XiaoMi-AI文件搜索系统
World File Search SystemXin
上海新天地将于 2024 年 7 月起实现 100% 可再生能源电力
瑞安房地产在中国主要城市开发可持续综合城市社区方面拥有令人羡慕的业绩。其全资子公司瑞安新天地有限公司（“瑞安新天地”）运营和管理着上海新天地、岭南天地、武汉天地、重庆天地等商业资产，总建筑面积达 410 万平方米。2021 年，武汉天地天地购物中心采用可再生电力，使天地南路成为湖北省首个获得碳中和认证的购物中心。不久后，武汉天地企业天地一号采用可再生电力，成为湖北省首个超高层碳中和办公楼。
Xindi Son，Ph.D。Xindi Son，Ph.D。
•细胞培养：原发性和3D培养，增殖和细胞毒性测定，肠道细胞培养•免疫学技术：ELISA，ELISA，流式细胞仪，FACS，FACS，免疫组织化学•显微镜检查：共焦，明亮领域，2-光子共摄影显微镜•分析技术：分析技术：HPLC，FPLC，FPLC，FPLC，fpa，skta，rc，lc，lc，lc，akta，lc，lc rc，lc，lc rc，lc rc，lc，rc，lc，rc，rc，lc，rc，rc，rc，lc ta，lc ta，厌食症菌群培养，16S rRNA测序，荧光原位杂交•转录组学：单细胞RNA测序，空间转录组学（Merfish）出版物
Xin Jin，博士Xin Jin，博士
Xin Jin，博士Dorris神经科学中心神经科学系Scripps研究所神经科学系10550 N. Torrey Pines Rd，DNC-210G，La Jolla，La Jolla，CA 92037美国办公室：857-784-8000电子邮件：Xinjin@scripps.edu Labs.edu Lab网站： 858-784-9487，knestor@scripps.edu个人陈述我的实验室开发和应用新技术来揭示神经精神疾病的分子和机械基础。 I接受了包括化学生物学和工具开发（Alice Ting和Feng Zhang），分子遗传神经科学（与Cori Bargmann）以及发育神经生物学（有关Paola Arlotta）的培训。 我作为初级同胞基因组技术开发，发育神经生物学和机器学习，以在体内wisturb-seq中发展的机器学习。 这是一种通过CRISPR-CAS9基因组编辑引入汇集的遗传扰动的高通量方法，并通过单细胞RNA分析读取其扰动效应，并在体内活体组织中进行。 i试行了这种方法，以系统地表征与自闭症谱系障碍有关的从头风险基因，并确定了这种复杂的，神经组织中的风险基因的复发性，细胞类型特异性效应。 自2021年以来我新成立的实验室中，我们将继续开发和应用基因组和化学生物学工具来分析脑疾病和稳态中的细胞类型多样性和空间组织。Xin Jin，博士Dorris神经科学中心神经科学系Scripps研究所神经科学系10550 N. Torrey Pines Rd，DNC-210G，La Jolla，La Jolla，CA 92037美国办公室：857-784-8000电子邮件：Xinjin@scripps.edu Labs.edu Lab网站： 858-784-9487，knestor@scripps.edu个人陈述我的实验室开发和应用新技术来揭示神经精神疾病的分子和机械基础。I接受了包括化学生物学和工具开发（Alice Ting和Feng Zhang），分子遗传神经科学（与Cori Bargmann）以及发育神经生物学（有关Paola Arlotta）的培训。我作为初级同胞基因组技术开发，发育神经生物学和机器学习，以在体内wisturb-seq中发展的机器学习。这是一种通过CRISPR-CAS9基因组编辑引入汇集的遗传扰动的高通量方法，并通过单细胞RNA分析读取其扰动效应，并在体内活体组织中进行。i试行了这种方法，以系统地表征与自闭症谱系障碍有关的从头风险基因，并确定了这种复杂的，神经组织中的风险基因的复发性，细胞类型特异性效应。自2021年以来我新成立的实验室中，我们将继续开发和应用基因组和化学生物学工具来分析脑疾病和稳态中的细胞类型多样性和空间组织。
Shawn Xingshan Cui – - Purdue Math
[4] L. Chang, M. Cheng, SX Cui, Y. Hu, W. Jin, R. Movassagh, P. Naaijkens, Z. Wang 和 A. Young. “论用对称性丰富 Levin-Wen 模型”. 《物理学 A 杂志：数学和理论》48.12（2015 年），12FT01。
Xinrun Wang-计算与信息系统学院
