XiaoMi-AI文件搜索系统
World File Search SystemLTL
从线性时间逻辑
线性时间逻辑（LTL）是一种在进行信息学习中的任务规范的强大语言，因为它允许描述超出常规折扣返回公式的表达性的目标。尽管如此，最近的作品表明，LTL公式可以转化为可变的奖励和折扣方案，其优化产生了最大程度地提高公式满意度的可能性的策略。但是，合成的奖励信号从根本上仍然很稀疏，这使探索具有挑战性。我们的目标是超越此限制，这可以防止当前的算法超越低维，短距离问题。我们展示了如何通过进一步利用LTL规范并将其相应极限确定性Büchi自动机（LDBA）作为马尔可夫奖励过程来实现更好的探索，从而实现了高级价值估计的形式。通过对LDBA动力学采取贝叶斯的观点并提出合适的先前分布，我们表明，通过此过程估计的值可以视为塑造潜力，并映射到信息丰富的内在奖励。从经验上讲，我们证明了我们从表格设置到高维连续系统的方法的应用，到目前为止，这对基于LTL的增强式学习算法表示了重大挑战。
使用大语言模型指导的最佳场景图
摘要 - 度量，语义和拓扑映射的最新进展使自主机器人配备了概念接地能力来解释自然语言任务。利用这些功能，这项工作开发了一种有效的任务计划算法，用于层次度量的语义模式。我们考虑环境的场景图模型，并利用大型语言模型（LLM）将自然语言任务转换为线性时间逻辑（LTL）自动机。我们的主要贡献是在场景图上使用LLM指导启用最佳层次LTL计划。为了达到效率，我们构建了一个层次规划域，该域捕获场景图和任务自动机的属性和连接性，并通过LLM启发式函数提供语义指导。为了确保最佳性，我们设计了一个LTL启发式功能，该功能可证明是一致的，并为多效率计划中的潜在不可接受的LLM指导提供了。我们在虚拟化真实环境的场景图中演示了复杂自然语言任务的有效计划。
Kimia Hassibi -Caltech's
•将自主系统在其环境中的规格形式化为GR（1）获胜条件，该条件是一组线性时间逻辑（LTL）公式，如果环境满足其初始，不变和进步条件，则需要自治系统满足其初始，不变和进步条件。•编写代码将这些LTL公式转换为环境和自主系统之间的游戏图。通过更改Python库郁金香中的源代码来实现这一目标。•创建算法以计算这些游戏图上的鲁棒性指标。然后，使用这些指标来近视地找到系统最难成功响应的环境动作。•目前，为考虑图表上的路径的自治系统创建硬测试。
父母身份以及大脑和细胞年龄的标记
最近的研究表明，怀孕和父母身份的转变对人类大脑结构特征有显著影响。在这里，我们介绍了一项全面的研究，研究了父母身份和出生/父亲的孩子数量与 36,323 名英国生物库参与者（年龄范围为 44.57 – 82.06 岁；52% 为女性）的大脑和细胞衰老标志之间的关联。为了评估父母身份对大脑的整体影响，我们在 T1 加权磁共振图像上训练了一个 3D 卷积神经网络，并在保留的测试集中估计了大脑年龄。为了研究区域特异性，我们使用 FreeSurfer 提取了皮质和皮质下体积，并运行了层次聚类以根据协方差对区域体积进行分组。来自 DNA 的白细胞端粒长度 (LTL) 被用作细胞衰老的标志。我们采用线性回归模型来评估孩子数量、大脑年龄、区域大脑体积和 LTL 之间的关系，并包括交互项以探究关联中的性别差异。最后，我们将大脑测量值和 LTL 作为二元分类模型中的特征，以确定大脑和细胞老化的标志是否可以预测父母身份。结果显示，无论男女，出生/父亲的孩子数量越多与大脑年龄越小之间存在关联，女性的影响更大。基于体积的分析显示，纹状体和边缘区域存在母体效应，而父亲则没有。我们没有发现孩子数量与 LTL 之间存在关联的证据。父母身份分类显示大脑年龄模型的 ROC 曲线下面积 (AUC) 为 0.57，而使用区域大脑体积和 LTL 作为预测因子的模型显示 AUC 为 0.52。我们的研究结果与之前针对中老年父母的基于人群的研究一致，揭示了父母经验与基于神经影像的大脑健康替代指标之间存在微妙但重要的关联。该研究结果进一步证实了对父母在怀孕和产后进行的纵向队列研究的结果，可能表明父母身份的转变与大脑健康的长期影响有关。
健康足月婴儿出生后头两年的纵向端粒长度和身体组成
