XiaoMi-AI文件搜索系统
World File Search SystemInterac
植物 - 感染真菌相互作用
1植物医疗系，安登国立大学，安东斯36729，大韩民国； smvahsan@gmail.com 2 Applied Biosciences，Kyungpook国立大学，Daegu 41566，大韩民国； inmamumrassel@gmail.com（m.i.-u.-h.）; ashim@knu.ac.kr（a.k.d.）3植物与土壤科学系，美国德克萨斯州科技大学基因组学研究所，德克萨斯理工大学，德克萨斯州拉伯克，美国德克萨斯州79409； mrahman@bsmrau.edu.bd 4 4602，杜姆基杜姆基Patuakhali科学技术大学昆虫学系8602； mahiimam@pstu.ac.bd 5 5 Kumho Life Science Laboratory，Chonnam国立大学，Gwangju 61186，大韩民国； ncpaulcnu@gmail.com 6大加工大学大麻生物技术学院，朝鲜共和国安东斯36729 *通信：hwchoi@anu@anu.ac.kr3植物与土壤科学系，美国德克萨斯州科技大学基因组学研究所，德克萨斯理工大学，德克萨斯州拉伯克，美国德克萨斯州79409； mrahman@bsmrau.edu.bd 4 4602，杜姆基杜姆基Patuakhali科学技术大学昆虫学系8602； mahiimam@pstu.ac.bd 5 5 Kumho Life Science Laboratory，Chonnam国立大学，Gwangju 61186，大韩民国； ncpaulcnu@gmail.com 6大加工大学大麻生物技术学院，朝鲜共和国安东斯36729 *通信：hwchoi@anu@anu.ac.kr
扩展动态的人类场景相互作用建模
已经取得了显着的迈进，该领域显然是由于缺乏高质量数据集而导致的。早期数据集（如Pigraphs [39]和Prox [16]）启动了探索，但受到可扩展性和数据质量的约束。MOCAP数据集[14，30]使用Vicon等复杂的设备优先考虑高质量的人类运动限制。但是，他们通常缺乏捕获多样化和沉浸式的HSI。通过RGBD视频录制的可扩展数据集提供了更广泛的实用程序，但受到人类姿势和对象跟踪质量较低的阻碍。合成数据集的出现[1，3，4，55]提供了成本效率和适应性，但无法封装完整的现实HSI频谱，尤其是在捕获动态3D触点和对象跟踪时。为了应对这些挑战，这项工作首先引入了trumans（t rack hum a um a u u u u u u u u u u u u u u a ctio n s in s cenes）数据集。Trumans成为最广泛的运动捕获HSI数据集，涵盖了15个小时以上15个小时的室内场景中的各种相互作用。它捕获了全身的人类动作和部分级别的对象动力学，重点是接触的现实主义。通过将物理环境复制到准确的虚拟模型中，可以进一步增强此数据集。外观和运动的广泛增强都应用于人类和物体，以确保相互作用的高度有限。接下来，我们设计了一个计算模型，通过将场景和动作作为条件同时采取行动来应对上述挑战。我们对杜鲁士数据集和运动合成方法进行了全面的交叉评估。特别是，我们的模型采用自回归的条件扩散，场景和动作嵌入作为征用输入，能够产生任意长度的运动。为了整合场景上下文，我们通过在本地化的基础上查询全局场景的占用来开发有效的场景感知者，这在导航杂乱的场景时表现出了3D感知的碰撞避免的强大效率。为了将框架的动作标签合并为条件，我们将时间特征集成到动作片段中，使模型在粘附在给定的动作标签时随时接受指令。场景和动作条件的这种双重整合增强了我们方法的可控性，为在3D场景中合成合理的长期运动提供了细微的界面。将trumans与现有人物进行比较，我们证明了杜鲁士人明显提高了最先进的方法的性能。此外，我们的方法在定性和定量上进行了评估，超过了现有的运动综合方法，其质量和零击性能力在看不见的3D场景上，非常接近原始运动捕获数据的质量。除了运动合成之外，杜鲁士人已经针对人类的姿势和接触估计任务进行了基准测试，证明了其多功能性并将其确立为一系列未来的研究努力的宝贵资产。
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。
用移动操作的交互式对象搜索语言的动态场景图
摘要 - 为了充分利用移动操纵机器人的功能，必须在大型未探索的环境中自主执行的长途任务。虽然大型语言模型（LLMS）已显示出关于任意任务的紧急推理技能，但现有的工作主要集中在探索的环境上，通常集中于孤立的导航或操纵任务。在这项工作中，我们提出了MOMA-LLM，这是一种新颖的方法，该方法将语言模型基于从开放式摄影场景图中得出的结构化表示形式，随着环境的探索而动态更新。我们将这些表示与以对象为中心的动作空间紧密地交织在一起。重要的是，我们证明了MOMA-LLM在大型现实室内环境中新型语义交互式搜索任务中的有效性。最终的方法是零拍摄，开放式摄影库，并且可以易于扩展到一系列移动操作和家用机器人任务。通过模拟和现实世界中的广泛实验，与传统的基线和最新方法相比，我们证明了搜索效率的显着提高。我们在http://moma-llm.cs.uni-freiburg.de上公开提供代码。
