XiaoMi-AI文件搜索系统
World File Search SystemRepresentation
知识表示和推理
2月5日，星期三（15H45）在B4.233室 +组织（14'）2月6日，星期四（15h45）动机（72'）2月11日，星期二（15H45）介绍（15H45）介绍（170'）2月12日，星期三（170'）在2月19日（星期三）（15h45）在P3E11开会1（2月24日）开始作业1（于2月24日）；开始家庭作业2（在3月3）2月20日，星期四（15H45）建模（106'）2月26日，星期三（15H45）在B4.233举行的会议；讨论家庭作业1 2月27日，星期四（15H45）语言（128'），星期二，3月。4（15H45）3月，3月。5（15H45）在B4.233举行的会议；讨论家庭作业2，开始作业3（将于3月 23）3月，星期三 12（15H45）在B4.233举行的会议； 3月13日（15H45）的开始项目工作（119'）5（15H45）在B4.233举行的会议；讨论家庭作业2，开始作业3（将于3月23）3月，星期三12（15H45）在B4.233举行的会议； 3月13日（15H45）的开始项目工作（119'）12（15H45）在B4.233举行的会议； 3月13日（15H45）的开始项目工作（119'）
代表以工程为重点的儿童文学
抽象的儿童的图画书长期以来被理解为探索儿童生活，经历和身份的各个方面的有力媒介，这些媒介是使孩子们看到自己反射的媒介，因为他们可以通过这些窗户深入了解他人的经历，并在孩子们与故事与故事相连时，以有意义的方式与他人相连。利用一种关键的内容分析方法，这项研究研究了当代儿童图画书中发现的身份标记和工程实践，并以工程为重点。分析产生了关键主题，这些主题突出了孩子可以通过视觉图像和故事情节互动并连接到角色和工程内容的方式。作为审查的书籍具有有限的社会，文化和人格身份表征，研究结果对幼儿教育工作者的影响有影响，因为它们强调了肯定和将工程和设计工作与学生在班上学生的多样化，多方面的身份相关的重要性。这项研究的建议呼吁通过包括以工程为重点的儿童文学来扩展传统的教室建设和建筑体验，以增强和扩展儿童对设计和工程工作的理解。
videojam：在视频模型中增强运动产生的联合外观运动表示
尽管最近取得了巨大进展，但生成的视频模型仍然很难捕获现实世界的运动，动态和物理。我们表明，这种限制是由常规的像素重建物镜产生的，该物镜以牺牲运动相干性为代价的模型出现忠诚度。为了解决这个问题，我们介绍了视频果酱，这是一个新颖的框架，它通过鼓励模型学习联合外观运动表示，在视频发电机之前灌输有效的动作。Videojam由两个互补单元组成。在培训期间，我们扩展了目标，以预测产生的像素及其相应的运动。在推断期间，我们介绍了内部指导，该机制通过将模型自身不断发展的运动依靠作为动态引导信号来引导生成迈向连贯运动。值得注意的是，我们的
通过混合深度学习框架统一遗传和化学扰动代表
b，unipert（黑色框架面板）和ESM（灰色框架面板），在1级药理类别的蛋白质嵌入（n = 4,417）的T-SNE可视化比较（左）和类别分布（右）。颜色突出显示了前7个类别，其余少数和未分类蛋白的可视化在扩展数据中详细介绍。2。
神经成熟提供了表征的稳定性和理解复杂概念的解决方案 Hiroyasu Watanabe Bream 研究小组
神经成熟提供表征的稳定性和理解复杂概念的解决方案 Hiroyasu Watanabe Bream 研究小组 摘要 通过人工智能实现类似人类大脑功能的最新进展日益显著。然而，人工智能的这些惊人进步并不一定需要了解现代分子生物学。在这里，我说明了神经成熟在基于神经网络的信息处理模型中的重要性。在监督和强化学习范式中，未成熟的传递可以学习像正常高保真条件这样的属性，但在达到灾难性点后会失去这些属性。然后我研究了负责神经元成熟的基因，发现候选基因 KCNH7 在小鼠大脑发育过程中以更高的水平表达。在具有 KCNH7 通道属性的模拟神经模型中，激发阈值增加，从而产生线性响应属性。这些属性增强了表征回忆的稳定性，并使无监督学习模型能够理解复杂的概念。这些结果强调了神经成熟在成年人实现更高识别能力方面的重要性。
发现黑盒优化的表示
黑盒优化中解决方案的编码是一种微妙的、手工平衡，既要考虑表达能力和领域知识，又要考虑探索各种解决方案和确保这些解决方案有用。我们的主要见解是，这个过程可以通过使用质量多样性算法（此处为 MAP-Elites）生成高性能解决方案的数据集，然后从该数据集中学习生成模型（此处为变分自动编码器）的表示来实现自动化。我们的第二个见解是，这种表示可用于将质量多样性优化扩展到更高维度，但前提是我们要仔细混合使用学习到的表示生成的解决方案和使用传统变分算子生成的解决方案。我们通过学习一千个关节平面臂的逆运动学的低维编码来展示这些能力。结果表明，学习到的表示使得能够以比标准 MAP-Elites 少几个数量级的评估来解决高维问题，并且一旦解决，生成的编码可用于快速优化新颖但相似的任务。所提出的技术不仅可以将质量多样性算法扩展到高维，而且表明黑盒优化编码可以自动学习，而不是手动设计。
图形级表示与联合...
