XiaoMi-AI文件搜索系统
World File Search SystemModels
打造社会企业商业模式的人工智能创意支持工具
摘要：社会企业包含不同的逻辑，因此寻找能够调和经济和社会目标冲突的商业模式非常复杂。我们认为数字技术可以帮助社会企业家克服这一困难。事实上，本文旨在通过对这些不同研究流派进行系统的文献综述，全面介绍（1）商业模式创新、（2）社会企业和（3）基于人工智能的创造力支持工具的文献现状。我们的目的不是对这三种文献进行全面回顾，而是确定将它们联系起来的主要主题和子主题。在此基础上，我们提出了一种新的观点，即复杂的商业模式创新（例如处理社会企业混合模式的创新）如何通过基于人工智能的创造力支持工具得到推动，并制定了扩大对这一有希望的联系的研究议程。
具有人工智能规划模型的分层强化学习
两种常见的顺序决策方法是人工智能规划 (AIP) 和强化学习 (RL)。每种方法都有优点和缺点。AIP 具有可解释性，易于与符号知识集成，并且通常很高效，但需要预先指定逻辑域，并且对噪声敏感；RL 只需要指定奖励，并且对噪声具有鲁棒性，但样本效率低下，不易获得外部知识。我们提出了一种将高级规划与 RL 相结合的综合方法，保留了可解释性、迁移和效率，同时允许对低级规划操作进行鲁棒学习。我们的方法通过在 AI 规划问题的状态转换模型和马尔可夫决策过程 (MDP) 的抽象状态转换系统之间建立对应关系，从 AIP 运算符定义分层强化学习 (HRL) 中的选项。通过添加内在奖励来学习选项，以鼓励 MDP 和 AIP 转换模型之间的一致性。我们通过比较 MiniGrid 和 N 室环境中 RL 和 HRL 算法的性能来展示我们的集成方法的优势，展示了我们的方法相对于现有方法的优势。
视觉模型的有效测试时间适应
通过预训练的视觉模型进行测试时间适应，引起了越来越多的关注，以应对测试时间的分离转移。尽管事先实现了非常有前途的性能，但它们会进行密集的计算，这与测试时间适应非常不规则。我们设计了TDA，这是一种无训练的动态适配器，可通过视觉模型进行有效，有效的测试时间适应。tda可与轻巧的键值缓存一起使用，该缓存维持具有很少射击伪标签的dy-namic队列作为值，而相应的测试样本特征则是键。杠杆键值缓存，TDA允许通过渐进式伪标签的细化逐渐调整数据，而逐步测试数据，而不会产生任何反向传播。此外，我们引入了负伪标记，即当模型不确定其伪标签预测时，通过将伪标签分配给某些负类时，可以减轻伪标签噪声的不利影响。在两个基准上进行的广泛实验表明，与最先进的艺术品相比，TDA的实体有效性和效率。该代码已在https：//kdiaaa.github.io/tda/中发布。
使用交叉注意信号对大型语言模型进行微调模型的一种自我监督的强化学习方法
我们为不依赖于人类反馈的大型语言模型（LLMS）提出了一种新颖的增强学习（RL）框架。相反，我们的方法使用模型本身中的交叉注意信号来获得自我监督的奖励，从而指导对模型策略的迭代微调。通过分析模型在生成过程中如何“参加”输入提示，我们构建了及时的覆盖，重点和连贯性的度量。然后，我们使用这些措施来对候选响应进行排名或评分，提供了奖励信号，鼓励模型产生良好的一致，主题文本。在与标准策略梯度方法的经验比较和合成偏好模型的RL微调中，我们的方法在非RL基线的迅速相关性和一致性方面显示出显着的提高。虽然它尚未与完全监督的RLHF系统的性能相匹配，但它突出了使用最小的人类标记来扩展对齐的重要方向。我们提供了详细的分析，讨论潜在的局限性，并概述了将基于跨注意的信号与较少人类反馈相结合的未来工作。
sangea：可扩展和归因网络生成
深层生成模型（DGM）是用于学习数据表示的多功能工具，同时合并了域知识，例如条件概率分布的规范。最近提出的DGMS解决了比较来自不同来源的数据集的重要任务。这样的示例是对比分析的设置，该分析的重点是描述与背景数据集相比富含目标数据集中的模式。这些模型的实际部署通常假定DGM自然推断出可解释的和模块化的潜在表示，这在实践中是一个问题。因此，现有方法通常依赖于临时正规化方案，尽管没有任何理论基础。在这里，我们通过扩展非线性独立组件分析领域的最新进展，提出了对比较DGM的可识别性理论。我们表明，尽管这些模型在一般的混合功能上缺乏可识别性，但当混合函数在零件上时，它们令人惊讶地变得可识别（例如，由Relu神经网络参数化）。我们还研究了模型错误指定的影响，并从经验上表明，当未提前知道潜在变量的数量时，以前提出的用于拟合比较DGM的正则化技术有助于识别性。最后，我们引入了一种新的方法，用于拟合比较DGM，该方法通过多目标优化改善了多个数据源的处理，并有助于使用约束优化以可解释的方式调整正规化的超参数。我们使用模拟数据以及通过单细胞RNA测序构建的细胞中的遗传扰动数据集以及最新的数据集验证了我们的理论和新方法。关键字：非线性ICA；深层生成模型；变分推断；解开；
