XiaoMi-AI文件搜索系统
World File Search SystemSteinhardt
使用FNIRS的机器学习的基准测试框架
功能性近红外光谱（FNIRS）（Jobis 1977）越来越多地用于认知神经科学和脑部计算机界面（BCIS）（Naseer and Hong 2015）。通常是为了确定受试者正在执行的任务类型或评估任务的强度水平，并且在对精神活动的类型和水平进行分类方面变得越来越流行（Herff等人。2014，Benerradi等。 2019）。 用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。 2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2014，Benerradi等。2019）。用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2016，Trakoolwilaiwan等。2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2017，Yoo等。2018）。与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。
媒体，文化与传播（MCC-GE）
MCC-GE 2027媒体和环境（4个学分）通常偶尔提供本课程，调查了媒体代表和技术的人类和自然环境的塑造方式，从报纸，摄影和流行文献延伸到电影，电视，电视和视频游戏。本课程整合生态核心，生态批评，环境沟通和环境研究，探讨了环境如何通过不同的历史和社会环境在视觉媒体中代表，从景观摄影的兴起开始，自然的科学表现，以及“野生媒体”，“野生媒体”在1960年代的互动，并在1960年代进行了``Recortive''的角色，分级：毕业生Steinhardt分级可重复以获得额外的信用：否
应用统计（APSTA-EU）
apsta-ue 10统计奥秘以及如何解决它们（4个学分）通常为Spring提供了一个入门定量和统计推理课程，旨在帮助学生获得统计素养和能力以在数据丰富的世界中生存。该课程向学生介绍了概率，研究设计，描述性统计数据和简单预测模型的基本概念，以帮助他们成为更精明的消费者，以实现他们在个人，学术和职业生活中经常接触的信息。课程材料将通过视频剪辑，案例研究，解决难题，预测竞赛和小组讨论来传达。文科核心/核心同等学历 - 满足某些计划定量推理的要求；学生应与他们的学术顾问联系确认。分级：Ugrd Steinhardt分级可重复以获得额外的信用：否
机器学习 - 核核酸 - 美色变量与...
成核集体变量（CVS）的有效计算是应用增强采样方法在现实环境中对成核过程进行研究的主要局限性之一。在这里，我们讨论了成核CVS近似值的基于图的模型的开发，该模型可以实现计算效率的数量级增长，从而在成核CVS的直通评估中。通过对溶液中模拟多步成核过程的成核胶体系统进行模拟，我们评估了模型在后处理和直接偏置成核轨迹的效率中，并通过拉动，伞采样和元动力学模拟。此外，我们通过使用基于对胶体系统训练的六阶Steinhardt参数的CV模型来探测和讨论基于图的成核CVS模型的可传递性，以驱动从其熔体中驱动结晶铜的成核。我们的方法是一般的，可以转移到更复杂的系统以及不同的CVS。
系统发育引导程序的基于机器学习的替代品
1乔治·S·S·乔治·S·怀斯·怀斯（George S. 6997801，以色列4雷蒙德和贝弗利·萨克勒精确科学学院，特拉维夫大学，特拉维夫6997801，以色列5植物科学与食品安全学院，乔治·S·S·S·S·S·S·乔治·S·乔治·S。乔治·S。电子邮件：talp@tauex.tau.ac.il电子邮件：talp@tauex.tau.ac.il
![arxiv：2409.05448v3 [CS.CL] 2024年10月25日](/simg/g:\will\search\icon\source\2\2cbf979189c1b8fe1be9c78355f34daf315a9d2a.webp)
arxiv：2409.05448v3 [CS.CL] 2024年10月25日
实体跟踪对于复杂的重新制定至关重要。要执行语言模型（LMS）必须将实体绑定到其属性（例如，将容器绑定到其包含）以回忆给定实体的属性。例如，给定一个上下文中提到的“ cof-费用在框中，石头在框中，地图在框H中”，以推断“ Box z Z含有咖啡”，LMS必须将“ Box Z”绑定到“咖啡”。为解释LMS的结合行为，Feng和Steinhardt（2023）引入了一种结合ID机制，并指出LMS使用称为Binding ID（BI）的抽象概念来内部标记实体 - 属性对。但是，他们尚未从直接确定绑定行为的实体激活中捕获订购ID（OI）。在这项工作中，我们通过本地化OI并证明OI和结合行为之间的因果关系提供了一种新颖的看法。具体而言，通过杠杆尺寸缩小方法（例如PCA），我们发现LMS激活中存在一个低级别的子空间，主要编码实体和贡献的顺序（即OI）。此外，我们还发现了OI对结合的因果效应，即沿OI编码方向进行编辑代表时，LMS倾向于相应地将特定的实体与其他贡献结合。例如，通过沿OI编码方向进行修补激活，我们可以使LM推断“ Box Z包含石头”和“ Box Z包含地图”。本文中使用的代码和数据集可在https://github.com/cl-tohoku/oi-subspace上找到。
