XiaoMi-AI文件搜索系统
World File Search SystemMans
气候变化威胁欧洲的植物多样性
*中心d'ecologie fonctionnelle et evol evol，中心国家de la recherche Scienti-Unite´-Unite´mixte de Recherche 5175，1919 Route de Mende，34293 Montpellier Cedex 5； †气候变化研究小组，Kirstenbosch研究中心，国家植物学院，P BAG X7，Claremont 7735，南非开普敦； ‡宏观生态学和保护部门，埃斯特拉达（Estrada Dos Leo〜ES），埃斯特拉达（Estrada dos Leo），葡萄牙7000-730 e vora； ¶Laboratoire D'ecologie Alpine，中心国家DE LA RECHERCHE SCICORI-UNITE-UNITE´MIXTE DE RECHERCHE 5553，UNIGERTITE，J。FORNNIER，B.P。53x，38041法国Grenoble Cedex 9；牛津大学牛津大学地理与环境学院的生物多样性研究小组，牛津大学牛津牛群，牛津奥克斯1 3TB，英国； **地理圈科学中心，伦德大学隆德大学物理和生态系统分析系，瑞典12，223 62伦德； ††Quest，布里斯托尔大学地球科学系，威尔斯纪念大楼，布里斯托尔BS8 1RJ，英国皇后路
![arXiv:2005.00582v1 [cs.AI] 2020 年 5 月 1 日](/simg/d\d38cb53a124e35c7288255cbad2b1305ccb5a18c.png)
arXiv:2005.00582v1 [cs.AI] 2020 年 5 月 1 日
开放世界中 AI 的新兴愿景集中在开发可以补充人类感知、诊断和推理任务的系统上。迄今为止，旨在补充人类技能的系统已经采用了经过单独训练以尽可能准确的模型。我们展示了如何利用端到端学习策略来优化人机团队的综合表现，同时考虑人与机器的不同能力。目标是将机器学习重点放在对人类来说困难的问题实例上，同时识别对机器来说困难的实例并寻求人类的输入。我们在两个现实世界领域（科学发现和医学诊断）证明，通过这些方法建立的人机团队的表现优于机器和人的个体表现。然后，我们分析这种互补性最强的条件，以及哪些训练方法可以放大它。总的来说，我们的工作首次系统地研究了如何训练机器学习系统来补充人类推理。
用于解码高级视觉图像任务的独立于主体的脑机接口
摘要 — 脑机接口 (BCI) 用于识别人类的状态和意图，实现人与设备之间的通信。使用脑电图 (EEG) 信号进行人与无人机之间的通信是 BCI 领域最具挑战性的问题之一。特别是，与无人机控制相比，无人机群的控制（方向和编队）具有更多优势。视觉意象 (VI) 范式是受试者在视觉上想象特定的物体或场景。减少受试者 EEG 信号之间的变异性对于基于 BCI 的实际系统至关重要。在本研究中，我们提出了子纪元特征编码器 (SEFE)，以通过使用 VI 数据集来提高与受试者无关的任务的性能。本研究是首次尝试展示基于 VI 的 BCI 中受试者之间泛化的可能性。我们使用留一交叉验证来评估性能。包含我们提出的模块比排除我们提出的模块时获得更高的性能。在六种不同的解码模型中，带有 SEFE 的 DeepConvNet 表现出最高的 0.72 性能。因此，我们证明了使用我们提出的模块在与主题无关的任务中解码 VI 数据集并具有稳健性能的可行性。
MI-BCI 特征优化应在何时包含先验知识，以及哪一个？
基于运动想象的脑机接口 (MI-BCI) 依赖于人与机器之间的交互。因此，两个组件的（学习）特性对于理解和提高性能至关重要。数据驱动方法通常用于选择/提取几乎没有神经生理先验的特征。这种方法是否应该包括先验知识，如果是，那么包括哪些？本文研究了 BCI 性能与由流行的启发式算法选择的特定于受试者的最具判别力的频带 (MDFB) 的特征之间的关系。首先，我们的结果显示所选的 MDFB 特性（平均值和宽度）与性能之间存在相关性。然后，为了调查可能的因果关系，我们在线比较了使用受限（强制与高性能相关的特性）和不受约束的算法获得的性能。虽然我们无法得出因果关系的结论，但使用受限算法的平均性能最高。最后，为了更好地了解 MDFB 特性与性能之间的关系，我们使用机器学习来 1) 使用 MDFB 特性预测 MI-BCI 性能和 2) 为每个受试者自动选择最佳算法（受约束或不受约束）。我们的结果表明，对于具有明显不同或没有明显 EEG 模式的受试者，受约束算法可以提高其性能。
面向决策的人机协作对话
我们描述了一类称为决策导向对话的任务，在这些任务中，大型语言模型 (LM) 等 AI 助手必须通过自然语言与一个或多个人类合作，以帮助他们做出复杂的决策。我们将用户每天面临的决策的三个领域形式化：（1）选择会议论文的审稿人任务，（2）规划某个城市的多步骤行程，（3）为朋友团体协商旅行计划。在每种情况下，AI 助手和用户都具有不同的能力，他们必须将这些能力结合起来才能做出最佳决策：助手可以访问和处理大量信息，而用户则具有系统外部的偏好和约束。对于每个任务，我们构建了一个对话环境，代理会根据他们做出的最终决策的质量获得奖励。我们在自我对弈和与人类合作中对 LM 进行了评估，发现它们与人类助手相比存在不足，尽管对话时间较长，但获得的奖励要低得多。我们强调了模型在决策导向对话中面临的许多挑战，从目标导向行为到推理和优化，并将我们的环境发布为未来工作的试验台。
93广泛使用的大语言算法的影响...