使用生成式人工智能检查用户界面对信任和交互的影响
本论文研究了不同的用户界面 (UI) 设计如何影响用户对生成式人工智能 (AI) 工具的信任。我们进行了一项实验，采用绿野仙踪方法测试了三种具有不同 ChatGPT UI 变体的工具的信任级别。来自不同学科的九名志愿大学生参加了实验。我们使用问卷来评估参与者在与每种工具交互后以及与所有工具交互后的信任感知。结果表明，参与者之间的信任水平受到生成式 AI 的 UI 设计的影响，尤其是头像设计和文本字体。尽管共享相同的文本源，但大多数参与者认为 ChatGPT 与其他工具相比最值得信赖。结果还强调了对话界面在与生成式 AI 系统建立信任方面的重要性，参与者表示更喜欢促进自然和引人入胜的交互的界面。该研究强调了 UI 对信任的重大影响，旨在鼓励对生成式 AI 更加谨慎的信任。
在富营养化过程中气候变化与人为压力之间的相互作用 - 卷II
富营养化被认为是对全球河口和沿海生态系统健康的最大威胁之一。这是一种全球现象，对食物网，水质和水生化学反应有显着影响。富营养化是向河口和沿海地区供应生态系统生态能力的结果（Nixon，2009； Rabalais等，2009）。营养负荷也可能导致养分比的变化，这可能会在海洋生态系统中产生“不良干扰”。在这一目标中，至关重要的是，沿海地区可以实现良好的环境地位（GES）。引起沿海富营养化的驾驶员设置在多个人类诱发的压力源和富营养化的影响的较大框架内（例如生物多样性，生态系统降解，有害藻类绽放和底部水中的氧气表现出现的损失似乎受到与其他压力的协同作用的加剧，包括过度的压力，沿海沿海发育过度，沿海发育和气候驱动的升高，海水表面温度，海洋酸性和沿海沿岸排放。实际上，气候变化会影响养分的投入和行为，并可能加剧富营养化及其相关的负面影响（Statham，2012; Malone and Newton，2020; Rozemeijer等，2021）。富营养化对水生环境的健康的重要性及其与多种压力的联系导致汇编了当前的研究主题：“在富营养化过程中，气候变化与人为压力之间的局限性，第二卷”。然而，气候变化与富营养化之间的联系很复杂，主要与温度，风向模式，水文周期和海平面上升有关，导致淡水系统的淹没，地层的变化，流动时间和流动性时间和植物生产力，生产力，沿海风暴的活动，沿海风暴活动，物种和ecosys的变化（2012年）。
在线语言教室中的互动模式
摘要在线第二语言教学近年来蓬勃发展，在技术能力和COVID-19大流行导致的教学方式的强迫变化的帮助下。这种转变强调了互动在在线教育学中的关键作用。研究表明，增加学生与讲师之间互动的机会增加对于培养第二语言获取（SLA）至关重要。但是，很少有研究量化在线语言教学中的不同类型的相互作用的产生，尤其是在经验丰富的讲师中。本研究利用互动主义框架对在线西班牙语课程中的互动进行定量分析，并根据互动启动类型进行分类：指导者提出的参与（IPP），未提出的口头参与（UOP），未提及的文本参与（UTP），即聊天（即，聊天的时间段）（即，均一次的范围）（即及时的范围），并在展示范围（ever），并在展示范围（即及格）。这些转弯）。数据包括在英国一所远程学习大学中跨越熟练的LEV ELS和课程类型的同步L2西班牙语教学的视频记录。课程类型包括语法研讨会和考试准备。结果表明，在线语言课程中的互动模式受熟练程度和课程类型的影响。较低的熟练度学生更频繁地从事互动程序，而参与扩展话语的能力取决于Spe cific活动/课程类型。这项研究有助于解决除英语（Lote）以外的LAN Guages的互动和语言教学研究的缺乏。
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
朝向开放世界的人类机器人互动
手势在人类和人类机器人相互作用中起着关键作用。在基于任务的上下文中，诸如指向之类的神性手势对于指导关注与任务相关的实体至关重要。虽然大多数基于任务的人类和人类手机Di-Alogue专注于封闭世界领域的工作，但重新研究已开始考虑开放世界任务，在这种任务中，与任务相关的对象可能不知道与先验者相互作用。在开放世界任务中，我们认为必须对手势进行更细微的考虑，因为交互者可以使用桥接传统手势类别的手势，以便浏览其任务环境的开放世界维度。在这项工作中，我们探讨了在开放世界任务上下文中使用的手势类型及其使用频率。我们的结果表明需要重新考虑在人类和人类机器人相互作用的研究中进行手势分析的方式。
有形用户界面在人类计算机交互中的关键作用
摘要。人类计算机的交互已从命令行演变为图形，直至有形的用户界面（TUI）。tuis代表了将物理对象纳入数字环境中的新范式，以便为用户提供更丰富，更自然和直观的互动手段。本文回顾了TUIS在认知人体工程学，教育和行业中的应用，并特别强调了TUI在减少认知负荷以及改善保留率和增强解决问题的行为方面可能产生的潜在影响。它涵盖了TUI认知益处的各种案例研究，分布式和体现的认知，可伸缩性和可访问性问题的框架，减少技术障碍以及用户不情愿的方法以及TUI与IoT合并的方式。作者还讨论了TUI如何在智能环境中的网络和控制方面看到巨大的改进。从上述内容中，尽管Tuis承诺与常规GUI有关的巨大好处，但在不同应用程序中的全面利用要求解决成本，适应性和包容性的广泛使用。