埃米尔·卡比布林
· ET Khabiboulline、JS Sandhu、MU Gambetta、MD Lukin 和 J. Borregaard。具有信息理论安全性的高效量子投票，arXiv：2112.14242。 PRX Quantum 的修订版。 · T. Schuster、B. Kobrin、P. Gau、I. Cong、ET Khabiboulline、NM Linke、MD Lukin、C. Monroe、B. Yoshida 和 NY Yao。通过可穿越虫洞协议中的算子传播实现多体量子隐形传态。物理。 Rev. X，12:031013，2022 年 7 月。 · ET Khabiboulline、J. Borregaard、K. De Greve 和 MD Lukin。量子辅助望远镜阵列。物理。 Rev. A ，100:022316，2019 年 8 月。· ET Khabiboulline、J. Borregaard、K. De Greve 和 MD Lukin。量子网络光学干涉测量法。Phys. Rev. Lett. ，123:070504，2019 年 8 月。· S. Peng、R. Zhang、VH Chen、ET Khabiboulline、P. Braun 和 HA Atwater。具有中红外带隙的三维单螺旋光子晶体。ACS Photonics ，3(6):1131–1137，2016 年。· ET Khabiboulline、CL Steinhardt、JD Silverman、SL Ellison、JT Mendel 和 DR Patton。具有活动星系核的 SDSS 星系中电离条件随环境变化而变化，从成对到成团。《天体物理学杂志》，795(1):62，2014 年。· EJ DiMarco、E. Khabiboulline、DF Orris、MA Tartaglia 和 I. Terechkine。用于质子直线加速器前端高能部分的超导螺线管透镜。IEEE 应用超导学报，23(3):4100905，2013 年 6 月。
开发多巴胺受体 d2- 的光亲和探针...
开发针对多巴胺受体 D 2 的光亲和探针以确定帕金森病药物的靶点作者：Spencer T. Kim 1、Emma J. Doukmak 1、Raymond G. Flax 1、Dylan J. Gray 1、Victoria N. Zirimu 1、Ebbing de Jong 3、Rachel C. Steinhardt 1,2,4摘要：多巴胺通路控制着生理和行为中非常重要的方面。这些通路中具有治疗重要性并且研究最深入的受体之一是多巴胺受体 D 2 (DRD2)。遗憾的是，使用传统的分子生物学技术很难研究 DRD2，而且大多数针对 DRD2 的药物是许多其他受体的配体。在这里，我们开发了能够使用光亲和标记与 DRD2 共价结合以及提供用于检测或亲和纯化的化学手柄的探针。这些探针在传统的生化测定中表现得像良好的 DRD2 激动剂，并且能够在细胞和受体标记的化学生物学测定中发挥作用。使用探针对大鼠全脑进行标记和亲和力富集，可以对探针的相互作用蛋白进行蛋白质组学分析。对命中结果的生物信息学研究表明，探针结合了帕金森病网络中的非典型靶向蛋白以及逆行内源性大麻素信号、神经元一氧化氮合酶、毒蕈碱乙酰胆碱受体 M1、GABA 受体和多巴胺受体 D 1 (DRD1) 信号网络。后续分析可能会深入了解该通路与帕金森病症状的具体关系，或为治疗提供新的靶点。这项工作强化了这样一种观点，即化学生物学和基于组学的方法相结合可以提供分子“相互作用组”的广阔图景，也可能深入了解药物观察到的效应的多效性，或者可能表明新的应用。关键词：多巴胺受体、光交联、光亲和标记 (PAL)、蛋白质组学、生物信息学、内源性大麻素途径、GABA 受体、毒蕈碱受体 M1、普拉克索、罗匹尼罗、DRD2 1. 简介 从欣快到精神病的生理状态均受多巴胺神经系统的神经解剖学通路支配。1 组成该系统的多巴胺能神经元通过将神经递质多巴胺与其受体结合而发挥作用。这些神经元表达的多种多巴胺受体亚型控制着行为的不同方面，据推测各个亚型会结合起来并形成不同的生化途径。2,3 但不幸的是，用药物或其他非内源性刺激物选择性地靶向单个多巴胺受体亚型（更不用说通路）极其困难。 1 从通过小分子引导神经化学的角度来看，多巴胺能系统控制的生理反应种类繁多，再加上缺乏选择性药物，使得药物/探针开发极具挑战性。多巴胺受体通常有 5 种亚型，即 D 1-5 ，它们又分为两个家族：D 1 样受体（D 1 和 D 5 ）和 D 2 样受体（D 2-4 ），其中 D 1 和 D 2 受体表现出
