XiaoMi-AI文件搜索系统
World File Search SystemUCSD
分布式认知：迈向新... - UCSD HCI 实验室
随着计算变得无处不在，我们的环境充满了新的通信和交互可能性，人机交互领域面临着支持复杂任务、调解网络交互以及管理和利用日益增加的数字信息的艰巨挑战。应对这些挑战的研究需要一个理论基础，该理论基础不仅能够解决有效设计新通信和交互技术所涉及的复杂问题，而且还能确保以人为本。在本文中，我们认为分布式认知理论 [21, 35, 37] 为理解人机交互提供了有效的理论基础，并为设计和评估数字工件提供了丰富的框架。
价值敏感设计和信息系统 - UCSD CSE
BATYA FRIEDMAN，PETER H. KAHN，JR. 和ALAN BORNING 华盛顿大学 即将在 P. Zhang 和 D. Galletta（编辑）的《管理信息系统中的人机交互：基础》中发表。M.E. Sharpe，Inc：纽约。 ________________________________________________________________________ 价值敏感设计是一种以理论为基础的技术设计方法，它在整个设计过程中以原则性和全面的方式考虑人的价值。它采用综合和迭代的三部分方法，包括概念、实证和技术调查。我们通过三个案例研究来阐明价值敏感设计。第一项研究涉及网络浏览器 cookie 的信息和控制，涉及知情同意的价值。第二项研究涉及在办公环境中使用高清等离子显示器为外界提供“窗口”，涉及公共空间中身体和心理健康和隐私的价值。第三项研究涉及一个综合的土地使用、交通和环境模拟系统，以支持公众对重大土地使用和交通决策的审议和辩论，涉及公平、问责和对民主进程的支持等价值观，以及不同利益相关者可能持有的各种价值观，如环境可持续性、商业扩展机会或步行邻居。
PDIP：优先级定向指令预取 - UCSD CSE
现代服务器工作负载具有较大的代码占用空间，由于指令缓存容量未命中，这些代码很容易出现前端瓶颈。即使现代处理器中实现了积极的提取定向指令预取 (FDIP)，由于 I-Cache 未命中，仍然会出现严重的前端停顿。FDIP 可以容忍 BPU 预测路径上发生的大部分未命中，而不会导致停顿。然而，先前的指令预取工作并非设计用于 FDIP 处理器。它们的唯一目标是减少 I-Cache 未命中，而 FDIP 处理器则旨在容忍它们。设计与 FDIP 协同工作的指令预取器需要确定影响前端性能的缓存未命中比例（未被 FDIP 完全隐藏），并仅针对它们。在本文中，我们提出了优先级定向指令预取 (PDIP)，这是一种新颖的指令预取技术，它通过仅针对 FDIP 遇到困难的目标发出预取来补充 FDIP——沿着导致前端停顿事件的重新引导路径。PDIP 识别这些目标并将它们与未来预取的触发器相关联。在 43.5KB 的预算下，PDIP 在重要的工作负载（例如 Cassandra）上实现了高达 5.1% 的 IPC 加速，并在 16 个基准测试中实现了 3.2% 的几何平均 IPC 加速。
Garry：步态康复机器人系统-UCSD CSE
步态康复是中风后恢复的关键方面，虚拟现实和可穿戴设备等新兴技术在促进这一过程方面起着关键作用。，尽管有潜在的好处，但基于机器人的恢复系统存在很大的差距，可以通过长期维持用户的注意来促进重复使用。我们的研究旨在通过创建一个全面的系统来弥合这一差距，该系统利用不同的反馈类型和机器人帮助来支持用户的步态康复结果。在本文中，我们介绍了Garry（步态康复机器人系统），这是一种新的机器人系统，可在运动训练期间提供交互式反馈。它通过游戏恢复过程来促进参与度，为用户提供一种有趣的手段，使用户满足其由物理治疗师定义和设定的康复目标。Garry还结合了行为反馈，以在会议期间引入陪伴感。我们向其他研究人员提供了Garry开源，以期鼓励可访问性并促进该领域的研究。我们的代码可以在此处找到：https：//github.com/ucsd-rhc-lab/garry
第23-24财年年度报告-UCSD精神病学
在7所高中和2所社区大学中注册600名学生/年，提供教育，财务和环绕式服务招募600名学生/年，遍及7所高中和2所社区学院，提供教育，财务和环绕式服务，为同行和教师指导提供了使学生提供行为医疗保健职业
Nadia Heninger -UCSD CSE
•创建一对虚拟摄像机 - 虚拟摄像机具有与真实摄像机相同的相机中心 - 两个虚拟摄像机都具有相同的相同：•摄像机旋转矩阵R•摄像机校准矩阵k•整流转换矩阵
Jishen Zhao -UCSD CSE
图1。我们引入了一个时空优化器，该优化器概括了亚当和拉普拉斯平滑（大步骤）。除了时间过滤（如Adam）外，它还将各向异性交叉双侧过滤器应用于跨空间的梯度。我们的跨双边滤波器可以减少梯度噪声，并通过在先前施加分段平滑度来改善各向异性目标的条件。我们的方法可以使（a）纹理，（b）体积和（c）在非常低的样品计数下的纹理和（c）网格的更快收敛和更高质量的逆渲染；所有实验仅使用每个像素的1个样品进行梯度估计。（a）对于100次迭代后粗糙度纹理恢复，我们的方法融合了，而其他方法则具有伪像。（b）用于体积密度和反照率恢复仅50次迭代，我们的方法已经可以恢复粗糙的形状和颜色。更高的样本计数进一步优化可恢复详细信息。（c）对于网格恢复，我们的方法能够比竞争方法更快地恢复尖锐的功能（顶行，立方体）和薄结构（底行，龙）。在窗户上改编的场景©Bernhard Vogl，Autumn Field©Jarod guest and Sergej Majboroda，高分辨率烟雾羽流©Jangafx，Kloppenheim 06©Greg Zaal和Asian Dragon和Asian Dragon©Stanford Computer Graphics Labrications。
朱莉娅·伦（Julia Len）的简历
TA for Cornell CS 5830: Cryptography Summer 2021 TA for Cornell CS 5436: Privacy in the Digital Age Spring 2021 TA for Cornell CS 5433: Blockchains, Cryptocurrencies, and Smart Contracts Spring 2020 Tutor for UCSD CSE 107: Introduction to Modern Cryptography Fall 2017, Winter 2018 Tutor for UCSD CSE 105: Theory of Computability Spring 2017 Tutor for UCSD CSE 20：UCSD CSE 11：ICSD CSE 11：ICSD CSE的介绍的离散数学冬季教师2016年UCSD CSE 30辅导员30：计算机组织和系统编程春季