XiaoMi-AI文件搜索系统
World File Search SystemInteractive
一个基于自动驾驶汽车决策和轨迹计划的基于互动游戏理论-PSO的综合框架
摘要：自动驾驶汽车和人类驾驶员之间的相互依赖性是自动驾驶安全性和可行性的一个开放问题。本文介绍了游戏理论轨迹计划者和混合人流环境的决策者。我们的解决方案是与周围车辆的相互作用，同时做出决策，并使用用衣架插值方法产生类似人类的轨迹。此处使用的粒子群优化器（PSO）桥梁桥接决策和轨迹生成过程，用于连接执行。我们选择了一个未信号的交叉点，以证明我们方法的可行性。测试结果表明，我们的方法降低了轨迹优化问题的搜索空间的维度，并在路径曲率上实施了几何约束。
知识引导的深度强化学习用于交互式推荐
摘要最多 350 个字：（请输入）交互式推荐旨在适应和学习项目和用户之间的动态交互，以实现推荐系统的响应性和准确性。强化学习天生有利于应对动态/交互环境，因此在交互式推荐研究中引起了越来越多的关注。然而，大多数现有工作倾向于学习固定的用户兴趣，而忽略了它们本质上是动态的。论文首先介绍推荐系统及其应用。然后是详细的文献综述，涵盖三个主要相关领域：序列感知推荐、交互式推荐和知识感知推荐系统。论文还回顾了基于强化学习的推荐系统应用，并讨论了其优点和缺点。之后，本论文报告了关于交互式推荐系统的一般问题陈述和要解决的挑战，包括用户动态兴趣建模、强化学习优化的计算成本以及基于强化学习的推荐系统的性能下降。特别是，我们提出了一套通过强化学习改进交互式推荐的技术和模型。我们提出了一种学习分布式交互嵌入的新模型，该模型可以以紧凑而富有表现力的方式捕获用户的动态兴趣。受到图卷积网络和知识感知推荐的最新进展的启发，我们设计了一个知识引导的深度强化学习 (KGRL) 模型，以利用强化学习和知识图谱的优势进行交互式推荐。该模型在演员-评论家网络框架内实现。它维护一个本地知识网络来指导训练阶段的决策过程，并采用注意力机制来发现项目之间的长期语义。为了降低强化学习的计算成本，我们进一步设计了一种增强优化策略，缩小了更新步骤的空间并改变了奖励函数。我们在模拟在线环境中对提出的三种方法进行了全面的实验，结果表明，与文献中的基线和最先进方法相比，我们的模型的性能得到了持续的改进。最后，本论文讨论了交互式推荐系统的未来工作和潜在的进一步改进。
交互式计算的概念和工具
通过电子邮件或当面交流的一些话对我的帮助比对话者想象的要大。我正在考虑阅读 Colin Klein、Edward Lee、Liesbeth De Mol、Marc Pouzet 和 Nick Wiggershaus 的建议和意见。由于这篇论文的动机主要来自分析哲学家和计算机科学家提出的问题，我非常感谢我在 Jean Nicod 学院的巴黎高等师范学院接受的培训，以及我有机会在罗格斯大学进行为期一年的访问。我特别要感谢 Liz Camp、Carolina Flores、Michael Murez 和 François Recanati。我还要感谢 Benjamin Icard、Pierre Trefouret、Frédéric Fogacci 和 Wendy Carrara 的想法和建议，帮助我思考论文发表后的下一个冒险。
rnalys：用于转录组数据分析的交互式Web应用程序和
1。Afgan E，Baker D，Batut B，Van Den Beek M，Bouvier D，čechM等。 可访问，可重现和协作生物医学分析的银河平台：2018年更新。 核酸res。 2018; 46：W537–44。Afgan E，Baker D，Batut B，Van Den Beek M，Bouvier D，čechM等。可访问，可重现和协作生物医学分析的银河平台：2018年更新。核酸res。2018; 46：W537–44。2018; 46：W537–44。
在图像分类中研究协作互动机教学
虽然以人为本的机器学习方法探索了互动循环中的各种人类角色，但出现了主动机器教学（IMT）的概念，重点是利用人类作为老师的教学技能来构建机器学习系统。但是，大多数系统和研究都专门用于单个用户。在本文中，我们在图像分类的背景下研究了协作互动式教学，以分析人们如何共同构建教学过程并理解他们的经验。我们的贡献是三倍。首先，我们开发了一个名为Teachtok的Web应用程序，该应用程序使用户组能够策划数据并逐步训练模型。第二，我们进行了一项研究，其中有十名参与者分为三个团队，这些团队在九天内竞争建立一个图像分类器。参与者在Focus小组中讨论的定性结果揭示了机器教学任务中协作模式的出现，协作如何帮助修改教学策略以及参与者对他们与Teachtok应用程序的互动的思考。从这些发现中，我们对基于互动，协作和参与机器学习的系统的设计产生了影响。
通过交互式智能重新定义机器人概括