酵母 synIX 菌株中端粒酶相关适应性缺陷和染色体替代技术的后果
Build-A-Genome 课程的作者：Breeana G. Anderson、Abena Apaw、Pavlo Bohutskyi、Erin Buchanan、Daniel Chang、Melinda Chen、Eric Cooper、Amanda Deliere、Kallie Drakos、Justin Dubin、Christopher Fernandez、Zheyuan Guo、Thomas Harrelson、Dongwon Lee、Jessica McDade、Scott Melamed、Héloise Muller、Adithya Murali、José U. Niño Rivera、Mira Patel、Mary Rodley、Jenna Schwarz、Nirav Shelat、Josh S. Sims、Barrett Steinberg、James Steinhardt、Rishi K. Trivedi、Christopher Von Dollen、Tianyi Wang、Remus Wong、Yijie Xu、Noah Young、Karen Zeller 和 Allen Zhan。 1 纽约大学朗格尼健康学院系统遗传学研究所和生物化学与分子药理学系，纽约，纽约州 10016，美国 2 约翰霍普金斯大学彭博公共卫生学院环境健康与工程系，美国马里兰州巴尔的摩 21205，美国 3 欧洲分子生物学实验室 (EMBL)，基因组生物学部，德国海德堡 69117 4 爱丁堡大学生物科学学院，英国爱丁堡 EH9 3BF 5 爱丁堡大学信息学院，英国爱丁堡 EH8 9AB 6 约翰霍普金斯大学惠廷工程学院生物医学工程系，美国马里兰州巴尔的摩 21218，美国 7 约翰霍普金斯大学克里格艺术与科学学院生物学系，美国马里兰州巴尔的摩 21218，美国 8 化学与生物分子工程系，约翰霍普金斯大学怀廷工程学院，美国马里兰州巴尔的摩 21218 9 洛克菲勒大学细胞与结构生物学实验室，美国纽约州纽约 10065 10 格罗宁根大学医学中心欧洲老龄化生物学研究所，荷兰格罗宁根 11 哈佛医学院麻省总医院病理学系，美国马萨诸塞州波士顿 02114 12 约翰霍普金斯大学医学院医学系/传染病科，美国马里兰州巴尔的摩 21205 13 约翰霍普金斯大学医学院高通量生物学中心，美国马里兰州巴尔的摩 21205 14 斯坦福大学斯坦福基因组技术中心，美国加利福尼亚州帕洛阿尔托 94304 15 斯坦福大学医学院遗传学系，美国加利福尼亚州斯坦福 94305 16 纽约大学生物医学工程系Tandon 工程学院，纽约布鲁克林 11201，美国 17 现地址：欧莱雅研究与创新，新泽西州克拉克 07066，美国 18 现地址：Pondicherry Biotech Private Limited，Pondicherry 工程学院校区，East Coast Road，Pillaichavady，Puducherry 605014，印度 19 现地址：哈佛大学陈曾熙公共卫生学院生物统计学系，马萨诸塞州波士顿 02115，美国 20 现地址：Neochromosome，Inc.，纽约长岛市 11101，美国 21 现地址：科学与工业研究中心，基因组学与综合生物学研究所，Sukhdev Vihar，Mathura Road，新德里 110025，印度 22 这些作者贡献相同 23 主要联系人 * 通讯：weimin.zhang@nyulangone.org (WZ)，jef.boeke@nyulangone.org (JDB), chandra@jhmi.edu (SC)
Sandhya Saisubramanian、Shannon C. Roberts 和 Shlomo Zilberstein。2021 年。了解用户对负面态度
