XiaoMi-AI文件搜索系统
World File Search SystemOct
![arxiv：2010.03951v1 [q-bio.qm] 2020年10月5日](/simg/g:\will\search\icon\source\8\857de6e6f75e00a1af4cccce1e3e961bb9f76f48.webp)
arxiv：2010.03951v1 [q-bio.qm] 2020年10月5日
展示了技术。在这里，我们提出了一个名为Moldesigner的人类Web用户界面（UI），以帮助药物开发人员利用DL来改善药物设计。鉴于药物分子，霉菌签名人可以预测由最新的DL模型中的各种重要指数，该指标由我们的Deeppurpose库提供支持[8]。他们提供实时反馈，以帮助药物开发人员修改分子结构并在此过程中进行迭代，直到模型开始显示候选药物具有合理的措施和特性为止。以这种方式，药物开发人员可以利用DL模型快速设计一种不仅对目标蛋白具有高效率的药物，而且具有理想的ADMET特性。霉菌签名者对于铅优化特别有用，在药物开发人员对分子结构进行化学修饰以提高药物质量的情况下。
![arxiv：2410.01273v1 [cs.ro] 2024年10月2日](/simg/g:\will\search\icon\source\7\78380b4f2236d49e7003725348d32370ccf2f6c5.webp)
arxiv：2410.01273v1 [cs.ro] 2024年10月2日
摘要 - 现实生活中的机器人导航不仅涉及到达目的地；它需要在解决方案特定目标的同时优化运动。人类表达这些目标的一种直观方式是通过诸如口头命令或粗略草图之类的抽象提示。这样的人类指导可能缺乏细节或嘈杂。尽管如此，我们希望机器人能够按预期导航。让机器人根据人类期望来解释和执行这些抽象说明，他们必须与人类对基本导航概念有共同的理解。为此，我们介绍了Canvas，这是一个新颖的框架，结合了常识感知导航的视觉和语言说明。它的成功是由模仿学习驱动的，使机器人能够从人类航行行为中学习。我们提出命令，这是一个具有人类通知结果的综合数据集，范围超过48小时，219公里，旨在训练模拟环境中的常识性导航系统。我们的实验表明，画布在所有环境中都超过了强大的基于规则的系统，并以嘈杂的说明显示出了卓越的性能。值得注意的是，在果园环境中，Ros Navstack记录了总成功率0％，帆布的总成功率为67％。画布也与人类的示范和常识性约束密切一致，即使在看不见的环境中也是如此。此外，画布的现实部署展示了令人印象深刻的Sim2real转移，总成功率为69％，强调了在模拟环境中为现实世界应用中的人类展示学习的潜力。
![arxiv：2410.00578V1 [CS.SE] 2024年10月1日](/simg/g:\will\search\icon\source\9\9f1e52cda70cfd898deff765a5f1481089fccf46.webp)
arxiv：2410.00578V1 [CS.SE] 2024年10月1日
抽象高度自动化的驾驶功能由于其高复杂性和动态环境而对安全保证构成了挑战。UL 4600是自动产品的安全标准，要求使用安全性能指标（SPI）在确定违规时通过监视和采取措施的安全案件的有效性不断确保安全案件的有效性。尽管标准和伴侣文献中提供了许多混凝土SPI的例子，但它们对实现安全性的贡献理由通常是隐含的。在本文中，我们将最初的工作介绍了使用SPI的参数模式，以确保整个系统的整个生命周期中安全案例的有效性。我们的目的是使使用SPI的隐含论点明确，并基于此，以分析可能破坏对所选SPI集的信心的情况。为了维持SPI的有效性，我们提出了一种通过使用Meta-SPI不断监视其预期性能的方法。
