XiaoMi-AI文件搜索系统
World File Search SystemTransferability
使用加固学习设计自适应生产控制系统
抽象的现代生产系统由于客户需求的增加而面临巨大的挑战，导致了复杂的生产系统。通过管理所有操作以优化关键绩效指标的适当生产控制系统来确保竞争行业的运营效率。当前，控制系统主要基于静态和基于模型的启发式方法，需要显着的人类领域知识，因此，不符合ManufacturingCompanies.Data-DrivenReinReinForecrivecompan（RL）的动态环境，显示了CommperlistresultSinapplicationssultsinapplicationssuchassuchashassuchasboard and Commuter Games and Computer Games and Posertans Productions Productions应用程序。本文介绍了RL的设计，以通过在一个复杂的车间派遣订单派遣的现实世界示例来创建自适应生产控制系统。作为RL算法是“黑匣子”的方法，它们本质上禁止全面理解。此外，高级RL算法的经验仍然仅限于单个成功的应用程序，这限制了结果的可传递性。在本文中，我们研究了状态，行动和奖励功能RL设计的性能。分析结果时，我们确定了强大的RL设计。这使RL成为高度动态和复杂生产系统的有利控制系统，主要是在域知识受到限制时。
![arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日](/simg/g:\will\search\icon\source\2\2149d5e294b4a943fa88ce6a6b3b2eb31a32b4b0.webp)
arXiv:2401.10746v4 [eess.SP] 2024 年 5 月 23 日
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
深度学习对脑电图解码的欧几里德对齐的系统评估
脑电图 (EEG) 信号经常用于各种脑机接口 (BCI) 任务。虽然深度学习 (DL) 技术已经显示出良好的效果，但它们受到大量数据需求的阻碍。通过利用来自多个受试者的数据，迁移学习可以更有效地训练 DL 模型。欧几里得对齐 (EA) 是一种越来越受欢迎的技术，因为它易于使用、计算复杂度低并且与深度学习模型兼容。然而，很少有研究评估它对共享和单个 DL 模型训练性能的影响。在这项工作中，我们系统地评估了 EA 与 DL 结合对解码 BCI 信号的影响。我们使用 EA 用来自多个受试者的数据训练共享模型，并评估了它对新受试者的可迁移性。我们的实验结果表明，它将目标受试者的解码提高了 4.33%，并将收敛时间缩短了 70% 以上。我们还为每个受试者训练了单独的模型，以用作多数投票集成分类器。在此场景中，使用 EA 可将 3 模型集成准确率提高 3.71%。但是，与使用 EA 的共享模型相比，集成准确率降低了 3.62%。
先进电池管理系统：控制建模与数值模拟
摘要 — 电池管理系统 (BMS) 依赖于经验模型，即等效电路模型，这得益于其数学简单性和低计算负担。然而，经验模型需要经过大量的校准工作，而且它们缺乏跨化学性质的可转移性。此外，无法预测电化学内部状态和考虑退化动态通常会导致电池系统可用性不佳，可能导致不准确的健康状态 (SOH) 估计随时间而变化。一种能够观察和控制电池系统内部变量的先进 BMS 设计对于克服这些限制至关重要，从而为快速增长的能源市场提供持久、更安全且具有成本效益的电池系统。基于物理的电池模型已被视为适合集成到下一代 BMS 中的建模框架之一。在基于模型的估计中，可用的输入/输出传感器信息（例如电流、电压和温度）与电池动态的数学表示一起用于估计内部状态。本教程的目的是回顾基于物理的电池模型的实施挑战，并概述最新的研究趋势，重点关注面向先进 BMS 的基于物理的电池模型硬件实现的数值算法和观察器设计。
研究文章转移具有输出权重对准的极限学习机
极限学习机（ELM）是模式识别和机器学习中的快速且有效的神经网络模型，当标记的训练样本不足以使其下降。转移学习通过使用不同但相关域中的大量标记样本来帮助目标任务学习可靠的模型。在本文中，我们提出了一台具有知识传递性的监督极限学习机器，称为“转移极限学习机器”，具有输出权重对齐（telm-Owa）。首先，它通过对齐由来自源和目标域标记的样品训练的ELM的输出权重矩阵来减少域之间的分布差异。其次，将域间ELM输出权重矩阵之间的近似值添加到目标函数中，以进一步实现知识的跨域转移。tirdly，我们将目标函数视为最小平方问题，并将其转换为标准的ELM模型，以便有效地解决。最后，通过对16组图像数据集和6组文本数据集进行了分类实验对所提出算法的效果进行了验证，结果证明了我们方法相对于其他ELM模型和转移学习方法的竞争性能。
用变异适配器改善夹子的零弹性概括