[1] Dario Amodei、Chris Olah、Jacob Steinhardt、Paul Christiano、John Schulman 和 Dan Mané。2016 年。《人工智能安全中的具体问题》。CoRR abs/1606.06565 (2016)。[2] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法有错误后会错误地避开它们》。《实验心理学杂志：综合》144, 1 (2015)，114。[3] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2018 年。《克服算法厌恶：如果人们可以（即使稍微）修改算法，他们也会使用不完美的算法》。《管理科学》64, 3 (2018)，1155–1170。 [4] Julie S. Downs、Mandy B. Holbrook、Steve Sheng 和 Lorrie Faith Cranor。2010 年。您的参与者是否在玩弄系统？筛查 Mechanical Turk 工人。在 SIGCHI 计算机系统人为因素会议论文集上。2399–2402。[5] Jodi Forlizzi 和 Carl DiSalvo。2006 年。家庭环境中的服务机器人：对家用 Roomba 吸尘器的研究。在第一届 ACM SIGCHI/SIGART 人机交互会议论文集上。[6] Dylan Hadfield-Menell、Smitha Milli、Pieter Abbeel、Stuart J. Russell 和 Anca Dragan。2017 年。逆向奖励设计。在神经信息处理系统的发展中。[7] Bill Hibbard。2012 年。避免意外的 AI 行为。在国际通用人工智能会议上。Springer，107–116。[8] Lynn M. Hulse、Hui Xie 和 Edwin R. Galea。2018 年。对自动驾驶汽车的看法：与道路使用者的关系、风险、性别和年龄。安全科学 102（2018 年），1–13。[9] Rafal Kocielnik、Saleema Amershi 和 Paul N. Bennett。2019 年。您会接受不完美的人工智能吗？探索调整人工智能系统最终用户期望的设计。在 CHI 计算系统人为因素会议论文集上。[10] Moritz Körber。2018 年。衡量对自动化信任的理论考虑和问卷的开发。在国际人体工程学协会大会上。Springer，13–30。 [11] Victoria Krakovna、Laurent Orseau、Miljan Martic 和 Shane Legg。2019 年。使用逐步相对可达性惩罚副作用。在 AI 安全研讨会 IJCAI 中。[12] Victoria Krakovna、Laurent Orseau、Richard Ngo、Miljan Martic 和 Shane Legg。2020 年。通过考虑未来任务来避免副作用。在第 20 届神经信息处理系统会议论文集上。[13] Miltos Kyriakidis、Riender Happee 和 Joost CF de Winter。2015 年。公众对自动驾驶的看法：对 5000 名受访者的国际问卷调查结果。交通研究 F 部分：交通心理学和行为 32（2015 年），127–140。 [14] Ramya Ramakrishnan、Ece Kamar、Debadeepta Dey、Julie Shah 和 Eric Horvitz。2018 年。《发现强化学习中的盲点》。《第 17 届自主代理和多代理系统国际会议论文集》。[15] Stuart Russell。2017 年。《可证明有益的人工智能》。《指数生命，下一步》（2017 年）。[16] Sandhya Saisubramanian、Ece Kamar 和 Shlomo Zilberstein。2020 年。一种减轻负面影响的多目标方法。在第 29 届国际人工智能联合会议论文集上。[17] Sandhya Saisubramanian 和 Shlomo Zilberstein。2021 年。通过环境塑造减轻负面影响。在第 20 届自主代理和多智能体系统国际会议论文集上。[18] Sandhya Saisubramanian、Shlomo Zilberstein 和 Ece Kamar。2020 年。避免因对人工智能系统知识不完整而产生的负面影响。CoRR abs/2008.12146 (2020)。[19] Rohin Shah、Dmitrii Krasheninnikov、Jordan Alexander、Pieter Abbeel 和 Anca Dragan。 2019. 世界状态中的隐含偏好。第七届国际学习表征会议论文集。[20] Alexander Matt Turner、Dylan Hadfield-Menell 和 Prasad Tadepalli。2020. 通过可实现效用保存实现保守代理。AAAI/ACM 人工智能、伦理与社会会议论文集。[21] Ming Yin、Jennifer Wortman Vaughan 和 Hanna Wallach。2019. 理解准确度对机器学习模型信任的影响。CHI 计算系统人为因素会议论文集。[22] Shun Zhang、Edmund H. Durfee 和 Satinder P. Singh。2018. 分解马尔可夫决策过程中对副作用的 Minimax-Regret 查询以实现安全最优。在第 27 届国际人工智能联合会议论文集上。