XiaoMi-AI文件搜索系统
World File Search SystemLoo
医疗保健领域人工智能的“人机交互”
随着基于人工智能 (AI) 的产品和服务在各个行业中激增，一个最重要的问题浮出水面：这些系统应该包括人类还是应该自主运行？这个问题是我们现在认为理所当然的许多服务和产品的基础。例如，考虑使用谷歌地图。我们中的许多人现在都认为这种基于人工智能的服务是理所当然的，当它指引我们从一个地方到另一个地方时，我们几乎不用考虑它会带我们去哪里。这个工具背后没有人类向导或主持人；我们甚至不能像在银行那样打电话，要求找人谈谈走错路或被带到了目的地以外的地方。如果出了问题，没有人可以帮助我们，也没有人可以投诉。
重新审视香港先进制造业
第四次工业革命（“工业 4.0”或“I4.0”）在很大程度上推动了先进制造技术和工艺的应用。工业 4.0 目前正在培育“智能工厂”的概念，这将大幅提高劳动生产率，使成本相对较高的国家在全球市场上具有竞争力，特别是使制造业能够以小批量生产高价值产品。事实上，工业 4.0 可以通过自动化、机器人和人工智能等高科技推动因素解决香港的劳动力挑战。麦肯锡全球研究院估计，全球自动化每年可使生产率增长 0.8% - 1.4% 1 。制造业中约 64% 的任务可以实现自动化。普华永道预测，到 2030 年，工业 4.0 技术可为全球经济贡献 15.7 万亿美元 2 。
bevdriver：利用LLMS中的BEV地图进行强大的闭环驾驶
摘要 - 自主驾驶有可能为更有效的未来移动性奠定基础，要求研究领域通过安全，可靠和透明的驾驶来建立信任。大语言模型（LLM）具有推理能力和自然语言的理解，具有作为可以与人类互动和为人类驾驶员设计的环境互动的自我运动计划的普遍决策者的潜力。尽管这条研究途径很有希望，但当前的自动驾驶方法通过结合3D空间接地以及LLMS的发展和语言能力来挑战。我们介绍了BEV-驱动程序，这是一种基于LLM的模型，用于Carla中的端到端闭环驾驶，它利用潜在的BEV功能作为感知输入。bevdriver包括一个BEV编码器，以有效地处理多视图图像和3D LiDAR点云。在一个共同的潜在空间中，BEV特征通过Q-前者传播，以与自然语言指示保持一致，并传递给LLM，该LLM预测和计划在考虑导航说明和关键场景的同时，可以精确的未来轨迹。在Langauto基准测试中，与SOTA方法相比，我们的模型在驾驶得分上的性能高达18.9％。
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。
稳健的环氧树脂，具有破坏性治疗和绿色闭环回收的自主可视化
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。
深水的深度学习：海洋科学专家的机器学习框架
摘要：在数据的空前可用性的驱动下，机器学习已成为行业和科学的普遍性和变革性技术。其对海洋科学的重要性已被赋予了联合国海洋十年的目标之一。虽然收集了增加数量的声学海洋数据以进行研究和监测目的，并且机器学习方法可以实现自动处理和分析声学数据，但它们需要由专家注释或标记的大型培训数据集。因此，解决标记数据的相对稀缺性，除了增加数据分析和处理能力外，还有主要推力区域之一。解决标签稀缺的一种方法是专家在循环的方法，它允许对有限和不平衡数据有效分析。它的优势是通过我们新颖的基于学习的深度专家框架来证明的，用于自动检测Echo Sounder数据中的湍流唤醒签名。使用机器学习算法，例如本研究中提出的算法，大大提高了分析大量声学数据的能力。这将是实现海洋科学中越来越多的声学数据的全部潜力的第一步。
仔细观察猎鹰 - 密码学EPRINT档案
摘要Falcon是NIST六年Quantum加密标准化竞赛的赢家。基于著名的Gentry，Peikert和Vaikuntanathan（GPV）（STOC'08）的全体锤子框架（Falcon）利用NTRU Lattices来实现基于晶格基的方案中最紧凑的签名。其安全性取决于该方案的核心元素高斯采样器的基于RényiDivergence的论点。然而，使用统计距离来争论分布的GPV证明，由于参数选择而无效地应用于猎鹰，导致统计距离的距离为2-34。其他实施驱动的偏离GPV框架进一步使原始证明无效，尽管选择了标准化，但Falcon没有安全证明。这项工作仔细研究了Falcon，并证明了一些少数次要的保守修改允许在随机Oracle模型中对该方案的第一个正式证明。我们分析的核心是GPV框架与RényiDivergence一起使用的适应，以及在此度量下选择参数选择的优化方法。不幸的是，我们的分析表明，尽管我们对Falcon -512和Falcon -1024进行了修改，但对于任何一种方案，我们都没有实现强大的不强制性。对于普通的不强制性，我们能够证明我们对Falcon -512的修改几乎无法满足所要求的120位安全目标，而对于Falcon -1024，我们确认了声称的安全级别。因此，我们建议重新访问猎鹰及其参数。
真正的可再生能源过渡会是什么样？
过渡的核心是在大多数关于能源过渡的讨论的核心中使用较少的能源，这两个巨大的假设将使我们拥有与当今的规模和服务相似的全球工业经济，而这种未来可再生能源经济将继续增长，因为最近的几十年中，化石燃料经济都将继续增长。，但是这两个假设都是不现实的。他们源于非理性期望：我们希望能量过渡完全无痛，而没有牺牲利润或便利性。这个目标是可以理解的，因为如果不产生额外的成本，则在巨大的新任务中招募公众，政府和企业会更容易（尽管战时压倒性的社会努力和牺牲的历史可能会导致我们质疑推定的推定）。
电池管理系统硬件在环...
硬件在环 (HIL) 仿真是一种强大的技术，用于开发和测试复杂的实时嵌入式系统，例如电池管理系统 (BMS)。HIL 仿真涉及将控制器（在本例中为 BMS）连接到它将控制的系统的实时仿真。这使 BMS 能够与模拟真实世界条件的虚拟环境进行交互。HIL 如何为 BMS 工作？• 电池动态仿真：BMS 与模拟电池模型交互，该模型复制实际电池单元的行为，包括充电/放电循环、温度变化和其他关键参数。• 实时测试：BMS 算法经过实时测试，使工程师能够评估系统如何响应各种场景，例如过度充电、深度放电和故障情况。• 及早发现问题：通过在开发过程的早期进行测试，可以在潜在问题变得代价高昂或危险之前发现并解决它们。