结果。对最近通过非模棱两可的算法增强的工具的分析表明，该行业的主导地位提供了信息和创造性的支持。这些工具在公众之间具有高度高的可靠性，并涉及减少的验证措施。对现有文献和人类心理学的研究的回顾表明，以前的社会当局对决策行为的影响与通过AI获得的不批判性信息的影响之间存在非常密切的相关性。研究表明，访问这些工具，没有适当控制结果的行动，可以使用户暴露于偏见，操纵或对营销活动的易感性。另外，通过对这些实施算法进行适当和合理的使用，人类能够在决策中获得非常精确和基于知识的支持。在创造力，创新和好奇心的文本中也观察到了类似的结果。独创性。本文介绍了在新的和扩展的AI增强工具的背景下与Humans的心理性质有关的主题。探索研究的结果清楚地表明，算法支持的程序在科学和社会发展方面都表明了潜力。不幸的是，它们还为两者带来了许多潜在的危险，在基金会中讨论的这为更深入的研究提供了基础。
偏好对人对齐的优化优化
大型语言模型（LLMS）通常包含误导性内容，强调需要使它们与人类价值观保持一致以确保安全的AI系统。从人类反馈（RLHF）中学习的强化已被用来实现这一路线。然而，它包括两个主要的抽签：（1）RLHF表现出与SFT相反的对超参数的复杂性，不稳定和对超参数的现象。（2）尽管进行了大规模的反复试验，但多次抽样却降低为配对的对比度，因此缺乏宏观角度的对比度。在本文中，我们提出优先排名优化（PRO）作为有效的SFT算法，以直接对人类对齐进行微调。pro扩展了逐对的骗局，以适应任何长度的偏好排名。通过迭代对比候选人，Pro指示LLM优先考虑最佳响应，同时逐步对其余响应进行排名。以这种方式，Pro有效地将Human对齐方式转换为LLM产生的N重点的概率排名与Humans对这些响应的偏好排名。实验表明，Pro的表现优于基线算法，通过基于自动的，基于奖励的GPT-4和人类评估，与CHATGPT和人类反应取得了可比的结果。
Jurafsky，马丁。语音和语言...
史丹利·库布里克（Stanley Kubrick）的电影《 2001年》中的推杆：太空漫游是20世纪电影中最知名的角色之一。hal是一种人工，能够像说话和理解英语一样具有良好的语言处理行为，在情节中的关键时刻，甚至阅读嘴唇。现在很明显，Hal的创作者Arthur C. Clarke在预测何时可用的人工药物（例如HAL）上有点乐观。但是他离他有多远？至少创建HAL的语言相关部分需要什么？我们将诸如HAL之类的程序称为与Humans通过自然语言对话代理或对话系统进行交谈。在本文中，我们对话代理对话系统研究了组成现代对话代理的各种组成部分，包括语言输入（自动语音识别和自然语言理解）和语言输出（自然语言和语音综合）。让我们转到另一个有用的语言相关任务，这是为非英语读者提供的，而不是讲英语的读者。或翻译英语的人，以其他语言（如中文）编写的数亿网页。机器翻译的目的是自动加工翻译
反馈引导的自主驾驶-CVF Open Access
虽然行为克隆最近已成为自主驾驶的非常成功的范式，但Humans很少学会通过单独的模仿或行为克隆来执行复杂的任务，例如驱动或行为。相比之下，人类的学习通常涉及在整个交互式学习过程中的其他详细指导，即通常通过语言的反馈提供详细的信息，以详细信息，以进行审判的哪一部分进行，不正确或次要地进行。以这种观察的启发，我们引入了一个有效的基于反馈的框架，用于改善基于行为克隆的传感驱动剂培训。我们的关键见解是利用大语模型（LLM）的重新进步，以提供有关驾驶预测失败背后的理由的纠正良好的反馈。更重要的是，我们引入的网络体系结构是有效的，是第一个基于LLM的驾驶模型的第一个感觉运动端到端培训和评估。最终的代理在Nuscenes上的开环评估中实现了最新的性能，在准确性和碰撞率上的表现优于先前的最新时间超过8.1％和57.1％。在卡拉（Carla）中，我们的基于相机的代理在以前的基于激光雷达的AP摄入率上提高了16.6％的驾驶得分。
学习电磁超物理物理
大型语言模型（LLM），例如Chatgpt，Gemini，Llama和Claude接受了从互联网解析的文本数量的培训，并且表现出了出色的能力，可以以一种与人类无法区分的方式响应复杂提示的能力。对于由带有四个椭圆形谐振器的单位细胞组成的全dielectric寄生虫，我们在多达40,000个数据上呈现了一个llmfien，可以预测只有文本提示的吸收率谱，仅指定了元时间的几何形状。将结果与传统的机器学习方法进行比较，包括馈送前向神经网络，随机森林，线性回归和K-Nearest邻居（KNN）。值得注意的是，使用深度神经网络的大型数据集尺寸的细胞调整LLM（FT-LLM）的性能可比。我们还通过要求LLM预测实现所需光谱所需的几何形状来探索反问题。llms比Humans具有多个优势，这些优点可能使他们有益于研究，包括处理大量数据，数据中发现的隐藏模式并在高维空间中运行的能力。这表明他们可能能够利用对世界的一般知识比传统模型更快地学习，从而使他们的研究和分析工具有价值。