将神经网络与当代计算机及其现代实现进行比较，探讨了为什么需要类脑智能以及它与计算框架有何不同。 关键词——人工神经网络、人工智能、类脑人工智能、认知自动化、机器感知、识别和决策。 I 引言 近代以来，神经科学和人工智能（AI）相关领域取得了迅速发展。在计算机时代的黎明，人工智能的工作与神经科学和心理学密不可分，许多早期的先驱者在这两个领域都有所重叠，这些学科之间的合作被证明是非常富有成效的（Church land 和 Sejnowski，1988；Herb，1949；Hinton 等人，1986；）[1][2][3]。然而，随着这两个学科在计算方面都得到了巨大的发展，这种互动每天都在减少。
人工智能与人类交互舒适度研究
[1] Michael Ahn、Anthony Brohan、Noah Brown、Yevgen Chebotar、Omar Cortes、Byron David、Chelsea Finn、Keerthana Gopalakrishnan、Karol Hausman、Alex Herzog 等人。2022 年。尽我所能，不要照我说的做：为机器人可供性奠定语言基础。arXiv 预印本 arXiv:2204.01691 (2022)。[2] Chris Baker、Rebecca Saxe 和 Joshua Tenenbaum。2011 年。贝叶斯心智理论：建模联合信念-愿望归因。在认知科学学会年会论文集，第 33 卷。[3] Chris L Baker、Noah D Goodman 和 Joshua B Tenenbaum。2008 年。基于理论的社会目标推理。在认知科学学会第三十届年会论文集。 Citeseer，1447–1452。[4] Chris L Baker 和 Joshua B Tenenbaum。2014 年。使用贝叶斯心理理论对人类计划识别进行建模。计划、活动和意图识别：理论与实践 7 (2014)，177–204。[5] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2021 年。特征扩展奖励学习：重新思考人类输入。在 2021 年 ACM/IEEE 人机交互国际会议论文集上。216–224。[6] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2022 年。通过学习特征在奖励学习中诱导结构。国际机器人研究杂志 (2022)，02783649221078031。[7] Mustafa Mert Çelikok、Tomi Peltola、Pedram Daee 和 Samuel Kaski。2019 年。具有心智理论的交互式人工智能。arXiv 预印本 arXiv:1912.05284 (2019)。[8] Aakanksha Chowdhery、Sharan Narang、Jacob Devlin、Maarten Bosma、Gaurav Mishra、Adam Roberts、Paul Barham、Hyung Won Chung、Charles Sutton、Sebastian Gehrmann 等人。2022 年。Palm：使用路径扩展语言建模。arXiv 预印本 arXiv:2204.02311 (2022)。[9] Harmen De Weerd、Rineke Verbrugge 和 Bart Verheij。 2013. 了解她知道你知道的事情有多大帮助？一项基于代理的模拟研究。人工智能 199 (2013)，67–92。[10] Jacob Devlin、Ming-Wei Chang、Kenton Lee 和 Kristina Toutanova。2018. Bert：用于语言理解的深度双向变压器的预训练。arXiv 预印本 arXiv:1810.04805 (2018)。[11] Prafulla Dhariwal 和 Alexander Nichol。2021. 扩散模型在图像合成方面击败了 gans。神经信息处理系统进展 34 (2021)，8780–8794。[12] Prashant Doshi、Xia Qu、Adam Goodie 和 Diana Young。2010. 使用经验主义交互式 POMDP 对人类的递归推理进行建模。在第九届自主智能体和多智能体系统国际会议论文集：第 1 卷-第 1 卷。1223–1230。[13] 段佳飞、余志强、谭辉、朱宏远和陈志东。2022 年。具身人工智能调查：从模拟器到研究任务。IEEE 计算智能新兴主题汇刊 (2022 年)。[14] 段佳飞、余志强、谭辉、易立和陈志东。2022 年。BOSS：对象上下文场景中人类信念预测的基准。arXiv 预印本 arXiv:2206.10665 (2022 年)。