XiaoMi-AI文件搜索系统
World File Search SystemInteractive
特刊 - 互动学习：循环中的人...
特刊“交互式学习：为主动人机交互的循环系统设计中的人类设计”已经扩展了！潜在的主题：认知负载 - 可以使用模型来调整决策。应该预培训（即，为普通用户学习），而应进行交互或个性化的数量（即，对特定用户进行微调）？响应设计和相互作用的方式 - 使用自然/隐式反馈信号，例如自然语言，语音，眼动，面部表情和互动过程中的手势。有效的相互作用 - 速度和相互作用数量。人类的偏好或内部奖励是非平稳的，并且会随着时间的流逝而变化。限制可能是由于缺乏信任，可用性和生产力，尤其是在适应不可预见的阶级和任务环境中的变化时。特定的系统体系结构 - 问题和机器学习应用程序；人类信任问题不同的建筑问题。案例研究 - 例如，GIS中的图像分割和区域数字化之类的案例研究是可取的。
交互式潜在扩散模型
（1）问题1：复杂组合中缺少特征（例如，左侧的字符x，使用工具y，右侧的字符z盯着x），尤其是当这些功能在训练集中从未出现在同一图像中时。部分解决方案，例如使用图像来调节新图像生成。但是，LDM不能轻易地“理解”图像足以将其用作起点。例如，一些用户提到：“我注意到肖像画，很多时候，人们出现了看起来不像图片的东西”。（2）第2期：由于培训集中的异常统计数据而引起的偏见：当一个人仅从听众面前公开知道一个人（例如，在培训数据集中，经常受到新闻工作者采访的人）时，很难获得自己做其他事情的图像。或，对于经常在圣经生物旁边描绘的著名歌手，用户报告说，牛和魔鬼之间的混合物。其他用户还报告未能复制一些模因，例如“为什么我不能握住所有这些柠檬”。但是，这种偏见的最著名的例子涉及在河里游泳的萨尔蒙人的要求，因为训练套装中有太多的鲑鱼食品图像，导致鲑鱼片在河里“游泳”，包括间歇泉，就像是鲸鱼一样，或者是熊试图抓住它们。（3）第3期：需要许多重新运行，要么是因为本地诉讼（例如，四臂的人，三眼的人，或者手指过多的人），要么是因为大规模错误（例如，不同角色的不良位置）。
用交互式培训工业最终用户程序员...
新发布的机器人编程工具使最终用户可以通过将基于块的语言和直通式编程组合来编程工业机器人。要有效地使用这些系统，最终用户通常需要有限或没有程序经验的经验，就需要培训。要培训用户，辅导系统通常用于基于块的编程（即使是通过编程进行铅编程），但没有教程系统将这两种类型的编程结合在一起。我们提出了Coblox Interactive教程（CITS），这是一种新颖的辅导方法，它教授如何同时使用构成典型的最终用户机器人编程环境的硬件和软件组件。在用户切换两种编程样式之间，CIT为它们提供了宽敞的SCA旧，从而为用户提供了有关失误的立即反馈，并为下一步提供指导。为了评估CIT，我们使用ABB机器人技术发布的编程环境对79个工业最终用户进行了一项研究，将我们的培训方法与培训视频进行了比较，培训视频是行业中最常用的培训。这项研究是迄今为止最大的培训最终用户的研究之一，发现由CIT培训的用户比视频培训的用户更少的时间在更少的时间内撰写了更正确的程序。这表明硬件和软件概念的紧密整合是为培训最终用户编程工业机器人的范围。
通过新的直线编译器从Sigma协议中普遍合并的非交互式零知识
摘要。非交互式零知识证明（NIZK）是阈值加密系统中的必不可少的构件，例如多党签名，分布式关键产生和可验证的秘密共享，允许当事方在不揭示秘密的情况下证明正确的行为。此外，普遍合并（UC）Nizks在较大的密码系统中启用无缝组成。构建Nizks的一种流行方式是使用Fiat-Shamir变换来编译交互式协议。不幸的是，菲亚特 - 沙米尔（Fiat-Shamir）转换的nizk需要倒带对手，并且不可直线提取，这与UC相反。使用Fischlin的转换具有直线提取性，但以基本协议的许多重复为代价，导致具体效率差且难以设定参数。在这项工作中，我们提出了一个简单的新变换，该转换将代数关系的Sigma协议编译为UC-NIZK协议，而没有任何重复的开销。
非交互分布点功能
1简介。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2 1.1我们的结果。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>3 1.2申请。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4 2技术概述。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。5 2.1构建块：非相互作用乘法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.2 NIDPF构造的概述。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 6 3预序。 。 。 。 。 。 。 。 。 。 。 。5 2.2 NIDPF构造的概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 3预序。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.1表示法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.2添加秘密共享。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.3加密假设。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 3.4 NIDLS框架。 。 。 。11 3.4 NIDLS框架。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 3.5度2秘密键HSS。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 4非相互作用乘法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 4.1 NIM具有乘法输出重建。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 4.2矩阵乘法的简洁nim。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 4.3基于组假设的构造。