XiaoMi-AI文件搜索系统
World File Search SystemSearch
缩小POMCP：实时无人机搜索和救援的框架
摘要 - 搜索和救援行动中无人机的有效路径优化面临挑战，包括有限的可见性，时间限制和城市环境中的复杂信息收集。我们提出了一种全面的方法，可以利用3D AirSim-Ros2模拟器和2D模拟器，用于基于无人机的搜索和救援操作。路径计划问题被提出为部分可观察到的马尔可夫决策过程（POMDP），我们提出了一种新颖的“缩小POMCP”方法来解决时间限制。在Airsim环境中，我们将我们的方法与信仰维护的概率世界模型和避免障碍物的神经玫瑰花型导航器相结合。2D模拟器采用具有等效功能的替代ROS2节点。我们比较了2D模拟器中不同方法产生的轨迹，并评估3D Airsim-Ros模拟器中各种信念类型的性能。两个模拟器的实验结果表明，与替代方法相比，我们提出的缩小POMCP解决方案在搜索时间方面取得了重大改善，展示了其提高无人机辅助搜索和救援操作效率的潜力。索引条款 - 搜索和救援，POMDP，MCTS
2010 年至 2021 年美国人乳头瘤病毒疫苗搜索的谷歌趋势：信息流行病学研究
背景：建议青少年和年轻人接种人乳头瘤病毒 (HPV) 疫苗，以预防 HPV 相关癌症和生殖器疣。然而，目标年龄组中的 HPV 疫苗接种率并不理想。目的：这项信息流行病学研究旨在调查 2010 年 1 月至 2021 年 12 月期间美国与 HPV 疫苗相关的公开在线搜索。方法：使用 Google Trends (GT) 探索 2010 年 1 月 1 日至 2021 年 12 月 31 日期间与 HPV 疫苗相关的在线搜索。使用相对搜索量 (RSV) 调查了有关 HPV 疫苗的在线搜索和查询。进行了方差分析，以调查 2010 年至 2021 年每年 HPV 疫苗搜索量的季度差异。使用连接点回归来识别随时间推移的统计显着变化；α 水平设置为 .05。结果：2010 年至 2021 年，与 HPV 疫苗相关的年度在线搜索量有所增加，这通常是由于联邦政府对疫苗接种管理做出的变更。Joinpoint 回归分析显示，2010 年至 2021 年，HPV 疫苗搜索量每年平均显着增加 8.6%（95% CI 5.9%-11.4%）。此外，HPV 疫苗搜索量在过去几年中也呈现出类似的模式，搜索兴趣几乎每年都在 8 月份增加。在州一级，2010-2021 年期间，加利福尼亚州的 12 年平均 RSV 最高（59.9，SD 14.3），怀俄明州的最低（17.4，SD 8.5）。结论：2010 年至 2021 年，与 HPV 疫苗相关的在线搜索量每年平均增加 8.6%，明显的峰值与疫苗建议的关键变化相对应。我们确定了多年来与 HPV 疫苗相关的在线搜索兴趣的模式以及州级差异。公共卫生组织可以使用 GT 作为工具来描述公众对美国 HPV 疫苗的兴趣并推广该疫苗。
Gaia：微生物蛋白的上下文感知序列搜索和发现工具
蛋白质序列相似性搜索是基因组学研究的基础，但是当前方法通常无法考虑可以指示蛋白质功能的关键基因组环境信息，尤其是在微生物系统中。在这里，我们提出了Gaia（基因组AI注释器），这是一个序列注释平台，可在基因组数据集跨基因组数据集进行快速，上下文感知的蛋白质序列搜索。Gaia利用GLM2是一种在氨基酸序列及其基因组邻域训练的混合模式基因组语言模型，以生成整合序列结构 - 膜片信息的嵌入。这种方法允许识别在保守的地理环境中发现的功能相关基因，仅传统序列或基于结构的搜索可能会错过。GAIA可以实时搜索来自131,744个微生物基因组的超过8500万蛋白簇（定义为90％序列身份）的策划数据库。我们将基于GLM2嵌入的搜索的序列，结构和上下文灵敏度与MMSEQS2和FOLDSEEK等现有工具的序列，上下文灵敏度进行了比较。我们展示了噬菌体尾蛋白和铁载体合成基因座的基本发现，这些发现以前很难用传统工具注释。Gaia搜索可在https://gaia.tatta.bio上免费获得。
