XiaoMi-AI文件搜索系统
World File Search SystemTeraction
人工智能与自我意识
“人工智能”或 AI，是明斯基和麦卡锡在 1956 年创造的一个术语，已经演变成一个名副其实的全球愿景和梦想，不仅引起了研究人员的兴趣，也引起了从业者、艺术家、作家、政策制定者和普通公众的兴趣。与大多数研究领域一样，人工智能经历了几波浪潮，其间穿插着相对不重要的时期，即所谓的“人工智能寒冬”。人工智能的每次复兴浪潮都有特定形式的概念进步，如形式逻辑、人工神经网络、智能代理、包容架构等。目前人们对人工智能兴趣的复苏或许是独一无二的，因为可以说，这波新浪潮的主要催化剂来自硬件的进步，尤其是图形处理单元 (GPU)，它被重新用于人工神经网络的大规模并行处理。因此，这波浪潮更多地是由人工智能应用和部署推动的，而不是概念上的突破。尽管在过去十年中，深度学习架构、自主代理和机器人交互模型取得了一些新进展，但可以说，它们都没有构成对早期模型的典型背离。这也意味着，人工智能早期提出的许多未解决的问题和挑战仍未得到解答。
人工智能代理之间的秘密勾结
生成式人工智能的最新进展表明，跨互联网等平台的自主代理和人类之间大规模交互的潜力。虽然这种互动可以促进富有成效的合作，但人工智能代理规避安全监督的能力引发了严重的多代理安全问题，特别是以无意的信息共享或不良协调的形式出现。在我们的工作中，我们建立了秘密勾结的子领域，这是多代理欺骗的一种形式，其中两个或多个代理使用隐写术来隐藏他们互动的真实性质，无论是交流还是其他方式，以避免被监督。我们为进行隐写术通信的人工智能代理提出了一个正式的威胁模型，并得出了关于大型语言模型 (LLM) 进行秘密勾结的能力和动机以及威胁缓解措施的局限性的严格理论见解。我们通过实证评估来补充我们的研究结果，这些评估展示了前沿单智能体和多智能体 LLM 设置中隐写能力的提升，并研究了可能出现勾结的潜在场景，揭示了监控、释义和参数优化等对策的局限性。我们的工作首次形式化并调查了前沿基础模型之间的秘密勾结，将其确定为 AI 安全的一个关键领域，并概述了一项全面的研究议程，以减轻未来生成 AI 系统之间勾结的风险。
人工智能辅助决策中人类信任和依赖的建模：马尔可夫方法
人工智能 (AI) 技术与人类工作流程的日益融合，带来了人工智能辅助决策的新范式，即人工智能模型提供决策建议，而人类做出最终决策。为了最好地支持人类决策，定量了解人类如何与人工智能互动和依赖人工智能至关重要。先前的研究通常将人类对人工智能的依赖建模为一个分析过程，即依赖决策是基于成本效益分析做出的。然而，心理学的理论模型表明，依赖决策往往是由情感驱动的，比如人类对人工智能模型的信任。在本文中，我们提出了一个隐马尔可夫模型来捕捉人工智能辅助决策中人机交互背后的情感过程，通过描述决策者如何随着时间的推移调整对人工智能的信任并基于他们的信任做出依赖决策。对从人类实验中收集的真实人类行为数据的评估表明，所提出的模型在准确预测人类在人工智能辅助决策中的依赖行为方面优于各种基线。基于所提出的模型，我们进一步深入了解了人类在人工智能辅助决策中的信任和依赖动态如何受到决策利害关系和交互经验等情境因素的影响。
迈向多智能体对话式 AI
