XiaoMi-AI文件搜索系统
World File Search SystemInferring
使用变分循环神经网络进行主动推理，为习惯智能体进行目标导向规划
摘要：至关重要的是要问，代理如何仅使用通过习惯性感觉运动经验获得的部分世界模型来生成行动计划，从而实现目标。尽管许多现有的机器人研究都使用了前向模型框架，但存在高自由度的泛化问题。当前的研究表明，采用生成模型的预测编码 (PC) 和主动推理 (AIF) 框架可以通过学习低维潜在状态空间中的先验分布来开发更好的泛化，该先验分布表示从习惯性感觉运动轨迹中提取的概率结构。在我们提出的模型中，学习是通过推断最佳潜在变量以及突触权重来最大化证据下限来进行的，而目标导向规划是通过推断潜在变量来最大化估计下限来完成的。我们提出的模型在模拟中使用简单和复杂的机器人任务进行了评估，通过为正则化系数设置中间值，证明了在有限的训练数据下学习中具有足够的泛化能力。此外，比较模拟结果表明，由于先验学习将运动计划的搜索限制在习惯轨迹范围内，因此所提出的模型在目标导向规划中优于传统的前向模型。
Tox-GAN：一种替代动物研究的人工智能方法
动物研究是生物医学研究、药品开发和监管应用的重要组成部分。毒理基因组学 (TGx) 将新兴基因组技术融入传统动物模型，在两个领域提供了前所未有的机会：基于个体基因活动推断毒性机制和基于基因表达谱开发安全生物标志物。与此同时，全球范围内的努力已导致毒理学向“减少、改进和替代”动物使用的方向发生范式转变。在此，我们提出了一种基于人工智能 (AI) 的方法，能够在不使用动物的情况下从动物研究中生成 TGx 数据。这种 Tox-GAN 方法是使用深度生成对抗网络 (GAN) 开发的，用于生成涉及多种剂量和治疗持续时间的 TGx 中的基因活动和表达谱。使用来自开放毒理基因组学计划-基因组学辅助毒性评估系统 (TG-GATEs) 的大鼠肝脏 TGx 数据，我们发现 Tox-GAN 是一种有效的替代方法，可在不食用动物的情况下生成与其相应的真实基因表达谱具有高度相似性（强度水平为 0.997±0.002，倍数变化水平为 0.740±0.082）的转录组谱。重要的是，我们成功证明了 Tox-GAN 在上述两个 TGx 应用领域的出色性能。在推断毒性机制方面，发现 Tox-GAN 结果与真实基因表达数据在基因本体论上的一致性超过 96%。在生物标志物开发方面，我们通过一系列对真实和生成的基因表达谱的研究，对基于真实基因表达数据开发的坏死生物标志物进行了挑战。得出的结论是两者之间的预测性能难以区分。我们进一步举例说明了所提出的 Tox-GAN 在辅助基于化学的阅读方面的潜在效用。据我们所知，只要提供化学结构，所提出的 Tox-GAN 模型就是首次尝试在不同时间和剂量设置下生成体内转录组谱。总体而言，即使没有药物合成和动物治疗，Tox-GAN 也有望推断出高质量的毒理学谱，从而推进现代化毒理学范式。
认知科学、神经科学和人工智能交界处的心智理论和偏好学习：综述
心智理论 (ToM) 是人类认知的关键组成部分，即人类心智将心理状态归因于他人的能力。为了理解他人的心理状态或观点，并在社交和职业环境中与他人成功互动，这种社会认知形式必不可少。同样的推断人类心理状态的能力是人工智能 (AI) 融入社会的先决条件，例如在医疗保健和汽车行业。自动驾驶汽车需要能够推断人类驾驶员和行人的心理状态，以预测他们的行为。在文献中，人们对 ToM 的理解越来越多，特别是随着对儿童和自闭症谱系障碍患者的认知科学研究的增加。同样，通过神经影像学研究，现在人们对 ToM 背后的神经机制有了更好的理解。此外，已经提出了用于推断人类心理状态的新 AI 算法，其应用更复杂，通用性更好。在这篇评论中，我们综合了认知和神经科学中对 ToM 的现有理解以及已提出的 AI 计算模型。我们重点关注偏好学习这一特别感兴趣的领域以及最新的神经认知和计算 ToM 模型。我们还讨论了现有模型的局限性，并暗示了允许 ToM 模型充分表达人类思维各个方面（包括价值观和偏好）的复杂性的潜在方法。
deBoer，DM