大规模机器学习的最新进展已产生了能够适应一系列下游任务的高容量的“基础模型”。这种模型对机器人技术抱有很大的希望，但普遍的范式仍然将机器人描绘成单个自主决策者，并执行诸如操纵和导航之类的任务，并且人类参与度有限。然而，包括可穿戴机器人技术（例如，假肢，矫形器，外骨骼），近视和神经界面在内的大量实际机器人系统是半自治的，需要与人类合作伙伴进行持续的互动协调。在该立场论文中，我们认为机器人基础模型必须演变为交互式的多机构观点，以处理实时人类机器人共同适应的复杂性。We propose a generaliz- able, neuroscience-inspired architecture encompassing four modules: (1) a multimodal sensing module informed by sensorimotor integration principles, (2) an ad-hoc teamwork model reminiscent of joint-action frameworks in cognitive science, (3) a predictive world belief model grounded in internal model theories of motor control, and (4) a memory/feedback mechanism that呼应了基于Hebbian和基于增强的可塑性的概念。尽管通过机器人系统的镜头进行了说明，但可穿戴设备和人类生理学的镜头与众不同，但所提出的框架广泛适用于在半自治或交互式环境中运行的机器人。通过超越单一代理设计，我们的立场强调了机器人技术中的基础模型如何实现更强大，个性化和预期的性能水平。
mlnova：机器学习的交互式学习平台
mlnova是按照结构化的，以用户为中心的设计方法开发的，从用户研究开始，以查明Kaggle和Udemy等现有平台中的差距。平台开发中的关键标准包括可访问性，实时反馈和易用性，这导致选择了Django以进行后端稳定性和React.js。该平台使用MongoDB和Firebase进行有效的数据处理，从而确保学习者操纵数据集的交互式模块中的实时更新。使用Scikit-Learn实施了机器学习模型，以实现简单性，而Plotly和D3.js促进了高质量的数据可视化。这种技术组合为用户提供了引人入胜的互动体验。
构建具有互动感知的负担能力图
机器人需要了解他们的环境才能执行其任务。如果可以在封闭环境中预先编程的视觉场景分析过程，则在开放环境中运行的机器人将从与环境的互动中学习它的能力。此功能进一步为获得提供的图表开辟了道路，在该图中，机器人的动作能力结构了其视觉场景的理解。我们提出了一种方法，通过依靠互动感知方法和在线分类来建立此类负担图地图，并为配备两个具有7个自由度的武器的真正机器人进行在线分类。我们的系统是模块化的，可以从不同技能中学习地图。在提议的负担形式化中，行动和效果与视觉特征有关，而不是对象，因此我们的方法不需要事先定义对象概念。我们已经在三个动作原语和真实的PR2机器人上测试了该方法。
用于电生理 DMI 的交互式模块化系统
不同的音乐家和研究人员创建了各种音乐系统，目的是简化基于电生理信号和身体姿势的数字乐器的开发过程 [1,8]。然而，他们的努力往往与主流科学或音乐界隔绝，限制了知识和实践的相互交流。在脑电图领域，使用命令行界面的脑机音乐接口 (BCMI [9]) 软件 [11,12]、复杂的架构 [1,5,14,15] 或程序编程 [12,17] 使得一小部分潜在感兴趣的用户（即具有必要技术技能的用户）可以进行实时脑电图处理。此外，选择和实施脑电图分析需要一定程度的神经科学培训或至少是理解。虽然市场已经做出了反应，推出了越来越用户友好的系统（例如 [10] 最近的一篇评论），但它们通常没有提供足够开放和灵活的软件架构来满足艺术实践的需求。商业软件的价格也可能过高，而且通常专门用于特定的治疗或医疗用途。简而言之，目前缺乏将电生理信号处理纳入灵活音乐环境的标准化系统的需求。肌肉群识别、电极放置和任务设计方面的最佳实践需要传达给非专业用户。我们将要讨论的软件开发是对这种情况的回应，也是名为 Body Brain Digital Musical Instrument (BBDMI) 的大型项目的一部分。该项目的目的是为没有神经科学和信号分析领域专业知识的音乐家和艺术家开发一种数字乐器 [16]。换句话说，BBDMI 的主要目标是通过提供用户友好的界面来处理从采集到特征选择和声音映射的信号处理，从而创建一个灵活而富有创意的平台来试验电生理信号。本文的结构如下。我们首先介绍当前研究的相关工作。接下来，我们将详细描述我们的系统架构、遇到的技术挑战以及与音乐界的潜在相关性。然后，我们将展示我们的修补工作流程、信号处理模块以及在用户研究和音乐会期间开发的映射策略。最后，我们将总结如何改进系统的想法、可能的未来方向以及我们公共存储库的链接。在文中，我们使用术语 ExG 来指代肌电图 (EMG) 和脑电图 (EEG)。
协议计算后量子安全性的逻辑和交互式证明器
我们提供了第一个机械化的后量子健全安全协议证明。我们通过开发 PQ-BC（一种对于量子攻击者来说是健全的计算一阶逻辑）和以 PQ-Squirrel 证明器形式提供的相应机械化支持来实现这一目标。我们的工作建立在经典 BC 逻辑 [7] 及其在 Squirrel [5] 证明器中的机械化基础上。我们对 PQ-BC 的开发需要使 BC 逻辑对于单个交互式量子攻击者来说是健全的。我们通过修改 Squirrel、依赖 PQ-BC 的健全性结果并强制执行一组句法条件来实现 PQ-Squirrel 证明器；此外，我们为该逻辑提供了新的策略以扩展该工具的范围。使用 PQ-Squirrel，我们进行了几个案例研究，从而给出了它们的计算后量子安全性的第一个机械证明。其中包括两种基于 KEM 的密钥交换通用构造、两种来自 IKEv1 和 IKEv2 的子协议，以及 Signal 的 X3DH 协议的拟议后量子变体。此外，我们使用 PQ-Squirrel 证明几个经典的 Squirrel 案例研究已经是后量子可靠的。