XiaoMi-AI文件搜索系统
World File Search SystemSelf
我的姐姐，我的自我：Colleen Kenyon和Kathleen Kenyon的照片1月18日至2025年5月4日开幕接待：2025年1月18日，星期六，5：00-8：00
在1970年代和80年代，摄影师Colleen Kenyon（美国，1951 - 2022年）和Kathleen Kenyon（American，1951-2023）是女性艺术家运动的一部分，他们以创新的方法对媒体进行了挑战。Colleen Kenyon是使用手着色来增强自己和姐姐在家庭环境中的肖像的先驱。凯瑟琳·肯尼恩（Kathleen Kenyon）擅长于大众媒体的女性的性别特定图像来创造具有讽刺意味的光焦点。从1981年开始，两个姐妹还担任伍德斯托克摄影中心的董事，他们继续倡导妇女在艺术和有色艺术家中的发展。我的姐姐，我的自我由艺术史学家汤姆·沃尔夫（Tom Wolf）和劳里·达尔伯格（Laurie Dahlberg）策划。由CPW组织，此回顾展具有肯尼亚斯最具标志性的作品，并在纽约金斯敦的CPW和纽约州伍德斯托克的Kleinert/James Center展出。展览材料是从CPW现在持有的作品的档案中得出的。
用于动态分配公共资源的自足因果经济
摘要 本文介绍了业力机制，这是一种在无限时间内在竞争代理之间重复分配稀缺资源的新方法。示例包括决定在高峰需求期间为哪些叫车行程请求提供服务、在交叉路口或车道合并时授予通行权或将互联网内容纳入受监管的快速通道。我们研究了这些问题的简化但富有洞察力的表述，其中在每个时刻，从大量人群中随机匹配两个代理来竞争资源。业力机制的直观解释是“如果我现在屈服，我将在未来得到回报。”代理在类似拍卖的环境中竞争，他们竞标业力单位，业力直接在他们之间流通并在系统中自成一体。我们证明，这使得一个自利的代理社会能够实现高水平的效率，而无需诉诸（可能有问题的）资源货币定价。我们将业力机制建模为动态人口博弈，并保证存在一个平稳纳什均衡。然后，我们用数字方式分析了稳定纳什均衡下的表现。对于同质代理的情况，我们比较了不同的机制设计选择，表明当代理具有未来意识时，可以实现高效且事后公平的分配。最后，我们测试了针对代理异质性的稳健性，并通过业力重新分配提出了一些观察到的现象的补救措施。
国际法中的自决和主权
18人民共和国和英国英国和北爱尔兰，“英国英国政府和北爱尔兰政府的联合宣言以及中华人民共和国政府在香港问题上”，UNTS 1399（1985）（1985）：33-61：33-61，第3（2）条（2）和3（3）。
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
特斯拉的自动驾驶技术的案例
摘要：在全球快速经济发展的背景下，作为革命性变革，自主驾驶技术吸引了许多投资者和公司企业进行投资和探索。本文研究特斯拉在自动驾驶技术方面的研发投资及其对2017年至2019年之间市场竞争力的影响。通过分析特斯拉官方网站和其他可靠来源的数据，该研究发现特斯拉的高研发投资和数据驱动方法已大大提高了其自动驾驶技术的安全性和可靠性。例如，特斯拉的自动驾驶系统可以通过多个传感器和强大的计算功能提供高度自动化的驾驶体验。结果表明，特斯拉在自动驾驶技术方面的领导能力大大提高了其市场竞争力，并驱动了整个行业。这项研究的结论表明，特斯拉的技术创新不仅提高了公司的竞争力，而且驱动了移动性生态系统的变化，这对特斯拉的发展产生了积极影响。
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。
可解释的人工智能，用于数据驱动的反馈和智能行动建议，以支持学生自我调节 Muhammad Afzaal
摘要 自我调节学习 (SRL) 是一种认知能力，在促进学生有效制定策略、监控和评估自己的学习行为方面具有明显意义。研究表明，缺乏自我调节学习技能会对学生的学业成绩产生负面影响。有效的数据驱动反馈和行动建议被认为对 SRL 至关重要，并显著影响学生的学习和表现。然而，向每个学生提供个性化反馈的任务对教师来说是一个重大挑战。此外，由于大多数课程的学生人数众多，为个性化建议确定适当的学习活动和资源的任务对教师来说也是一个重大挑战。为了应对这些挑战，一些研究已经探讨了基于学习分析的仪表板如何支持学生的自我调节。这些仪表板提供了一些关于学生成功和失败的可视化（作为反馈）。然而，虽然这种反馈可能有益，但它并没有提供有见地的信息或可行的建议来帮助学生提高学业水平。可解释的人工智能 (xAI) 方法已被提出来解释此类反馈并从预测模型中产生见解，重点关注学生在正在进行的课程中需要采取的相关行动以改进。此类智能活动可以作为数据驱动的行为改变建议提供给学生。本论文提供了一种基于 xAI 的方法，可以预测课程表现并计算信息反馈和可操作的建议，以促进学生的自我调节。与以前的研究不同，本论文将预测方法与 xAI 方法相结合，以分析和操纵学生的学习轨迹。目的是通过为该方法提供的预测提供深入的见解和解释，为学生提供详细的、数据驱动的可操作反馈。与单独的预测相比，该技术为学生提供了更实用和有用的知识。所提出的方法以仪表板的形式实施，以支持大学课程中学生的自我调节，并对其进行了评估以确定其对学生学业成绩的影响。结果表明，仪表板显着提高了学生的学习成绩并提高了他们的自我调节学习技能。此外，研究发现，所提出的方法提出的建议对学生的表现产生了积极影响，并帮助他们进行自我调节。
2年自赞助的M.Tech。 （2020-21）...
IIT海得拉巴是印度增长最快的机构之一，也是政府首发的第二代IIT之一。印度于2008年。截至日期，IITH提供了10个B.Tech计划，21 M.Tech计划，3 M.SC计划，5 M.Phil计划，1 M.DES计划和博士学位。工程，科学，文科和设计各个分支机构的计划。IIT海得拉巴的基础是基于研究和创新。从IITH生成的专利和出版物的数量中可以看出充满活力的研究文化。该研究所有大约230名教职员工和2500名学生。Institute提供了“自我赞助的M.Tech”。计划通过书面测试和访谈提供机会让应得的候选人。