XiaoMi-AI文件搜索系统
World File Search Systemcomputers
计算机简史
算盘发明于公元前 500 年左右的中东，直到 17 世纪中叶，它仍然是最快的计算器，这足以说明算盘的聪明才智。1642 年，年仅 18 岁的法国科学家兼哲学家布莱斯·帕斯卡 (Blaise Pascal，1623-1666) 发明了第一台实用的机械计算器 Pascaline，以帮助他的收税员父亲做算术运算。这台机器有一系列互锁的齿轮（外缘有齿的齿轮），可以加减十进制数。几十年后，在 1671 年，德国数学家兼哲学家戈特弗里德·威廉·莱布尼茨 (Gottfried Wilhelm Leibniz，1646-1716) 发明了一台类似但更先进的机器。它没有使用齿轮，而是有一个“阶梯式滚筒”（边缘有长度不断增加的齿的圆柱体），这一创新在机械计算器中存活了 300 年。莱布尼茨机器的功能比帕斯卡的机器多得多：除了加减运算外，它还能乘、除和计算平方根。另一个开创性的功能是第一个内存存储器或“寄存器”。
与计算机面对面
来源和沟通渠道。Bulling 的团队不仅关注认知过程，还关注我们的行为，例如我们如何与数字设备互动。他们的首要任务是教会计算机正确识别我们的视线，而不仅仅是从完美照明的面部和恒定的实验室环境中识别，就像以前的计算机辅助凝视分析一样。科学家们长期以来一直依靠机器学习来做到这一点。但是，到目前为止，他们用来训练计算机的数据与日常生活并不十分相关。为了纠正这个问题，Bulling 和他的团队在 15 名志愿者的笔记本上安装了软件。在他们使用电脑工作的几天里，软件反复提示志愿者注视显示器上的选定点，并拍摄他们的照片。这为团队提供了不同环境中的图像，通常是在光线不足的情况下。因为他们还知道志愿者的视线在哪里
生物和医学领域的计算机
摘要：背景运动学习实验通常在实验室环境中进行，这可能非常耗时并且需要专用的设备 / 人员，从而限制了从大样本中收集数据的能力。为了解决这个问题，一些研究人员已经转向无监督的在线实验，在不失去有效性的情况下显示出参与者招募的优势。然而，大多数在线平台需要编码经验或耗时的设置来创建和运行实验，限制了它们在该领域的使用。方法为了解决这个问题，开发了一个基于 Web 的开源平台 (https://experiments.neurro-lab.engin.umich.edu/) 来创建、运行和管理程序技能学习实验，而无需编码或设置要求。使用已建立的顺序手指敲击任务，在 41 名右撇子参与者中测试了该平台的可行性以及监督 (n=17) 和无监督 (n=24) 结果的可比性。该研究还测试了之前报道的一种程序技能学习中的快速离线巩固形式（即微尺度学习）是否可以与开发的平台复制，并评估了与手指敲击任务相关的肢体间转移的程度。结果结果表明，监督组和无监督组之间的绩效指标具有可比性（所有 p > 0.05）。学习曲线、平均敲击速度和微尺度学习与之前的研究相似。训练使平均敲击速度显著提高（2.22 ± 1.48 次按键/秒，p < 0.001），并实现了显著的肢体间学习转移（1.22 ± 1.43 次按键/秒，p < 0.05）。结论结果表明，所提出的平台可以作为开展在线程序技能学习实验的有价值的工具。
计算机和教室 - ETS
学生使用计算机 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 来自 NAEP 的学校计算机使用信息 . . . . . . . . . . . . . . . . . . 27 学生在家里和学校使用计算机 . . . . . . . . . . . . . . . . . 27 学生使用计算机完成学校作业 . . . . . . . . . . . . . . . . . 28 在阅读、美国历史/社会研究和地理教学中使用计算机 . . . . . . . . . . . . . . . . . . . 28 学生在数学中使用计算机的情况 . . . . . . . . . . . . . . . . . 29 大学准毕业生的计算机课程和经验 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .... .... .... .... .... 32
计算机与工业工程
在由许多互连组件组成的软件系统中，每个组件的脆弱性都会影响其他组件和整个系统的脆弱性。现有技术可以量化单个组件的脆弱性，但当它们互连或相互依赖时，评估它们的脆弱性仍然是一个挑战。本研究通过一种新的系统范围脆弱性评估 (SWVA) 框架解决了这一问题，该框架针对互连软件组件，基于关联随机神经网络 (ARNN)，根据单个组件已知的局部脆弱性及其互连来估计所有软件组件的系统范围脆弱性。ARNN 使用特定于问题的权重初始化，并使用基于梯度的深度学习算法从现有软件系统示例中学习。然后使用 ARNN 来评估迄今为止未见过的软件系统的脆弱性。对所提出的基于 ARNN 的 SWVA 框架的性能进行了评估，并与几种著名的机器学习技术在 13 个不同版本的真实软件系统（最多包含 11 个组件）上进行了比较。实验结果表明，ARNN 的性能优越，中位准确率达到 85% 以上，并且相对于连接的软件组件数量具有良好的高可扩展性。
生物和医学中的计算机
摘要：本文提出了一种面向磁共振成像（MRI）的基于注意机制的新型胶质瘤分级网络（AGGN）。通过应用双域注意机制，可以同时考虑通道和空间信息来分配权重，这有利于突出特征图中的关键模态和位置。在多尺度特征提取模块中采用多分支卷积和池化操作来分别获得每个模态的浅层特征和深层特征，并采用多模态信息融合模块来充分融合低级细节特征和高级语义特征，促进不同模态信息之间的协同作用。通过大量实验对所提出的AGGN进行了全面的评估，结果证明了所提出的AGGN与其他先进模型相比的有效性和优越性，并且还表现出很高的泛化能力和强的鲁棒性。此外，即使没有手动标记的肿瘤掩模，AGGN 也能表现出与其他先进算法相当的性能，这减轻了端到端学习范式中对监督信息的过度依赖。