XiaoMi-AI文件搜索系统
World File Search SystemOffline
统计和序列学习可以让孩子在一年离线期后获得持久记忆
环境模式的提取是人类整个生命周期学习的基础，不仅在认知技能中发挥着至关重要的作用，而且在感知、运动和社交技能中也发挥着至关重要的作用。至少有两种类型的规律有助于获得技能：（1）统计、基于概率的规律，以及（2）基于序列顺序的规律。基于概率和/或基于序列顺序的规律在短时间内（从几分钟到几周）的记忆表现已在整个生命周期中得到广泛研究。然而，这种知识的长期（数月或一年）记忆表现受到的关注相对较少，而且尚未在儿童中进行评估。在这里，我们旨在测试 9 至 15 岁之间的神经典型儿童在 1 年离线期间对基于概率和基于序列顺序的规律的长期记忆表现。参与者执行了视觉运动四选一反应时间任务，旨在同时测量基于概率和基于序列顺序的规律的习得。通过在 5 小时延迟后重新测试其表现来控制短期巩固效应。一年后，他们又在同一任务上接受了重新测试，两次测试之间没有任何练习。参与者成功地掌握了基于概率和基于序列顺序的规律，并在一年的时间里保留了这两种类型的知识。成功的保留与年龄无关。我们的研究表明，基于概率和基于序列顺序的规律的表征在很长一段时间内保持稳定。这些发现为技能巩固的发展不变性模型提供了间接证据。
奖励通过随年龄变化的在线和离线神经机制增强记忆
奖励动机通过中脑边缘系统、海马和皮质系统之间的相互作用（编码期间和编码后）来增强记忆。这些分布式神经回路的发展变化可能导致奖励动机记忆和潜在神经机制的年龄相关差异。跨物种研究的综合证据表明，青春期皮质下多巴胺信号增加，这可能导致奖励事件的记忆表征比平凡事件更强，以及潜在皮质下和皮质大脑机制的贡献随年龄变化而变化。在这里，我们使用 fMRI 来检查奖励动机如何影响支持两性人类参与者从童年到成年的长期联想记忆的“在线”编码和“离线”编码后大脑机制。我们发现，奖励动机导致 24 小时后联想记忆的年龄不变增强和非线性年龄相关差异。此外，奖励相关的记忆益处与年龄变化的神经机制有关。在编码过程中，随着年龄的增长，前额皮质 (PFC) 和腹侧被盖区 (VTA) 之间的相互作用与更好的高奖励记忆的关联性会更大。编码前到编码后，前海马和 VTA 之间的功能连接变化也与更好的高奖励记忆有关，但在年轻时更是如此。我们的研究结果表明，支持奖励动机记忆的离线皮层下和在线皮层大脑机制的贡献可能存在发育差异。
评估野外的顺序建议：关于离线准确性，点击率和消费的案例研究
摘要。顺序建议问题近年来已经增加了研究兴趣。我们对实践中连续算法的有效性的了解是有限的。在本文中，我们在视频和电影流平台上报告了A/B测试的结果，在该平台上，我们根据非顺序，个性化的推荐模型以及基于受欢迎程度的基线对顺序模型进行了测试。与我们从前面的离线实验中期望的相反，我们观察到基于受欢迎程度和非顺序模型导致了最高点击率。但是，就建议而言，在观看时间方面，顺序模型是最成功的模型。我们的工作指出了顺序模型在实践中的有效性，但它也使我们想起了有关（a）经典离线评估的有时含义的预测能力的重要开放挑战，以及（b）优化点击率率的建议模型的危险。
并网微电网储能系统的强化学习：在线与离线实施对比研究
摘要：由可再生能源、电池存储和负载组成的并网微电网需要适当的能源管理系统来控制电池的运行。传统上，使用离线优化技术，利用 24 小时的负载需求和可再生能源 (RES) 发电预测数据来优化电池的运行，其中电池操作（充电/放电/空闲）是在一天开始之前确定的。强化学习 (RL) 最近被建议作为这些传统技术的替代方案，因为它能够使用真实数据在线学习最佳策略。文献中提出了两种 RL 方法，即离线和在线。在离线 RL 中，代理使用预测的发电和负载数据学习最佳策略。一旦实现收敛，就会实时发送电池命令。这种方法类似于传统方法，因为它依赖于预测数据。另一方面，在在线 RL 中，代理通过使用真实数据实时与系统交互来学习最佳策略。本文研究了这两种方法的有效性。将具有不同标准差的高斯白噪声添加到真实数据中以创建合成预测数据来验证该方法。在第一种方法中，离线 RL 算法使用预测数据。在第二种方法中，在线 RL 算法与真实流数据实时交互，并使用真实数据训练代理。当比较这两种方法的能量成本时，发现如果真实数据和预测数据之间的差异大于 1.6%，则在线 RL 比离线方法提供更好的结果。
社交媒体算法如何脱机公民参与：社会心理过程的框架
许多当代社会运动已在社交媒体上策划。例如，尽管占领华尔街对经济不平等的抗议很少出现在传统媒体上，但该运动在第一天就吸引了4,300个Twitter提到的4,300个Twitter提到，很快就每小时会出现10,000至15,000个职位（DeLuca等人，2012年）。同样，在其第一篇文章的24小时内，#MeToo运动发出了53,000条推文和转发，讨论了性暴力的个人经历，极大地激发了公众对性骚扰的兴趣（Kaufman等，1991）。这种快速扩散表明，通过最低限度的努力，成本和风险，社交媒体可以在广泛到达的社交网络中快速分离用户生成的行动主义（米兰，2015年）。人们不再需要放置传单，确保财政资源或协调大规模聚会来促进和支持事业，这表明社交媒体具有巨大的潜力，可以在没有正式结构或组织的情况下实现基层运动。尽管如此，如果仅在线存在社交媒体行动主义不足以产生真正的社会变革。peo-ple可以在线讨论并表达对社会问题的支持，但是除非它们