![arxiv：2305.11283v5 [cs.lg] 2024年10月2日](/simg/g:\will\search\icon\source\f\ff712c48a65f819ca01a3257ff29e3fc2b268c09.webp)
arxiv：2305.11283v5 [cs.lg] 2024年10月2日
在本文中，我们研究了具有基于一般模型的函数近似值的均值控制（MFC）和均值野外游戏（MFC）和均值野外游戏（MFC）的基本统计效率。我们引入了一个称为基于均值模型的Eluder Dimension（MF-MBED）的新概念，该概念构成了均值模型类的固有复杂性。我们表明，富裕的平均RL问题家族表现出低MF膜。此外，我们提出了基于最大似然估计的al-gorithms，它可以返回MFC或MFG的ε-纳什平衡势。总体样品复合物仅取决于多项式膜，该MF膜可能比州行动空间的大小低得多。与先前的作品相比，我们的结果只需要刻薄的假设，包括可靠性和Lipschitz的连续性。
T&LPC 2023 年 10 月人工智能检测工具
已移动 ( / ) T&LPC 向参议院建议，大学不支持使用 AI 检测工具来处理学生课程，以识别学术诚信问题。背景 GPT4 和其他类似技术的出现引发了高等教育内部关于人工智能对一系列学术活动（包括教学、学习和学术研究）的影响的激烈辩论。为了确保布鲁克的运营决策受益于我们重要的内部专业知识，教务长和学术副校长于今年早些时候成立了一个人工智能咨询小组。这个跨学科小组的成员名单列在本备忘录的末尾，其中包括 14 名在与人工智能相关的不同领域拥有专业知识的教职员工。根据该小组最初关注的生成式人工智能对教学实践的影响，咨询小组成员帮助制定了教学创新中心向布鲁克大学教师和学习者发布的指导意见。然而，咨询小组内部最近的讨论涉及旨在检测学生课程中人工智能使用情况的工具和技术（“人工智能检测工具”）。这是一个新出现的问题，已被确定需要澄清，特别是为了帮助那些试图评估学生课程中可能未经授权使用生成式人工智能的教师，以维护学术诚信。在教务长顾问小组讨论 AI 检测工具后，顾问小组成员参加了 2023 年 9 月 21 日的教学与学习政策委员会会议，他们在会上概述了他们向教务长强烈建议布鲁克大学不支持使用 AI 检测工具处理学生课程以识别学术诚信问题的一些理由。在上个月的教学与学习政策委员会讨论之后（以及其他相关论坛，如教务长的学术诚信顾问小组的讨论），教务长希望将该小组的建议作为正式动议进行审议（如上所述）。顾问小组成员阐述的这项动议的理由如下：
负责库存 - 1922 年 10 月 13 日之前完成
2 天前 — 26 日晚间参加了学校的活动，住在军队里。在家里......做杂工，照看体育和设备。10 月 3 日 - 星期二......
![arXiv:2310.20444v1 [cs.AI] 2023 年 10 月 31 日](/simg/g:\will\search\icon\source\7\72c883b16227d899c0dc01cfa40aed09239cae94.png)
arXiv:2310.20444v1 [cs.AI] 2023 年 10 月 31 日
摘要 人工智能 (AI) 是我们这个时代最重要的技术之一。因此，了解哪些利益相关者影响 AI 研究至关重要。除了大学的研究人员之外，公司研究人员在这种背景下几乎没有被考虑。在本文中，我们考虑如何根据科学出版活动衡量公司对 AI 研究的影响。我们比较了过去十年出版的学术和公司撰写的 AI 出版物，并使用来自多个学术数据库的科学计量数据来寻找这些群体之间的差异并揭示贡献最大的组织。虽然绝大多数出版物仍然是由学术界制作的，但我们发现，当出版物由公司（共同）撰写时，单个出版物获得的引用数要高得多。此外，使用各种替代指标，我们注意到有公司参与的出版物在网上获得了更多的关注。最后，我们将分析结果置于更广泛的背景下，并提出有针对性的建议，以维护人工智能研究领域学术界和工业界之间的和谐平衡。