XiaoMi-AI文件搜索系统
World File Search SystemInterac
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。
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。
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。
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）。
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
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。
双AI：用于群体活动识别的双路径参与者交互学习
学习多个参与者之间的时空关系对于群体活动识别至关重要。不同的群体活动通常会展示视频中参与者之间的多样化互动。因此，从时空参与者演化的单一视角来建模复杂的群体活动往往很困难。为了解决这个问题，我们提出了一个独特的双路径参与者交互 (Dual-AI) 框架，它以两种互补的顺序灵活地排列空间和时间变换器，通过整合不同时空路径的优点来增强参与者关系。此外，我们在 Dual-AI 的两个交互路径之间引入了一种新颖的多尺度参与者对比损失 (MAC-Loss)。通过帧和视频级别的自监督参与者一致性，MAC-Loss 可以有效区分单个参与者表示，以减少不同参与者之间的动作混淆。因此，我们的 Dual-AI 可以通过融合不同参与者的这些判别特征来增强群体活动识别。为了评估所提出的方法，我们在广泛使用的基准上进行了大量实验，包括排球 [ 21 ]、集体活动 [ 11 ] 和 NBA 数据集 [ 49 ]。所提出的 Dual-AI 在所有这些数据集上都实现了最佳性能。值得注意的是，所提出的 Dual-AI 使用 50% 的训练数据，其性能优于许多近期使用 100% 训练数据的方法。这证实了 Dual-AI 在群体活动识别方面的泛化能力，即使在有限监督的具有挑战性的场景下也是如此。
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。
气候变化，范围变化和多养相互作用
气候变化是对生物多样性和生态系统功能的最严重威胁之一。当前的温度变化速率主要由化石燃料的人类组合驱动，远远超过至少10，000年（较低的PleistoCene）和更长的时间（IPCC，2014年）。最后一次重大的气候变化事件引起了巨大的灭绝，导致许多大型四足动物突然灭亡，包括诸如羊毛猛mm，羊毛犀牛，毛s，牛皮龙，巨型麋鹿，巨型麋鹿，saber齿的虎和dire虎[1]等特征物种[1]。在先前的气候变化事件时，景观之间的主要差异之一是当前的景观是，生物圈现在由单个物种Homo Sapiens Sapiens主导，该物种已深刻改变并简化了许多陆地和水生生态系统。因此，除了气候变化外，自然生态系统还因其他人类引起的变化而改变了，包括森林砍伐，富营养化，过度收获，非本地物种的引入和各种类型的污染。因此，物种和种群受到多种压力源的挑战，使他们更难适应气候制度的快速变化。人们可以强烈认为我们不再生活在全新世，而是在人类世[2,3]。
旋转：同时感知交互和导航
最近在操纵和运动领域取得了显着进展，但移动操作仍然是一个长期以来的挑战。与运动或静态操纵相比，移动系统必须在非结构化和动态环境中可行的多种长距离任务。尽管应用程序广泛且有趣，但在开发这些系统（例如基础和手臂之间的协调）时，有很多挑战，依靠在船上感知到感知和与环境互动，最重要的是，同时整合了所有这些部分。先前的作品使用模块化技能来解决问题，以使其动机和操纵被微不足道地捆绑在一起。这引起了多个限制