Ian Shane Peebles- ASU搜索
2023-亚利桑那州立大学生命科学学院副教授，2020年 - 亚利桑那州立大学进化与医学中心核心教师，2020年2020年 - 亚利桑那州立大学人类进化和社会变革学院兼职教职2017-2019华盛顿大学心理学系助理教授。2019-2019华盛顿大学生物学系的兼职助理教授。2017-2019研究会员，华盛顿大学人口统计学与生态研究中心。2017-2019研究会员，华盛顿州华盛顿大学华盛顿国家灵长类动物研究中心。2012-2017杜克大学杜克大学老龄化中心杜克大学人口研究所进化人类学系的博士后研究员和高级研究科学家。教育
KANQAS：用于量子架构搜索的 Kolmogorov-Arnold 网络
摘要 量子架构搜索 (QAS) 是优化和自动设计量子电路以实现量子优势的一个有前途的方向。QAS 中的最新技术强调基于多层感知器 (MLP) 的深度 Q 网络。然而，由于可学习参数数量众多以及选择适当激活函数的复杂性，它们的可解释性仍然具有挑战性。在这项工作中，为了克服这些挑战，我们在 QAS 算法中使用了 Kolmogorov-Arnold 网络 (KAN)，分析了它们在量子态准备和量子化学任务中的效率。在量子态准备中，我们的结果表明，在无噪声的情况下，成功的概率是 MLP 的 2 到 5 倍。在嘈杂的环境中，KAN 在近似这些状态时的保真度优于 MLP，展示了其对噪声的鲁棒性。在解决量子化学问题时，我们通过将课程强化学习与 KAN 结构相结合来增强最近提出的 QAS 算法。通过减少所需的 2 量子比特门的数量和电路深度，这有助于更有效地设计参数化量子电路。进一步的研究表明，与 MLP 相比，KAN 需要的可学习参数数量明显较少；然而，KAN 执行每集的平均时间更长。
知识导航器：科学文献中探索性搜索的LLM指导浏览框架
科学文献的指数增长需要有效的知识探索工具。我们提出了知识导航，该系统旨在通过组织和构造从广泛的局部查询中检索到的文档来增强探索性搜索能力，从而成为可通航的，两级的命名和描述性科学主题和子主题的可通道的两级层次结构。这个结构化的组织涉及域中研究主题的总体观点，同时还可以通过允许用户完善其焦点并检索其他相关文档，从而在特定子主题中迭代搜索和更深入的知识发现。知识导航器将LLM功能与基于群集的方法相结合，以获得有效的浏览方法。我们通过对两个新颖的基准（C lus trec-covid and s ci-toc）进行了体质和手动评估来揭示方法的有效性。我们的代码，提示和基准是公开可用的。
人工智能搜索用户指南 | 文档
Verkada 的 AI 搜索利用最先进的大型语言和视觉模型，让用户通过上传图像或使用日常语言来搜索人员和车辆的相关摄像机镜头，从而使调查更加直观和高效。Command 中的用户不再局限于预定义的人员或车辆搜索属性列表，而是可以输入自由格式的文本搜索（“查询”）或直接将照片上传到搜索栏以获得更详细的结果。Command 中的用户可以创建搜索，例如“未穿安全背心的人”或“6 月 26 日外面的红色 1970 年代肌肉车”，以进行高度详细的调查。除了使用 AI 搜索的自由格式文本外，组织还可以将人员、车辆或物体的照片上传到 Command 以获得相关的搜索结果。与 Google 的反向图像搜索类似，此功能会提取图像的多个方面，如形状、像素、图案和其他细节，然后从某人的相机群中提供最可能的匹配集。用户可以使用名为 AI 驱动警报的功能将 AI 驱动的搜索查询转化为其组织的可操作警报（有关 AI 驱动警报的更多详细信息，请参阅第 12 页）。
