XiaoMi-AI文件搜索系统
World File Search Systemcontexts
techexperts（IPN）在Genai检测任务1：在英语和多语言上下文中检测AI生成的文本
大语言模型（LLM）的兴起，例如GPT-4，已大大增加了各种数字平台上AI生成的内容的量。这些模型可以生成连贯和上下文相关的文本，从而使用户难以区分人类和机器生成的内容。AI生成的内容的重新上升使许多人质疑信息的可信度和可靠性，尤其是关于新闻，学术界和社交媒体的信息，而内容的完整性至关重要。这使得需要开发有效的方法将AI生成的内容检测到历史高（Fraser等人，2024）。最近在LLM的能力中获得的收益为他们的发现带来了新的挑战。ap-诸如使用Human的反馈和指导调整的加固学习之类的方法使这些模型更具多功能性，以遵循甚至连接提示，从而产生合理的响应，从而进一步使检测问题复杂化（Abdali等人。，2024）。依赖于识别单词选择，句子结构或困惑模式的传统检测方法通常不太适合，因为这些模型在模仿Hu-
人工智能将如何、为谁、在什么情况下应用于病理学？一项现实主义访谈研究
目的：人们越来越有兴趣在病理学中使用人工智能 (AI) 来提高准确性和效率。对临床医生对 AI 的看法的研究发现，其接受度仅为中等，这表明需要进一步研究将其融入临床实践的情况。本研究旨在探索利益相关者关于 AI 如何以及在何种情况下可能融入病理学的理论。材料和方法：文献综述提供了暂定理论，并通过对 20 名病理学家和 5 名病理学实习生的现实主义访谈研究对这些理论进行了修订。问题旨在了解暂定理论是否以及在何种方式符合受访者的看法和经验。分析的重点是确定可能支持或限制 AI 在病理学中应用的背景因素。结果：访谈强调了对 AI 的信任的重要性，受访者强调评估和病理学家熟悉 AI 的机会是建立信任的手段。受访者表示希望参与 AI 工具的设计和实施，以确保此类工具能够满足迫切的需求，但不同专科的需求各不相同。需要工作流程集成，但 AI 工具是否应该自动工作将根据任务和环境而有所不同。结论：不能假设在某一专科中提供益处的 AI 工具也会在其他专科中提供益处。病理学家应参与引入 AI 的决策，并有机会评估其优缺点。需要进一步研究有关让病理学家对 AI 的好处感到满意所需的证据。
PulseSatellite：一种利用人机反馈回路进行人道主义背景下的卫星图像分析的工具
简介 在处理冲突和人道主义危机时，准确及时的卫星图像分析是支持实地关键行动的关键。使用案例包括监测人口流离失所、绘制定居点地图、评估损害、与侵犯人权相关的火灾探测、交通网络损坏、评估洪水或确定地震、火山、气旋和山体滑坡的直接影响（Lang 等人，2015 年）。在这些情况下，提供决策重要信息的自动化流程必须经过仔细验证和调整以实现最佳性能，因为误报可能会危及人类生命。虽然存在几种通用卫星图像分析工具，但很少有工具是针对人道主义用例设计和优化的。PulseSatellite 是一种借助神经网络分析卫星图像的工具，它试图在模型推理过程的不同阶段加入人机交互，以在人道主义背景下实现最佳结果和专家验证。用于实施和部署 PulseSatellite 的概念框架此前已在 (Quinn et al. 2018) 中提出。
调查多模态增强对空中交通管理远程控制塔环境的贡献
摘要：本研究旨在调查多模态模式对远程塔台环境的贡献。使用交互式空间声音和振动触觉反馈设计了 4 种不同类型的交互和反馈，以响应 4 种典型的空中交通管制用例。实验涉及 16 名专业空中交通管制员，他们被要求在生态实验条件下管理 4 种不同的 ATC 场景。在其中两种场景中，参与者只需控制一个机场（即单远程塔台环境），而在另外两种场景中，参与者必须同时控制两个机场（即多远程塔台环境）。增强模式以平衡的方式激活或不激活。行为结果强调，当在单远程塔台环境中激活增强模式时，参与者的整体表现显着提高。这项工作表明，某些类型的增强模式可用于远程塔台环境。
S1 代表皮质小人范围内外的多感官环境和躯体位置
最近的文献表明，触觉事件在初级体感皮层 (S1) 中的表现超出了其长期确定的拓扑结构；此外，S1 受视觉调节的程度仍不清楚。为了更好地描述 S1，在触摸前臂或手指时记录了人类电生理数据。条件包括视觉观察到的物理触摸、没有视觉的物理触摸和没有物理接触的视觉触摸。从这个数据集中得出两个主要发现。首先，视觉强烈调节 S1 区域 1，但前提是触摸有物理元素，这表明被动触摸观察不足以引起神经反应。其次，尽管在假定的 S1 手臂区域记录，但神经活动在物理触摸期间代表手臂和手指刺激。手臂触摸的编码更强烈和具体，支持 S1 主要通过其拓扑组织编码触觉事件的想法，但也更普遍地涵盖身体的其他区域。
婴儿中的心脏互动：各种情感和自我相关的环境中的行为和神经生理学措施