[28]。Zhang，Lingxuan Zhao，Haochong Xia，Shuo Sun，Jiaze Sun，Molei Qin，Xinyi Li，Yuqing Zhao，Yilei Zhao，Xinyu Cai，Longtao Zheng，Longtao Zheng，Xinrun Wang，Bo an。金融贸易的多模式基础代理：工具增强，多元化和通才。第30届ACM SIGKDD知识发现与数据会议（KDD）的会议记录，2024年。[27]。Pengdeng Li，Shuxin Li，Chang Yang，Xinrun Wang†，Shuyue Hu，Xiao Huang，Hau Chan，Bo an。可配置的镜像下降：统一决策。第41届国际机器学习会议（ICML）会议录，2024年。[26]。Xinrun Wang ∗，Chang Yang ∗，Shuxin Li，Pengdeng Li，Xiao Huang，Hau Chan和Bo An。增强NASH平衡求解器。第33届国际人工智能会议（IJCAI）的会议记录，2024年。[25]。Pengdeng Li，Shuxin Li，Chang Yang，Xinrun Wang†，Xiao Huang，Hau Chan，Bo an。自适应PSRO：迈向自动基于人群的游戏求解器。第33届国际人工智能会议（IJCAI）的会议记录，2024年。[24]。Longtao Zheng，Rundong Wang，Xinrun Wang†，Bo An†。Synapse：轨迹-AS-exemplar提示，并带有用于计算机控制的内存。2024年国际学习代表会议（ICLR）的会议记录，2024年。[23]。Weihao Tan，Winao Zhang，Shanqi Liu，Longtao Zheng，Xinrun Wang†，Bo An†。真正的知识来自实践：通过强化学习使大型语言模型与具体的环境保持一致。2024年国际学习代表会议（ICLR）的会议记录，2024年。[22]。Shanqi Liu，Dong Xing，Pengjie Gu，Bo An，Yong Liu，Xinrun Wang†。贪婪的顺序执行：使用统一框架解决同质和异质的合作任务。2024年国际学习代表会议（ICLR）会议录，Spotlight，2024。[21]。Pengdeng Li ∗，Shuxin Li ∗，Xinrun Wang†，Jakub Cerny，Youzhi Zhang，Stephen Marcus McAleer，Hau Chan，Bo An。Grasper：追求追求问题的通才追求者。第23届国际自主代理和多代理系统会议（AAMAS）的开发项目，2024年。[20]。molei Qin，Shuo Sun，Winao Zhang，Haochong Xia，Xinrun Wang†，Bo An†。Earnhft：高频交易的有效层次增强学习。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[19]。Haochong Xia，Shuo Sun，Xinrun Wang†，Bo An†。 市场贡献：通过语义上下文将控制权添加到金融市场数据的生产中。 第38届AAAI人工智能会议（AAAI）的会议记录，2024年。 [18]。 Pengdeng Li，Runsheng Yu，Xinrun Wang†，Bo An。 大规模stackelberg均值游戏的过渡信息增强学习。 第38届AAAI人工智能会议（AAAI）的会议记录，2024年。 [17]。 shuo sun ∗，molei Qin ∗，wentao Zhang，Haochong Xia，Chuqiao Zong，Jie Ying，Yonggang Xie，Lingxuan Zhao，Xinrun Wang wang†，Bo An†。 [16]。Haochong Xia，Shuo Sun，Xinrun Wang†，Bo An†。市场贡献：通过语义上下文将控制权添加到金融市场数据的生产中。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[18]。Pengdeng Li，Runsheng Yu，Xinrun Wang†，Bo An。大规模stackelberg均值游戏的过渡信息增强学习。第38届AAAI人工智能会议（AAAI）的会议记录，2024年。[17]。shuo sun ∗，molei Qin ∗，wentao Zhang，Haochong Xia，Chuqiao Zong，Jie Ying，Yonggang Xie，Lingxuan Zhao，Xinrun Wang wang†，Bo An†。[16]。商家：一个由强化学习增强的整体定量交易平台。第三十七届神经信息处理系统会议（NEURIPS）数据集和基准曲目，2023年。Pengjie Gu，Xinyu Cai，Dong Xing，Xinrun Wang†，Mengchen Zhao，Bo An。离线RL具有离散代理表示POMDPS中的概括性。第三十七届神经信息处理系统会议（神经），2023年。[15]。Shuo Sun，Xinrun Wang†，Wanqi Xue，Xiaoxuan Lou，bo an†。掌握股票市场，并有效地混合了多元化的交易专家。第29届ACM SIGKDD知识发现与数据会议（KDD）的会议记录，2023年。[14]。Runsheng Yu，Weiyu Chen，Xinrun Wang，James Kwok。通过多目标软改进功能增强元学习。第11届学习代表国际会议（ICLR），2023年。[13]。Pengdeng Li，Xinrun Wang†，Shuxin Li，Hau Chan，Bo an。对均值现场游戏的人口大小的政策优化。第11届学习代表国际会议（ICLR），2023年。[12]。Shuxin Li，Xinrun Wang†，Youzhi Zhang†，Wanqi Xue，Jakub Cerny，Bo an。使用预训练的策略来解决大规模追求逃避游戏。第37届AAAI人工智能会议（AAAI）的会议记录，11586-