最近的理论表明，自我意识，在其最基本的形式中，在功能上与现象体是脱节的。精神病患者常常将他们的想法和行为错误地归因于外部来源；在某些灵魂出窍的体验、清醒状态和梦境中，身体所有权缺失，但自我认同得以保留。为了解释这些不寻常的体验，我们假设自我认同取决于推断右角回的自我定位（即观点采择）。这一过程涉及区分自我产生的信号（内源性注意）和环境刺激（外源性注意）。因此，当这种机制失效时，就会导致感觉和知觉的改变。我们将全身幻觉范式与大脑刺激（HD-tDCS）相结合，发现右角回激活与自我定位改变（观点采择）之间存在明显的因果关系。阳极和假性 HD-tDCS 导致：更深刻的灵魂出窍转变（主动感减弱）；以及从其他角度辨别自我的能力减弱。我们得出结论，自我认同是通过推断自我定位（即换位思考）在大脑中介导的。自我认同可以与身体自我分离，从而解释与脱离肉体相关的现象。这些发现为身心关系提供了新的见解，并可能为治疗精神病症状和康复计划提供重要的未来方向，以帮助从神经系统损伤中恢复。大脑定位自己的能力可能是自我认同和将自我与其他信号（即换位思考）区分开来的关键机制。
迈向促进人工智能与人类相互理解的下一代可解释人工智能
基于深度学习的人工智能的最新进展要求对人工智能的运行进行更好的解释，以提高人工智能决策的透明度，特别是在自动驾驶汽车或医疗诊断应用等关键系统中，以确保安全、用户信任和用户满意度。然而，目前的可解释人工智能 (XAI) 解决方案专注于使用更多的人工智能来解释人工智能，而不考虑用户的心理过程。在这里，我们使用认知科学理论和方法来开发下一代 XAI 框架，以促进人机相互理解，并使用计算机视觉人工智能模型作为示例，因为它在关键系统中很重要。具体来说，我们建议为 XAI 配备人类社交互动中的重要认知能力：心智理论 (ToM)，即通过将心理状态归因于他人来理解他人行为的能力。我们专注于两种 ToM 能力：（1）推断人类的策略和表现（即机器的 ToM），以及（2）推断人类对 AI 策略的理解和对 AI 的信任（即推断人类的 ToM）。人类认知的计算建模和实验心理学方法在 XAI 开发这两种 ToM 能力中发挥着重要作用，通过将用户的策略与 AI 的策略进行比较并估计用户当前对 AI 策略的理解来提供以用户为中心的解释，类似于现实生活中的老师。增强人机之间的相互理解反过来可以导致更好地采用和信任 AI 系统。因此，该框架强调了认知科学方法对 XAI 的重要性。
UC旧金山先前出版的作品
大脑功能连通性与结构连通性之间的关系引起了神经科学界的广泛关注，通常使用数学建模推断出。在许多建模方法中，光谱图模型（SGM）具有独特性，因为它具有大脑振荡的宽带频率光谱的封闭形式解，仅需要全球生物物理解释的参数。虽然SGM在参数方面是简单的，但SGM参数的确定是非平凡的。先前在SGM上的工作通过计算密集型退火算法确定参数，该算法仅提供一个点估计值，而没有置信区间的参数估计。为了填补此空白，我们结合了基于仿真的推理（SBI）算法，并开发了一种贝叶斯程序来推断SGM参数的后验分布。此外，使用SBI大大减轻了推断SGM参数的计算负担。我们评估了健康受试者的静止状态磁脑摄影记录上提出的SBI-SGM框架，并表明所提出的程序在恢复功率光谱和Alpha频带的空间分布方面具有与退火算法相似的性能。此外，我们还分析了参数之间的相关性及其与后验分布之间的不确定性，而后验分布无法通过退火推断进行。这些分析对SGM生物物理参数之间的相互作用提供了更丰富的理解。通常，基于模拟的贝叶斯推理的使用可以实现生成模型参数不确定性的强大而有效的计算，并可能为在临床翻译应用中使用生成模型铺平道路。
17，2024-海报摘要 - 美国听觉社会
美国听觉学会科学和技术会议，2月15日至2024年，海报摘要主题区域和海报数字：主题区域海报数字海报i - 星期四 - 星期四 - 星期四 - 星期四听觉处理 /听力努力海报＃001-009人工耳蜗海报海报＃010-010-010-010-010-030诊断式听觉学 /眼睛学海报＃031-045 poters 5 poters 5 poters 5 poters 5 potres potres pot 4康复海报＃056-081听力科学 /心理声音海报＃082-091听力技术 /放大海报＃092-100儿科听觉学 /眼科海报＃101-107语音感知海报海报＃108-11118-118前庭海报＃119-124 POSTER SESSITER II - 星期五 - 星期六的听觉序列3 Poster #135-155 Diagnostic Audiology / Otology Poster #156-170 Electrophysiologic Responses Poster #171-180 Hearing Loss / Rehabilitation Poster #181-206 Hearing Science / Psychoacoustics Poster #207-216 Hearing Technology / Amplification Poster #217-224 Pediatric Audiology / Otology Poster #225-231 Speech Perception Poster #232-242 Auditory Processing / Listening Effort Poster #243 AUDITORY PROCESSING / LISTENING EFFORT Category: Auditory Processing/Listening Effort Poster #: 00 1 Inferring Daily-Life Listening Effort by Conditioning Heart Rate on Sound Exposure Jeppe Høy Christensen , PhD , Eriksholm Research Centre, Oticon A/S , Snekkersten , Denmark Andreea Micula , PhD , Unit of Medical Psychology, Section of Environmental Health, Department of哥本哈根大学公共卫生，丹麦哥本哈根
中国天基空间监视研究
SDA 是对太空作战环境的全面了解，该环境要求规划和执行涉及卫星、地面支持资产以及连接卫星、用户和运营商的地对空、空对地和空对空通信链路的太空作战。1 太空作战环境包括活跃卫星（其位置、能力和意图）、轨道碎片、太空天气、陆地天气、政策、政治和情报。SDA 活动包括收集原始可观测量、识别物理状态和参数（例如轨道、姿态、大小、形状）、确定功能特性（例如主动与被动、推力能力、有效载荷）、推断任务目标（例如通信、天气）、识别行为以及预测可信的威胁和危险。2
引用本文：S. Lederer、D. Jost、T. Böhm、R. Hackl、E. Berg 和 SA Kivelson (2020) 测量量子材料的虚时间动力学
摘要 理论分析通常涉及虚时相关函数。根据这些信息推断实时动态响应函数非常困难。然而，正如我们在此所述，从测量的（实时）响应函数的频率依赖性计算虚时相关器非常简单。除了便于理论与实验之间的比较之外，所提出的方法还可用于从复杂数据集中提取（长时间弛豫）动力学的某些方面。我们通过对铁基超导体 Ba(Fe 1 − x Co x ) 2 As 2 的拉曼散射光谱推断出的向列响应的分析来说明这一点，其中包括一种用于识别该响应的假定量子临界贡献的新方法。
脑电图数据中的连接分析：最新技术和新兴趋势的教程回顾
摘要：了解人类大脑不同区域如何相互沟通是神经科学中的关键问题。结构、功能和有效连接的概念已被广泛用于描述人类连接组，包括大脑网络、其结构连接和功能相互作用。尽管高空间分辨率成像技术（如功能性磁共振成像 (fMRI)）被广泛用于绘制这种复杂的多重相互作用网络，但脑电图 (EEG) 记录具有高时间分辨率，因此非常适合描述神经激活和连接的空间分布和时间动态模式。在这项工作中，我们提供了技术说明和最常用的数据驱动方法的分类，以评估大脑功能连接，旨在研究记录的 EEG 信号之间的统计依赖关系。在时间、频率和信息论领域，我们以利弊分析的方式讨论了不同的成对和多变量以及有向和无向连接指标。通过建立这三个框架中的指标之间的概念和数学关系以及讨论新方法，读者可以深入研究复杂网络中功能连接推断的问题。此外，本文还讨论了描述扩展连接形式（例如高阶交互）的新兴趋势，以及探索由所提出的指标提供的连接网络拓扑属性的图论工具。本文回顾了对 EEG 数据的应用。此外，本文还认识并讨论了源定位的重要性以及信号采集和预处理技术（例如滤波、源定位和伪影抑制）对连接估计的影响。通过阅读本综述，读者可以深入了解研究大脑功能连接和学习的整个 EEG 预处理和分析过程，从而利用新方法和新途径来解决复杂网络中连接推断的问题。