市场上商业化的对话代理 (CA) 数量不断增加，导致用户不得不学习和采用多个代理来完成任务。尽管之前的研究已经探索了在单个代理的设计中支持多个领域，但由于所需功能的操作空间太大，交互体验会受到影响。为了解决这些问题，我们引入了一项新任务 BBAI：黑盒代理集成，重点是大规模组合多个黑盒 CA 的功能。我们探索了两种技术：问题代理配对和问题响应配对，旨在解决此任务。利用这些技术，我们设计了 One For All (OFA)，这是一个可扩展的系统，它提供了一个统一的界面来与多个 CA 交互。此外，我们引入了 MARS：多代理响应选择，这是一种用于问题响应配对的新型编码器模型，可联合编码用户问题和代理响应对。我们证明 OFA 能够自动准确地集成一组跨越不同领域的商用 CA。具体来说，使用 MARS 编码器，我们在 BBAI 任务上实现了最高准确度，超越了强大的基线。
一种模拟脑肿瘤组织离体超声方法，用于研究应用和临床培训
简介：术中超声正成为神经外科的常用工具。然而，有效的模拟方法有限。目前，商业和自制的模型无法复制超声图像中大脑和肿瘤组织的解剖正确性和纹理复杂性。材料和方法：我们利用离体脑组织，而不是合成材料，来实现真实的回声复杂性和解剖正确性。将浓度为 10-20% 的琼脂注入脑组织以模拟肿瘤肿块。购买了市售的模型进行基准测试。结果：由经验丰富的专业人员进行定性分析，测量添加琼脂的影响并将其与商用模型进行比较。总体而言，与基于合成材料的模型相比，使用离体组织被认为更准确、更具代表性，因为它可以很好地显示真实的大脑解剖结构，并在组织内提供良好的对比度。琼脂肿瘤正确地产生了一个回声较高的区域，边缘有轻微扩散，预计与邻近解剖结构有相互作用。讨论：由于后勤和道德方面的挑战很大，使用人体样本进行训练受到限制。在线神经外科超声数据的稀疏性进一步加剧了这种情况。与体模相比，所提出的方法成功地模拟了脑组织中的肿瘤，体模存在表面纹理不相似、超声回声均匀性和缺乏解剖正确性的问题。结论：所提出的在脑组织中创建肿瘤模拟组织的方法
在内分泌干扰物属性的计算机预测中
内分泌干扰化学物质（EDC）是我们环境中存在的一类广泛的分子，怀疑通过干扰内源配体的合成，转运，降解或作用而怀疑会在内分泌系统中引起不良反应。表征环境化合物及其潜在的细胞靶标之间的有害涉及分性以及体内鲁棒的稳定性，体外和计算机筛选方法对于评估大量化学物质的毒性潜力很重要。在这种情况下，正在开发允许内分泌干扰物和环境风险评估活动预测的计算机辅助技术。这些技术必须能够应对各种数据，并将原子水平的化学与细胞，器官和生物体的生物活性联系起来。定量结构 - 活动关系方法因毒性问题而流行。他们通过许多分子描述子将化合物的化学结构与生物活性相关联（例如，分子量和参数，以说明疏水性，拓扑或电子特性）。化学结构分析是第一步；但是，对分子间相互作用和细胞行为进行建模也将是必不可少的。EDCS目标的三维晶体结构数量的增加提供了大量的结构信息，可用于使用对接和评分程序来预测其与EDC的相互作用。（内分泌学160：2709 - 2716，2019）在本综述中，我们描述了使用配体和靶向属性来预测内分泌干扰物活动的各种计算机辅助方法。
平衡探索和晕屏
摘要 — 在虚拟导航过程中，用户会表现出受多种因素影响的各种交互和导航行为。现有的理论和模型已经发展到可以解释和预测这些不同的模式。虽然用户在使用虚拟现实 (VR) 时经常会感到不舒服，例如晕机，但他们并不总是做出最佳决策来减轻这些影响。尽管强化学习等方法已用于对决策过程进行建模，但它们通常依赖随机选择来模拟动作，无法捕捉真实导航行为的复杂性。在本研究中，我们提出好奇心是驱动非理性决策的关键因素，表明用户在虚拟导航过程中根据自由能原理不断平衡探索和晕机。我们的研究结果表明，VR 用户在导航时通常采用保守策略，大多数参与者在试验中表现出负面好奇心。然而，当虚拟环境发生变化时，好奇心水平往往会上升，这说明了探索和不适之间的动态相互作用。本研究提供了一种定量方法来解码虚拟导航过程中好奇心驱动的行为，为用户如何平衡探索和避免晕机提供了见解。未来的研究将通过结合更多的心理和环境因素来进一步完善该模型，以提高导航模式预测的准确性。