摘要。预先训练的视觉模型（VLMS）的出色概括能力使下游零镜头任务的微调VLM是流行的选择。尽管在基础类的专业性中取得了令人鼓舞的表现，但大多数现有的微调方法都遭受了新颖类的特征混乱，导致不满意的可转移性。为了解决这个问题，我们提出了一种称为基于及时的变分适配器（PVA）的分裂和争议方法，该方法通过分开基础和新样本来明确减少预测偏差。指定，我们设计了两个具有可学习的文本令牌的变异适配器，以使共享潜在空间中每种模态的潜在表示。一旦受过训练，我们就可以使用潜在特征的相似性度量，即将混乱任务转换为两个独立的样本（一个用于基本类别，另一个用于新颖的类别）。此外，为了提高新颖类的可传递性，我们通过残留连接进一步完善了具有全局特征的学习适配器的输出特征。我们对广义零射门学习和交叉传输的学习进行了广泛的实验，以证明我们的方法的优势，并在四个流行的基准上建立新的最先进的方法。
以用户为中心的错误信息干预措施的景观 - 系统文献评论
错误信息是当今社会面临的关键挑战之一。以用户为中心的错误信息干预措施是对用户直接发挥直接的数字对策，代表了处理大量信息的有希望的手段。尽管存在有关该主题的大量研究，但研究人员面临着跨越多个学科的多样化研究景观。本评论将以用户为中心的错误信息干预措施的格局系统化，以促进知识转移，识别趋势并实现知情的决策。筛选了6,000多个学术出版物，并进行了系统的文献综述（n = 172）。在干预设计（例如标签，显示错误信息，校正，删除或降低内容的可见性），用户互动（主动或被动）以及时间（例如，预时（例如，预先或后暴露于错误信息或根据用户的要求）），得出了一种分类学。我们提供了跨多个学科的方法的结构化概述，并为未来的研究提供了六个总体挑战，该方法涉及（1）新颖平台的可转让性，以及（2）基于视频和图像的错误信息，自动化机制的明智组合，与（3）人类专家以及（4）使用误解的媒体和（5）的媒体（5）（5）的媒体，（5），（5）充分解决特别脆弱的用户，例如老年人或青少年。
在扩散模型中探索低维子空间的可控图像编辑
最近，扩散模型已成为强大的生成模型类别。尽管他们成功，但对他们的语义空间的理解仍然有限。这使得在没有其他培训的情况下，获得精确且脱节的图像生成，尤其是以无监督的方式而挑战。在这项工作中，我们从有趣的观察中提高了对它们的语义空间的理解：在一定范围的噪声水平中，（1）扩散模型中学习的后均值预测指标（PMP）是局部线性的，（2）其Jacobian的单数矢量位于其低度语义语义下集中。我们提供了坚实的理论基础，以证明PMP中的线性和低级别的合理性。这些见解使我们能够提出一种无监督的，单步的，无训练的LO W-rank Co n-trollable图像编辑（LOCO编辑）方法，用于在扩散模型中精确局部编辑。LOCO编辑确定了具有良好属性的编辑说明：同质性，可传递性，合成性和线性性。Loco编辑的这些属性从低维语义子空间中受益匪浅。我们的方法可以进一步扩展到各种文本到图像扩散模型（T-Loco Edit）中的无监督或文本监督编辑。最后，广泛的经验实验证明了Loco编辑的有效和效率。可以在项目网站上找到代码和ARXIV版本。1
印第安纳州繁荣 2035：经济加速发展的愿景
在接下来的几年里，取得了很大进展。印第安纳州在 2012 年立即成为工作权利州。在下一届立法会议上，州遗产税被取消，并且在过去十年的大部分时间里，企业个人财产税的迟来的豁免已经到位。2017 年，随着采用用户付费方式的立法通过，道路资金成为焦点。印第安纳州致力于提高全国风险投资排名，这大大提高了风险投资 (VCI) 税收抵免、VCI 可转让性和资金增加。通过 2019 年有效的偏见犯罪立法和 2021 年和 2023 年州对区域地点质量计划的投资，促进了吸引和留住人才的多元化和文明文化。今年，印第安纳州能源结构多样化的目标也以州能源计划达到顶峰，该计划承诺实现这一目标，并指定了包括可靠性、稳定性、可负担性、弹性和环境可持续性在内的能源考虑因素。前两个计划和驱动因素的主体和工作随着时间的推移一直保持良好。为了保持竞争力，印第安纳州必须投资于其人民及其市场劳动力技能。我们必须保持税收和监管环境公平，
空间技能与 STEM 成就之间的关系
学习者的空间技能是 STEM 教育（包括计算机）成就的可靠且重要的预测指标。空间技能也是可塑的，这意味着它可以通过训练得到提高。大多数认知技能训练只能提高一小部分类似任务的表现，但研究人员已经发现足够的证据表明空间训练可以广泛提高 STEM 成就。我们尚不清楚使空间技能训练具有广泛可转移性而其他认知训练却不能的认知机制，但了解这些机制对于开发持续有益于学习者的培训和教学非常重要，尤其是那些从低空间技能开始的学习者。本文提出了空间编码策略 (SpES) 理论来解释连接空间技能和 STEM 成就的认知机制。为了激发 SpES 理论，本文回顾了 STEM 教育、学习科学和心理学的研究。SpES 理论为这些文献中的发现提供了令人信服的事后解释，并与关于大脑结构功能的神经科学模型相一致。本文最后提出了一个计划，用于测试该理论的有效性并将其用于指导未来的研究和教学。该论文重点关注计算教育的意义，但空间技能对 STEM 表现的可转移性使得提出的理论与许多教育界相关。