端粒是位于染色体末端的非编码重复 DNA 序列，可保护基因组 DNA 保持稳定性 [1]。由于 DNA 聚合酶不能完全复制染色体末端，端粒会随着细胞分裂而缩短，因此会随着年龄的增长而缩短。当端粒缩短到临界长度时，细胞会进入停滞状态（细胞衰老）[2]。因此，端粒长度可作为生物衰老和死亡的指标 [3]，尽管它不是衰老的唯一生物标志物。多种因素可加速 LTL 的缩短，如炎症、（氧化）应激、肥胖、毒素和辐射 [4]。端粒较短与心血管疾病 (CVD) 风险增加有关，但尚不确定端粒长度是否可以作为 CVD 的预后标志物 [3]。早期体重快速增加也与成年期肥胖和 CVD 风险增加有关[5-9]。我们已经表明，在生命最初 6 个月内（肥胖编程的关键窗口期），FM% SDS 快速增加会导致婴儿期 FM % 轨迹更长[10]。出生时的体型和成年期的 LTL 之间无关联[11]，但目前尚不清楚端粒长度及其随时间的变化是否与婴儿期纵向测量的身体成分以及肥胖编程关键窗口期 FM% 的增加有关。到目前为止，另一项研究纵向调查了健康足月婴儿出生后头两年的白细胞端粒长度 (LTL)[12]，这是婴儿发育的重要时期[13]。但这项研究并未调查纵向 LTL 与身体成分之间的关系。一些针对婴儿和儿童的研究在婴儿出生后[14-16]或儿童期[17]直接测量了脐带血中的 TL。获取健康足月婴儿生命早期的 LTL 纵向值以及纵向身体成分测量结果，对临床和研究具有重要意义。多种疾病和综合症都与端粒长度改变和不良身体成分有关，例如早产儿[18]、小于胎龄儿[15]和患有各种综合症的婴儿[19]。本研究的主要目的是调查 3 个月至 2 岁婴儿的纵向端粒长度。我们的次要目标是调查端粒长度与胎龄、出生体重和生育次数等潜在影响因素以及生命前 2 年的纵向身体成分和腹部脂肪量之间的关联。我们假设，脂肪量较多、特别是内脏脂肪量较多的婴儿在生命出生后的前两年内，端粒长度缩短得更快。
VALIO：基于视觉注意的线性时间逻辑方法，用于可解释的环外识别
脱离回路（OOTL）现象会严重影响飞行员的表现并对航空安全构成威胁。以前识别 OOTL 状态的尝试主要使用了“黑箱”机器学习技术，但这些技术无法对其发现提供可解释的见解。为了弥补这一差距，我们的研究在名为“用于识别 OOTL 的视觉注意 LTL f”（VALIO）的框架内引入了线性时间逻辑 (LTL) 方法的一种新应用，利用眼动追踪技术非侵入式地捕捉飞行员的注意力焦点。通过将驾驶舱内的兴趣区 (AOI) 和注视持续时间编码为视觉注意轨迹 (VAT)，该方法可以捕捉视觉注意的空间和时间维度。它使 LTL 方法能够生成可解释的公式，对飞行员行为进行分类并提供对 OOTL 现象的理解。通过模拟飞行实验案例，我们比较了该方法在不同时间窗口（10 秒至 75 秒）下的有效性。结果表明，VALIO 在所有时间窗口上的表现都很稳定，最佳 F1 得分为 0.815，最低 F1 得分为 0.769。并且在使用短于 30 秒的时间窗口时，它的表现明显优于其他机器学习方法，表明其能够更及时地检测 OOTL 状态。此外，VALIO 通过推导人类可读的 OOTL 状态来阐明飞行员的行为。
重写逻辑中的模型检查策略控制系统
摘要 重写逻辑及其实现 Maude 是一种用于软件和其他类型系统的形式化规范和验证的表达框架。并发性自然地由在方程理论中对代数项应用重写规则产生的非确定性局部变换表示。系统的某些全局行为或额外约束有时需要限制这种不确定性。重写策略被用作更高级和模块化的资源，以干净地捕获这些要求，这些要求可以通过集成的策略语言在 Maude 中轻松表达。然而，策略感知规范无法用内置的 LTL 模型检查器来验证，这使得策略的实用性和吸引力降低。在本文中，我们讨论了策略控制系统的模型检查，并提出了 Maude LTL 模型检查器的策略感知扩展。讨论了策略语言与模型检查的关系的表达能力，用多个应用示例说明了模型检查器，并比较了其性能。
高级，协作任务计划语法和异质代理的执行
代理人共同实现共同目标的代理人具有多种应用，例如仓库自动化或灾难响应。多代理任务在计划文献中以不同的方式定义。例如，在多代理任务分配[8，9，12]和联盟形成[14，22]中，每个任务都是具有相关实用程序的一个目标。单个代理或代理团队然后根据某些优化度量自动将自己分配给任务。群方法[18，21]将代理集体的紧急行为视为任务，例如聚合或形状形成。最近，已使用正式方法，例如任务规划的时间逻辑和正确的构造综合，已用于求解不同类型的多机构计划任务[2，17，20]。用时间逻辑编写的任务，例如线性时间逻辑（LTL），允许用户捕获具有时间约束的复杂任务。现有工作扩展了LTL [15，16]和信号时间逻辑[13]，以编码需要多个代理的任务。在本文中，我们考虑任务是，需要一组异质代理人来协作满足。例如，考虑
ICH M7 EWG 小组工作计划 2024 年 10 月 01 日
2024 年 6 月 第 1 阶段（2 年或更短时间达到第 1 步和第 2 步） 设计和使用体外检测方法（例如 Ames 试验）区分致突变和非致突变亚硝胺的原则 根据结构活性关系 (SAR) 定义 AI 的原则（例如，考虑对亚硝胺分子结构特征的了解） 根据暴露对 AI 应用短于寿命 (LTL) 的调整，前提是有足够的科学数据。