[15] David Engel、Anita Woolley、Lisa Jing、Christopher Chabris 和 Thomas Malone。2014 年。从眼睛读懂心思还是从字里行间读懂心思？心智理论在线上和面对面时同样能预测集体智慧。PloS one 9 (12 2014)，e115212。https://doi.org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作逆强化学习。神经信息处理系统的进展 29 (2016)。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统的进展 31 (2018)。 [18] 何开明、张翔宇、任少卿和孙健。2016 年。深度残差学习在图像识别中的应用。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33（2020 年），6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。 [21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016 年。协调合作或竞争：社交互动中的抽象目标和共同意图。《认知科学》。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015 年。深度学习。《自然》521，7553（2015 年），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。[25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：
了解我，了解你：人工智能中的心智理论
人工智能 (AI) 极大地改变了我们所知的世界。机器学习 (ML) 是人工智能的一个分支，其关键进展在于使机器能够从数据中学习。深度学习 (DL) (LeCun、Bengio 和 Hinton，2015) 发挥了核心作用，这是一种基于人工神经网络的技术，旨在有效支持学习。由于 DL 与强化学习 (RL，即代理通过与现实世界交互进行学习并相应地获得奖励或惩罚的概念) 相结合，它已被证明能够提供有时超越人类的表现。一个典型的例子是 AlphaGo 计算机程序成功地在围棋比赛中不断击败世界冠军，同时为成功的游戏策略提供了新的见解。这些突破性的成就让人们对人工智能及其所能实现的目标过度自信，尤其是在短期内。风险投资蜂拥而至人工智能初创企业。人们期待自动驾驶汽车随时出现在我们的道路上。然而，最近发生的一些严重事件已经敲响了警钟。涉及原型自动驾驶汽车的事故已导致人员伤亡（Tesla Deaths，2020 年），这让人们质疑该技术在人机密切互动的潜在危险情况下的使用是否真的准备就绪。令人惊讶的是，这些事故是由于车辆未能执行相对简单的任务造成的，例如物体检测或障碍物跟踪和避让（Hawkins，2019 年）。事实上，在 AI 能够安全地部署到高风险和潜在危险的情况下之前，需要具备更为复杂的功能。对当前 AI 使用的期望可能需要修改。以自动驾驶为例。智能汽车需要实时对人类行为做出可靠的预测，以便预先调整速度和路线，以应对儿童可能突然穿过马路的决定。深度神经网络可以有效地识别流媒体视频中的人类动作，如运动模式（Singh、Saha、Sapienza、Torr 和 Cuzzolin，2017 年）。然而，后者可能具有欺骗性，因为人类可以根据自己的心理过程、想法和动机以及他们周围看到的事物突然改变主意。在我们的例子中，之前在人行道上走向学校的孩子们可能会看到马路对面有一辆冰淇淋车，并决定冲过马路去买冰淇淋。在如此复杂的环境中，没有一个预测系统仅仅基于过去观察到的运动来运作，就不可能准确可靠，也不需要考虑上下文和其他相关主体的性质。另一方面，人类可以预测其他人的未来行为，即使没有运动，只需快速评估相关人员的“类型”和他们周围的场景（例如例如，站在走廊里的老人很可能会决定乘坐电梯，而不是走楼梯）。这表明人工智能需要解决“热”认知问题，比如人的思维是如何受到其情绪状态影响的（Lawrence、Clark、Labuzetta、Sahakian & Vyakarnum，2008 年；Taylor Tavares、Drevets & Sahakian，2003 年）。热认知是指情绪和社会认知，包括心智理论（ToM）。它与“冷”认知形成对比，在“冷”认知中，信息处理与情感无关。社会认知旨在通过研究潜在的认知过程来理解社会现象（即人们与他人打交道的方式）。随着能够表现出一定（有限）智能的人工智能的出现，这一概念需要扩展到人类如何与智能机器（例如航空公司的对话机器人）打交道，反之亦然。