抽象的感知是内部身体信号的感知，是我们自我意识的基础。尽管理论上的说明表明了相互作用在自我发展中的重要作用，但经验研究受到限制，尤其是在婴儿期。以前的研究使用优先的范例来评估婴儿期感觉运动和多感官意外事件的脱位，通常与本体感受和触摸有关。到目前为止，只有一项最近的一项研究报告说，婴儿与心跳同步或异步呈现的视听刺激有区别。这种歧视与婴儿心跳诱发潜力（HEP）的振幅有关，这是互认为的神经相关性。在当前的研究中，我们测量了同步和异步视觉心动（Bimodal）和audiovisuocardiac（三膜）刺激以及在不同情绪环境的条件以及在类似镜像设置中的自我相关性的不同情况下的外观偏好。虽然婴儿更喜欢三峰刺激，但我们没有观察到同步刺激和异步刺激之间的预测差异。此外，HEP不受情感背景或自我相关性的调节。这些发现不支持先前发表的结果，并强调需要进一步研究与自我发展相关的际观察的早期发展。
上下文很重要，但是如何？预测模型转移的表现和公平转移的课程级别相关性
学习分析研究强调，环境对预测模型很重要，但是很少的研究阐明了上下文对模型效用的重要性。这种见解对于经常在教学和机构环境中经常部署预测模型的现实世界中至关重要。以1,493个课程的37,089名学生的行政记录和行为痕迹为基础，我们对跨不同课程环境转移的预测模型的性能和公平转变进行了全面评估。我们专门量化各种上下文因素中的差异如何中等模型可移植性。我们的发现表明，当模型在同一机构内的不同课程中转移时，模型绩效的平均下降和公平转移的不合规向的平均下降，而无需直接权衡。在我们检查的课程到课程之间的差异中，管理员特征的差异解释了表现和公平损失的最大情况。学生组成的差异可以同时放大表现和公平性的下降，而学习设计的差异会对性能降解产生更大的影响。鉴于这些复杂性，我们的结果强调了考虑课程上下文的多个维度的重要性，并在进行教育中预测模型的转移学习时，除了进行转移学习时，还要评估公平性转移。
利用机器学习预测不同编辑类型和染色质环境下的主要编辑效率
图 1 | 基于序列上下文的 pegRNA 效率表征和预测。（a）使用目标匹配的 pegRNA 文库“Library Diverse”进行筛选的示意图。（b - g）HEK293T 或 K562 中（b,c）插入、（d,e）HEK293T 或 K562 中 1-5bp 替换和（f,g）HEK293T 或 K562 中 1-15 bp 删除的编辑效率。（h,i）在 HEK293T（h）或 K562（i）细胞中安装了 2 个独立 1 bp 替换的双重编辑的编辑效率。预期编辑意味着安装了两个替换，而中间编辑意味着只安装了 2 个替换中的 1 个。距离 0 对应于单个 1 bp 编辑。 (j,k) 在 HEK293T (j) 和 K562 (k) 细胞中，在 GG PAM 序列内进行单 1bp 和双 1bp 替换（有或无编辑）的编辑效率。(d、e、hk) 条形图仅包含具有 7、10 或 15bp RTT 突出端的 pegRNA，以确保不同条件下 RTT 突出端分布相似。(bk) 条形图显示平均值，误差线表示平均值 +/- sem (l、m) PRIDICT2.0 在 Library-Diverse（5 倍交叉验证）上对 (l) HEK293T（n = 22,619）和 (m) K562（n = 22,752）细胞的性能。根据高斯 KDE，颜色渐变从深紫色到黄色表示点密度增加。 （n）PRIDICT2.0 示意图，该模型是基于两个模型的预测平均值的集成模型：（模型 A），
探索生物和人工神经网络在建筑环境中的交叉点，并研究支持设计过程演进的算法
摘要。本篇评论探讨了神经网络与建筑之间的关系，特别是在外观设计、室内设计和建筑施工领域。它研究了两种类型的神经网络：生物神经网络，代表人类大脑的神经系统；人工智能，受大脑结构和功能启发的计算系统。本研究对这些神经网络及其在各个领域的应用进行了描述性概述。它进一步研究了这些网络如何在不同层面与建筑相结合。该研究强调了“神经架构”的概念，它将人工神经网络 (ANN) 与建筑相结合，以产生多种设计可能性并揭示隐藏的模式。ANN 用于创建智能建筑和优化结构设计流程以降低成本。此外，该研究还探索了“神经架构”，它探索了生物神经网络 (BNN) 与建筑的相互作用，重点关注建筑环境对大脑和行为的影响。它结合了神经科学、建筑和环境心理学的原理。案例研究分析表明，“pix2pix”、GCNN、DCGAN、CycleGAN 和 StyleGAN 等 AI 工具在通过融合传统和现代风格以及增强创作过程来实现建筑设计的现代化方面的重要性。
WIP：自主驾驶环境中的对抗对象弹性攻击检测：使用Yolo
摘要 - 物理对对象 - 探测攻击对自动驾驶系统（ADS）引起了安全关注，并且是其广泛采用的重要障碍。为了增强广告解决此类问题的能力，我们旨在提出一个人类协作框架，以使人类进入循环以减轻攻击。在这项WIP工作中，我们研究了Yolo系列（Yolov5和Yolov8）中两个对象探测器的表现，以针对Carla模拟器中不同驾驶环境中的三种物理对对象弹性攻击。使用静态图像，我们发现Yolov8在攻击检测中通常超过了Yolov5，但在特定情况下仍然容易受到某些攻击的影响。研究结果表明，当考虑到系统级特征时，没有任何攻击在动态测试中取得了很高的攻击成功率。尽管如此，对于每种攻击，这种检测结果在不同位置的不同位置有所不同。总的来说，这些结果表明，自主驾驶中的感知（与手动驾驶中的人类感知相同）也可能依赖于上下文。此外，我们的结果揭示了人类驾驶员预期的制动距离处的对象检测故障，这表明有必要让人类驾驶员参与未来的评估过程。