评估加利福尼亚州的替代 DSO 模型.docx
根据此指导和时间范围预期，本文将有助于委员会指导公用事业公司为未来高 DER 实现电网现代化，并帮助委员会考虑一系列配电系统运营商的角色和职责，以确定最能快速发展电网能力和运营的 DSO 模型，以整合更高水平的 DER，实现该州 100% 清洁能源的目标。高 DER 程序的大部分范围旨在短期内进行更改，以改善配电规划和运营，从而实现 DER 的社会和费率价值最大化。本文通过对长期结构和运营变化的研究来补充这些短期努力。未来电网研究的一些结果可以为电网规划和运营的短期变化提供信息，但其中大部分必然侧重于长期变化。
生成的多模式模型是良好的类增量学习者
在班级学习（CIL）方案中，由于阶级的偏见对当前任务的偏见引起的灾难性遗忘者长期以来一直引起了重大挑战。它主要由判别模型的特征引起。随着生成性多模式模型的日益普及，我们将探索用CIL生成的歧视模型代替歧视模型。，从歧视到生成模式过渡需要解决两个关键挑战。主要挑战在于将生成的文本信息转移到不同类别的分类中。在方面，它需要在生成框架内制定CIL的任务。为此，我们提出了一种新颖的生成性多模式模型（GMM）框架，用于类增量学习。我们的方法直接使用改编的生成模型为图像生成Labels。获得详细的文本后，我们使用文本编码器来阐述文本特征，并采用匹配的功能来确定最相似的标签与分类的标签。在传统的CIL设置中，我们在长期序列的任务方案中取得了更好的影响。under少数CIL设置，与所有当前最新方法相比，我们的精度至少提高了14％，而遗忘的遗忘明显较小。我们的代码可在https://github.com/doubleclass/gmm上找到。
为流体力学学生项目制作风洞模型的替代方法
为流体力学学生项目制作风洞模型的替代方法摘要基于项目的工程教育方法使得学生希望在流体力学课程中创建功能性风洞模型来测试原始设计。本文根据成本、生产时间、易用性以及设备和材料的可及性，比较了几种快速原型 (RP) 方法与用于制造流体动力学模型的传统模具/铸造技术。考虑的 RP 技术包括立体光刻 (SLA)、选择性激光烧结 (SLS)、熔融沉积成型 (FDM)、3D 打印和 CNC 加工。这些方法从数字格式的原始设计开始，而传统方法（例如使用硅橡胶或藻酸盐模具铸造）至少需要粗略的物理原型。还讨论了 RP 模型的涂层和精加工工艺。背景和介绍 德克萨斯大学奥斯汀分校机械工程系已开展了 6 年的综合计划，旨在在整个本科课程中实施基于项目的方法 [1]。该计划的一个要素包括与流体力学入门课程同时进行的风洞测试。本科流体力学实验室有两个风洞，分别有 12"x12" 和 24"x24" 的测试部分。目前，学生仅使用风洞进行经典实验，使用现成的模型（例如横流中的圆柱体和翼型）以及进行流动可视化演示。被测试的对象形状简单，提供有限的创造性实验机会。我们希望通过为学生提供设计和测试原始空气动力学模型（例如汽车车身形状）的机会来增强这种体验。这促使人们研究快速生产原始设计风洞模型的替代方法。考虑了两种根本不同的方法：（1）从粗糙的物理原型开始成型/铸造模型和（2）从数字图像创建功能性物理模型。成型/铸造技术能够生产所有尺寸和几何公差的模型。这些方法可以利用各种不同的材料进行模具制作和铸造，包括热熔胶、乳胶、硅橡胶、聚硫橡胶、聚氨酯、藻酸盐、塑料树脂、环氧树脂、蜡、泡沫、粘土和水基石膏或混凝土。设备和该多步骤过程可能很长，并且需要一定的技能来形成可重复使用的模具和铸造模型。快速原型 (RP) 是指直接从 CAD 文件制造物理对象的过程。此类原型技术包括立体光刻 (SLA)、选择性激光烧结 (SLS)、熔融沉积成型 (FDM)、3D 打印和 CNC 加工等工艺。这些工艺中的每一个都会产生耐用、持久的模型，并且可以通过各种二次表面处理来增强其性能。