用于心理治疗的对话式人工智能及其在......中的作用
人工智能 (AI) 的发展重新开启并重新构建了许多传统的哲学问题，例如什么是理性、推理或自由意志，或者作为人类意味着什么。随着 ChatGPT 技术的最新发展，这些问题涉及公共空间，并引发了一场讨论，特别是关于对话式和生成式人工智能与人类相比的推理能力及其在我们的理性话语中的作用。这些讨论与人工智能生成 (GAI) 的可能性这一主题密切相关。Landgrebe 和 Smith (2022) 最近出版的一本书提出了令人信服的论据，反对 GAI 的可能性以及机器掌握人类语言、社交互动和道德的能力。尽管有这些论点，但人类的想象力方面仍存在一个问题，即感知超出现有的东西，并将人工智能视为人类和社会行为者 (Banks 2019；Nass and Moon 2000)，而不管其实际属性和能力或缺乏这些属性和能力。数学和本体论的论证无助于阻止人类将对话式人工智能 (CAI) 视为人类的强烈倾向。CAI 的开发目标是使其看起来像人类，这一事实进一步强化了这种倾向。其结果可能是，从现象学层面和实用主义的角度讲，尽管人工智能缺乏人类属性，但可以承认它掌握了语言，进入了我们的话语实践并成为社会参与者。也许，这是我们在当前版本的 ChatGPT 中已经看到的东西。我认为这种现象需要认真对待。
privacy_preserving_protocol_for ...
智能仪表是智能网络网络中能源消耗数据的主要来源，该网络可以用细性记录能量使用。使用智能仪表扩大了能源供应商与消费者之间的反应。智能电表的安全性和用户的隐私是至关重要的。智能表数据的研究，尤其是安全问题，是一个非常活跃的研究领域。高频智能电表以少量突发（每秒或分钟）捕获并传输能量使用数据。在如此短的时间内处理数据时保持高度的安全性对于智能电表等资源有限的设备至关重要。为了解决此问题，这项工作使用基于差异扩展的可逆水印和Paillier同型加密提供了高频智能电表（P3HF）的隐私协议。提出的协议可以通过引入唯一的加密服务器并使用联合水印和加密来保护实时数据传输，从而显着提高了高频智能电表的安全性。获得的结果，其中包括使用Arduino Uno Rev.3在真实硬件平台上进行的实验，表明所提出的方案确保了安全性和用户数据隐私，同时消耗了低的能量和执行时间。此外，比较分析表明，所提出的协议的性能要比有关数据和隐私需求，对攻击的韧性以及克服其局限性的能力的早期研究工作更好。
UNIAP：通过几次学习
弱监督的时间动作本地化旨在通过仅将视频级标签作为监督来定位行动区域并同时确定未修剪视频中的动作类别。伪标签生成是解决具有挑战性的问题的一种承诺策略，但是熟悉的方法忽略了视频的自然时间结构，可以提供丰富的信息来协助这种常规过程。在本文中，我们通过推断出明显的摘要 - 特征提出了一种新型弱监督的时间动作定位方法。首先，我们设计了一个显着推理模块，该模块利用了临时邻居片段之间的变化关系以发现显着的摘要功能，这可以反映视频中的显着动态变化。其次，我们引入了一个边界改进模块，该模块通过信息介绍单元增强了显着的摘要功能。然后，引入了一个歧视增强模块，以增强摘要特征的歧视性质。最后，我们采用精致的摘要功能来制定高保真伪标签，可用于进行动作本地化网络的培训。对两个公开数据集进行的实验实验，即，Thumos14和ActivityNet V1.3，与最先进的方法相比，我们所提出的方法取得了重大改进。我们的源代码可在https://github.com/wuli555555/issf上找到。