SPAMTP：空间代谢组学和转录组学数据的综合统计分析和可视化
摘要：宿主细胞蛋白（HCP）是可能影响生物治疗剂的安全性，功效和质量的关键质量属性。标记 - 游离shot弹枪蛋白质组学是HCP监测的至关重要方法，但是选择串联质谱（MS/MS）搜索算法直接影响识别深度和定量可靠性。在这项研究中，六种突出的MS/MS搜索工具（Mascot，Maxquant，Experromine，Fragpipe，byos和Peaks）是系统上基准的，因为它们在与中国仓鼠卵巢细胞的同位素标记的蛋白质上的复杂样品上的性能进行了基准测试，该蛋白质是使用羊毛hamster卵巢细胞的，使用了诱捕的离子移动性表述和平行的仿制模式，并依赖于数据划分，并逐渐划分。关键性能指标，包括肽和蛋白质识别，数据提取精度，变化精度，线性和测量真实。使用Hamiltonian Monte Carlo采样的贝叶斯建模框架可通过后验概率校准以及局部错误的发现率来稳健地估计折叠式均值和方差。通过预期效用最大化实施的贝叶斯决策理论用于平衡准确性与后部不确定性，从而对每个工具的性能进行了概率评估。通过这种累积分析，可以观察到跨工具的变异性：一些在识别敏感性和蛋白质覆盖范围方面表现出色，有些在定量准确性方面具有最小的偏见，并且有一些在跨指标之间提供了平衡的性能。这项研究建立了一个严格的数据驱动框架，用于工具基准测试，为选择适合HCP监测生物制药开发中的HCP监视的MS/MS工具提供了见解。
使用机器学习搜索Atlas数据中的新物理现象
这项工作的目的是探索机器学习工具在分析与新物理学相关的数据中的潜力，特别是超出标准模型。在数据集分析中也给出了一些基本概念，因为它也构成了这项工作的重要组成部分。该项目遵循一种结构化方法，首先是对在虚拟环境中获得的超出标准模型过程的ATLAS开放数据分析Z'→TT进行检查。分析数据被转换为逗号分隔值（CSV）文件，以在Python笔记本中处理。一旦以这种格式进行数据，就会开发代码以重新创建虚拟机中观察到的相同图。要建立一个神经网络，重要的是要首先不明显哪些变量表现出很强的相关性。然后将CSV文件中的数据分为三个相等的组分开：一个用于培训，一个用于验证，另一个用于均等的测试。通过应用监督的机器学习技术，神经网络被开发，即E ff可以分辨地区分信号和背景。
LLM通过过程奖励指导树搜索
LLM自我训练中的最新方法主要依赖于LLM生成重音，并以正确的输出答案作为培训数据过滤那些。这种方法通常会产生低质量的微调训练集（例如，计划不正确或中间推理）。在本文中，我们开发了一种加强的自我训练方法，称为REST-MCTS ∗，基于将过程奖励指导与树搜索MCTS ∗集成在一起，用于收集高质量的推理痕迹以及每步价值以培训政策和奖励模型。REST-MCT ∗避免了通常用于通过基于树搜索的强化学习来训练过程奖励的每个步骤手动注释：给定的最终正确答案，REST-MCTS ∗能够通过估算此步骤的概率来推断正确的过程奖励，可以帮助您带来正确的答案。这些推断的奖励提供了双重目的：它们是进一步完善过程奖励模型的价值目标，并促进选择高质量的痕迹进行政策模型自我训练。我们首先表明，与先前的LLM推理基线相比，REST-MCTS ∗中的树搜索策略（如在相同的搜索预算中）具有更高的精度。然后，我们证明，通过使用该搜索策略作为培训数据所搜索的痕迹，我们可以不断增强多种迭代的三种语言模型，并超过其他自我训练算法（例如REST EM和自我奖励LM）。我们在https://github.com/thudm/rest-mcts上发布所有代码。