推荐引用 推荐引用 He, Jonathan 和 Xin, ChunSheng (2021) “开发人工智能聊天机器人以支持中学和高中网络安全营的管理”，网络安全教育、研究与实践杂志：第 2021 卷：第 1 期，第 6 篇文章。DOI：https://doi.org/10.62915/2472-2707.1077 可从以下网址获取：https://digitalcommons.kennesaw.edu/jcerp/vol2021/iss1/6
摘要 摘要 在整个互联网中，各种组织已经部署了许多聊天机器人来回答客户提出的问题。近年来，我们一直在为青少年举办网络安全夏令营。由于 COVID-19，我们的线下夏令营已改为虚拟夏令营。因此，我们决定开发一个聊天机器人，以减少电子邮件和电话的数量，以及根据我们从以前的夏令营收到的问题一遍又一遍地回答相同或类似问题的人工负担。本文介绍了我们使用 Google Dialogflow 平台为中学和高中网络安全夏令营实施 AI 聊天机器人的实践经验。我们选择了一些常见问题来构建我们的聊天机器人。我们认为，与其直接在网站上发布许多常见问题（许多人可能对此不感兴趣），不如使用聊天机器人，以互动的方式回答任何用户的疑问或询问。我们对聊天机器人的初步评估表明，聊天机器人受到了使用者的好评。29 名学生在使用聊天机器人后填写了一份简短的问卷。79.5% 的学生同意聊天机器人易于使用；89.6% 的学生同意聊天机器人的界面用户友好；89.7% 的学生认为聊天机器人效果很好，聊天机器人非常有帮助，帮助他们回答了一些营地或网络相关的问题；75.9% 的学生喜欢使用聊天机器人；总体而言，82.8% 的学生对聊天机器人感到满意。我们相信聊天机器人比问答代理更有用，它可以进一步发展成为教师和学生的高级虚拟助手。至于未来的工作，我们有兴趣将聊天机器人扩展到网络安全领域的一般问题，以便聊天机器人可以为更多与网络安全知识相关的问题提供标准化答案。
ACM参考格式：Xingyu Bruce Liu，Jiahao Nick Li，David Kim，Xiang“ Anthony” Chen和Ruofei du。 2024年。人I/O：采用统一的方法
每个人都经历了处境引起的障碍和疾病（SIIDS）。这些障碍可能是由于各种情况而引起的，例如噪声，照明，温度，压力，社会规范等。例如，人们可能会错过一家嘈杂的餐厅中的重要电话，或者在做碗碟时难以回复短信。日常生活中这些多样化的情境环境可能会导致我们的身体，认知或情感能力暂时下降，从而导致体验不令人满意。最近，研究人员开发了通过提高移动设备的情境意识来解决SIID的系统。大多数系统都采用“感官模型改装”设计模式[53]，也就是说，首先建立一个模型来识别导致特定SIID的特定情况，然后策划适合该环境的适应性。例如，检测一个人何时驾驶[5]，步行[11，20]，不受欢迎[38]，分散注意力[37]，或者在触摸屏上有雨水[50]。但是，SIID通常是动态的和普遍的，这使得逐渐扩展了以前的一次性解决方案，以便在各种情况下实时可容纳用户的不断变化的损害。构成一个典型的早晨例行活动：当一个人刷牙时，他们可能会受到与语音助手的交往的约束；洗脸时，他们可能会在阅读紧急消息方面挣扎；当使用吹风机时，他们可能会错过手机上的听觉通知。我们的论文着重于检测SIID的综合技术框架，推迟了SIID的适应未来研究。我们迭代尽管以前的系统已经开发了针对特定情况损伤的模型，但针对所有可能场景及其组合的手动设计检测解决方案是不切实际的，并且可伸缩性有限。在本文中，我们提出了人类I/O，这是一种新的方法，它认为SIID并非是需要特定检测模型的上下文特异性障碍，而是通过统一的镜头，而统一的镜头着重于人类输入/输出渠道的有限可用性。概述，而不是为诸如面部洗脸，牙刷或脱毛等活动设计单个模型，而是评估用户的视野，听力和手动交互渠道的可用性。随着大型语言模型（LLMS）的最新发展，它们表现出开放式摄影库的学习和推理能力，我们看到了一个令人兴奋的机会，可以利用LLMS并引入一个单一的统一框架来识别SIID。这种抽象将我们对SIID的思考扩大到全面的障碍范围，并允许开发可扩展的框架，从而使其他研究人员和开发人员不断扩大。我们首先对10名参与者进行了一项形成性研究，以了解基于渠道供应能力的SIID的范围。这些见解强调了系统的需求，以整合活动，环境和直接感知的信息提示，以实现渠道可用性预测，并认识到检测注意力，情感和技术siids的挑战。这将更好地与用户的需求保持一致，并允许开发人员根据损害严重性创建量身定制的策略。我们的发现还表明，系统应提供不同级别的通道可用性，而不是大多数系统中先前假设的二进制规模。
Xin YuXin Yu
•视觉：图像分类，单视3D建模和自主驾驶（SLAM）•语言：语言生成和零拍的大型语言建模•科学的AI：用于物理模拟的数据驱动方法（替代模型，操作员学习，操作员学习），时间序列学习（时间序列学习）