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 4.4基于晶格假设的构造。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 5非相互作用DPF。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 5.1模拟算术模量N.。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 5.2 NIDPF框架。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 5.3 SXDH的随机付费实例化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 6对简洁的多键HSS的概括。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 7同态秘密共享。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32
shinybio -Heat：一个互动闪亮的应用程序，用于识别e.coli和b.subtilis中的表型驱动基因
1美国贝勒医学院分子和人类遗传学系，美国德克萨斯州休斯敦，美国2号，美国2定量和计算生物科学研究生课程，贝勒医学院，贝勒医学院，德克萨斯州休斯敦77030，美国3 Verna and Marrs McLean McLean McLean生物化学和分子生物学系，Baylor Biology of Medicine，Baylor Biology，Baylor Biologure，Baylor carry and Carry Inituce，HouSton，HouSton，TX 770030，TX 7700030美国德克萨斯州休斯敦市贝勒医学院，美国，美国，美国，美国，美国，贝勒医学院5计算和综合生物医学研究中心，美国德克萨斯州休斯敦贝勒医学院，美国德克萨斯州77030，美国 *通信地址。美国贝勒医学院分子和人类遗传学系，美国德克萨斯州休斯敦，美国，美国，美国，美国。 电子邮件：chen.wang@bcm.edu（C.W。） 和lichtarge@bcm.edu（O.L.） 副编辑：Russell Schwartz美国贝勒医学院分子和人类遗传学系，美国德克萨斯州休斯敦，美国，美国，美国，美国。电子邮件：chen.wang@bcm.edu（C.W。）和lichtarge@bcm.edu（O.L.）副编辑：Russell Schwartz
开发相互作用的交互式列图，以预测具有性障碍性障碍性ICU患者的短期生存
背景：性障碍性贫血是一种严重的血液学疾病，其标志是全年症和骨髓衰竭。ICU的入院通常反映了需要重症监护的疾病进展或并发症。预测这些患者的短期生存对于个性化治疗和资源优化至关重要。编号图为整合临床参数提供了一种实用的工具，提供了准确的可视化生存预测，以指导ICU中性贫血患者的决策。方法：使用模拟IV数据库，我们确定了被诊断为性贫血的ICU患者。从数千个可用的变量中，我们从五个维度上提取数据：人口统计学，合成指标，实验室事件，合并症和药物使用情况。基于现有的性质贫血研究，进一步完善了400多个变量，并应用了机器学习技术来确定建模的七个最有效的预测指标。使用机器学习方法进行预处理，这些预测因素的可行性通过其他分类和回归模型验证，验证方法是AUROC。此外，使用来自EICU协作研究数据库的数据进行了外部验证，以评估我们的模型的普遍性。使用逻辑回归（LR）构建了互动命名图，以预测患有同性血症患者的7天，14天和28天的死亡率。结果：这项研究中总共包括了1,662名被诊断为性贫血的患者，其中7：3的比例分为训练和测试队列。逻辑回归模型表现出强烈的预测性能，分别为7天，14天和28天死亡率预测的AUC值分别达到0.8227、0.8311和0.8298。使用EICU数据库的外部验证进一步证实了该模型的通用性，AUC值为0.7391、0.7119和0.7093。这些结果突出了该模型在预测性障碍性贫血患者短期生存方面的稳定性和有效性。结论：APS III领导的一组七个预测因子被证明可有效地建模性质贫血患者的短期生存。使用这些预测因素，COX和Logistic回归模型生成了列线图，这些图可以准确预测7天，14天和28天的死亡率。这些工具可以支持临床医生进行个性化的风险评估和决策。
老年人身临其境和交互式墙的用户体验
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
模仿机器人学：调查 - 虹膜
交互式模仿学习（IIL）是模仿学习（IL）的一个分支，在机器人执行过程中，间歇性地提供了人类反馈，从而可以在线改善机器人的行为。近年来，IIL越来越开始开拓自己的空间，作为解决复杂机器人任务的有前途的数据驱动替代方案。IIL的优势是双重的，1）它是有效的，因为人类的反馈将机器人直接引导到了改善行为（与增强学习（RL）相反（RL），必须通过试用和错误发现行为（必须通过试用和错误发现），而2），并且2）是强大的，因为它是强大的，因为分配者和教师的分配量直接在教师身上是匹配的，并且在教师中匹配的范围是在范围内逐渐匹配的，并且在教师中匹配的范围是在范围内的指导，而逐渐匹配的是，教师的自我反射是及格的， o line Ile IL方法，例如行为克隆）。尽管有机会，但文献中的术语，结构和适用性尚不清楚，也尚未确定，从而减慢了其发展，因此，研究了创新的表述和发现。在本文中，我们试图通过对统一和结构的领域进行调查来促进新从业人员的IIL研究和较低的入境障碍。此外，我们旨在提高人们对其潜力，已完成的工作以及仍在开放的研究问题的认识。
交互式网络工具用于分析与癌细胞系的遗传特征相关的药物敏感性和抗性
广泛的治疗曲目已适用于肿瘤学家，包括放射性和化学疗法，小分子和单克隆抗体。但是，药物疗效可以受到使癌细胞逃脱治疗的遗传变化的限制。在这里，我们设计了一个网络工具，可促进癌症中药物敏感性基因组学（GDSC）数据库的数据分析，并在265种认可的化合物上与癌细胞系百科全书中的1001个细胞系（ccle，ccle，cbioportal）中的1001个细胞系有关的大量遗传变化进行了批准。WebTool计算一组遗传改变的耐药性比值比。它提供了分配给细胞信号通路的单个化合物或一组化合物的功效的结果。使用此网络工具，我们复制了已知的遗传驱动因素，并确定了新的候选基因，种系变体，共同享受和药物基因组耐药性和药物重新利用的药物基因组修饰剂。WebTool可用性：https：//tools.hornlab.org/gdsc/。