联合装饰预测架构（JEPA）最近成为一种新颖而有力的技术，用于自我监督的代表学习。他们旨在通过从上下文信号x的潜在反映中预测目标信号y的潜在表示基于能量的模型。JEPA绕过对负面样本和积极样本的需求，传统上是由对比度学习所必需的，同时避免了与生成预处理相关的过度拟合问题。在本文中，我们表明，可以通过提出图形联合装置谓语体系结构（Graph-jepa）来有效地使用此范式进行图形级表示。特别是，我们采用蒙版的建模并专注于预测从上下文子图的潜在代表开始的掩盖子图的潜在表示。为了赋予图表概念中通常存在的隐式层次结构，我们设计了一个替代预测目标，该目标包括预测2D平面中单位双曲线上编码子图的坐标。通过多次实验评估，我们表明Graph-jepa可以学习高度语义和表现力的表示，如图分类，回归和区分非同构图中的下游性能所示。该代码可在https://github.com/geriskenderi/graph-jepa上找到。
链的双层几何表示...
我们为基于链的3D发型几何形状引入了双层层次生成表示，该几何形状从粗，低通的过滤导型头发到富含高频细节的密集的人浓厚的发束。我们采用离散的余弦变换（DCT）将低频结构曲线与高频卷曲和噪声分开，从而避免了吉布斯在开放曲线中与标准傅立叶变换相关的吉布斯振荡问题。与从头皮UV地图网格中取样的导向头发可能会失去现有方法中发型的细节，我们的方法通过利用低通滤波的密集链中的k -Medoid集群中心来样本最佳的稀疏导向链，从而更准确地保留了发型的本质特征。拟议的基于自动编码器的生成网络，其启发的架构是受几何深度学习和隐式神经表示的启发，可促进灵活的，离网的导向链建模，并使从隐含的神经表示的原理上绘制任何数量和密度的密度和密度完成密集的链。经验评估证实了该模型产生令人信服的指导头发和密集链的能力，并提供细微的高频细节。1
语言实体掩蔽可改善低资源语言的多语言模型的跨语言表示
按照掩蔽语言建模 (MLM) 目标进行训练的多语言预训练语言模型 (multiPLM) 通常用于双语文本挖掘等跨语言任务。然而，这些模型的性能对于低资源语言 (LRL) 仍然不是最优的。为了改进给定 multiPLM 的语言表示，可以进一步对其进行预训练。这称为持续预训练。先前的研究表明，使用 MLM 进行持续预训练，随后使用翻译语言建模 (TLM) 进行预训练可以改进 multiPLM 的跨语言表示。然而，在掩蔽期间，MLM 和 TLM 都会给予输入序列中的所有标记相同的权重，而不管标记的语言属性如何。在本文中，我们引入了一种新颖的掩蔽策略，即语言实体掩蔽 (LEM)，用于持续预训练步骤，以进一步改进现有 multiPLM 的跨语言表示。与 MLM 和 TLM 相比，LEM 将掩码限制在语言实体类型名词、动词和命名实体上，这些实体在句子中占据更重要的地位。其次，我们将掩码限制在语言实体范围内的单个标记上，从而保留更多上下文，而在 MLM 和 TLM 中，标记是随机掩码的。我们使用三个下游任务评估 LEM 的有效性，即双语挖掘、并行数据管理和代码混合情感分析，使用三种低资源语言对英语-僧伽罗语、英语-泰米尔语和僧伽罗语-泰米尔语。实验结果表明，在所有三个任务中，使用 LEM 持续预训练的多 PLM 优于使用 MLM+TLM 持续预训练的多 PLM。