Oracle零停机时间迁移 - 逻辑离线迁移到Oracle Database上的ADB-S@Google Cloud
zdmhost.zdm: Audit ID: 185 Job ID: 1 User: zdmuser Client: zdmhost Job Type: "EVAL" Scheduled job command: "zdmcli migrate database -rsp /home/zdmuser/logical_offline_adb/logical_offline_adb.rsp - sourcenode onphost -sourcesid oradb -srcauth ZDMAUTH -SRCARG1用户：Onpuser -Srcarg2 Identity_file：/home/ZDMUSER/.ssh/ID_RSA -SRCARG3 sudo_location：/usr/usr/bin/bin/bin/sudo -eval“计划工作执行时间开始：等效的本地时间：2024-10-18 11:00:52当前状态：成功结果文件路径：“/home/zdmuser/zdm/zdm/zdmbase/chkbase/chkbase/scheduled/scheduled/job-1-1-2024-10-10-18-18-11:01:01:21.log”计量路径： "/home/zdmuser/zdm/zdmbase/chkbase/scheduled/job-1-2024-10-18-11:01:21.json" Excluded objects file path: "/home/zdmuser/zdm/zdmbase/chkbase/scheduled/job-1-filtered-objects-2024-10-18T11: 05：34.879。
脱机深钢筋学习和1型糖尿病中个性化基底胰岛素控制的非政策评估
摘要 - 杂种闭环系统（也称为人造胰腺（AP））的最新进展已被证明可以优化葡萄糖控制，并减轻1型降解者（T1D）的人的自我管理负担。AP系统可以通过连续葡萄糖监测实时通信来调整胰岛素泵的基础输注速率。在深度神经网络中赋予的能力，深钢筋学习（DRL）引入了基础胰岛素控制算法的新范式。但是，所有现有的基于DRL的AP控制器都需要在代理和环境之间进行大量随机在线互动。虽然可以在T1D模拟器中进行阀门，但在现实世界临床环境中它变得不切实际。为此，我们提出了一个离线DRL框架，该框架可以完全离线开发和验证基础胰岛素控制的模型。它包括基于双重延迟的深层确定性策略梯度和行为克隆的DRL模型，以及使用拟合Q评估的非政策评估（OPE）。我们评估了由UVA/Padova T1D Simulator生成的10个虚拟成年人和10个虚拟青少年的硅数据集上提出的框架，而OHIOT1DM数据集则是一个具有12个真实T1D主题的临床数据集。在In Silico数据集中的性能表明，离线DRL算法在范围内显着增加了时间，同时将成人和青少年组的范围低于范围和时间以下。实际和估计的策略值之间的高矛式等级相关系数表示OPE的准确估计。然后，我们使用OPE来估计临床数据集上的模型性能，在该数据集中，观察到每个受试者的策略值显着提高。结果表明，提出的框架是改善T1D中个性化基底胰岛素控制的可行且安全的方法。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
白盒假阳性对抗攻击方法基于对比损失的离线手写签名验证模型
在本文中，我们应对基于离线手写的对比损失 - 十个签名验证模型的白盒假阳性对抗性攻击的挑战。我们采用了一种新颖的攻击方法，该方法将攻击视为紧密复制但独特的写作风格之间的样式转移。为了指导欺骗性图像的产生，我们引入了两个新的损失函数，通过扰动原始样品和合成样品的嵌入向量之间的欧几里得距离来提高抗差成功率，同时通过降低生成图像和原始图像之间的差异来确保最小的扰动。我们的实验证明了我们的方法在白框攻击基于对比度损失的白框攻击中的最新性能，这是我们的实验所证明的。与其他白色盒子攻击方法相比，本文的主要内容包括一种新颖的假积极攻击方法，两种新的损失功能，手写样式的有效风格转移以及在白盒子假阳性攻击中的出色性能。
带移动储能系统和离线控制光伏系统的配电网优化调度策略，以最大限度地减少太阳能弃光
摘要：由于离线控制光伏 (PV) 电站不具备在线通信和远程控制系统，因此无法实时调节功率。因此，在离线控制光伏饱和的配电网中，配电系统运营商 (DSO) 应考虑可再生能源的不确定性来调度分布式能源 (DER)，以防止因过压而导致的限电。本文提出了一种使用移动储能系统 (MESS) 和离线控制光伏的日前网络运行策略，以最大限度地减少功率削减。MESS 模型有效地考虑了 MESS 的运输时间和功率损耗，并模拟了各种操作模式，例如充电、放电、空闲和移动模式。优化问题基于混合整数线性规划 (MILP) 制定，考虑到 MESS 的空间和时间操作约束，并使用机会约束最优潮流 (CC-OPF) 执行。离线控制光伏的上限基于概率方法设定，从而减轻由于预测误差导致的过电压。所提出的运行策略在 IEEE 33 节点配电系统和 15 节点运输系统中进行了测试。测试结果证明了所提出方法在离线控制光伏系统中最小化限电的有效性。