摘要 软件开发人员解决的问题种类繁多。虽然软件工程研究通常侧重于支持解决问题的工具,但开发人员解决问题的策略至少同样重要。在本文中,我们提供了一种新方法,使开发人员能够遵循明确的编程策略,这些策略描述了专家如何解决常见的编程问题。我们定义了明确的编程策略,我们的定义基于软件工程和其他采用更明确的问题解决程序的专业领域的先前工作。然后,我们提出了一种名为 Roboto 的新符号和一种新的策略跟踪工具,它们明确地表示编程策略并将执行策略框架化为人类决策能力与计算机构建流程和保存信息能力之间的协作努力。在形成性评估中,28 名具有不同专业知识的软件开发人员完成了一项设计任务和一项调试任务。我们发现,与可以自由选择自己策略的开发人员相比,被赋予明确策略的开发人员的工作更有条理、更系统、更可预测,但也受到更多限制。使用明确策略的开发人员在设计和调试任务上客观上更成功。我们讨论了 Roboto 及其发现的含义,设想一个蓬勃发展的生态系统,其中包含明确的战略,可以加速和改善开发人员的编程问题解决能力。
深度生成模型有两种类型:显式和隐式。前者定义了一种显式密度形式,允许似然推断;而后者则针对从随机噪声到生成样本的灵活转换。虽然这两类生成模型在许多应用中都表现出强大的能力,但单独使用时,它们都有各自的局限性和缺点。为了充分利用这两种模型并实现相互补偿,我们提出了一种新颖的联合训练框架,该框架通过 Stein 差异连接显式(非规范化)密度估计器和隐式样本生成器。我们表明,我们的方法 1) 通过核 Sobolev 范数惩罚和 Moreau-Yosida 正则化引入了新颖的相互正则化,2) 稳定了训练动态。从经验上讲,我们证明,与训练单个对应方相比,所提出的方法可以促进密度估计器更准确地识别数据模式并引导生成器输出更高质量的样本。当训练样本受到污染或有限时,新方法也显示出有希望的结果。
抽象直觉反应一直是所有治疗学院的患者 - 治疗师相互作用的基石。此外,自从精神分析的开始以来,已经确定了“思想转移”,心灵感应/预知梦,遥远的意识和同步性的持续实例,例如“思想转移”,心灵感应/预知梦,遥远的意识和同步性。这些现象仍然存在于科学探索的边缘,部分原因是缺乏将它们带入临床工作主流的概念模型。作者提出了一个非本地神经动力学模型,该模型与非本地参与性信息通道相结合的经典局部相互作用形式(言语和非语言)交流是由身体/大脑/思维系统的基本量子/经典性质引起的。我们建议需要在心理分析中进行比喻转移,以纳入复杂性科学和量子神经生物学的最新发展,这允许具有元降低的信息观点,从而弥补了笛卡尔的思维脑鸿沟并实现了统一的心理学现实图片。我们使用临床例子说明了全部和非本地临床直觉的全部范围,以帮助临床医生在日常工作中利用这些概念。
摘要蛋白质设计问题是确定折叠成所需结构的氨基酸序列。鉴于安芬森的折叠热力学假设,这可以改写为找到一个氨基酸序列,其中最低能量构象是该结构。由于这种计算不仅涉及所有可能的氨基酸序列,还涉及所有可能的结构,因此大多数当前方法都侧重于更易处理的问题,即为所需结构找到最低能量的氨基酸序列,通常在第二步通过蛋白质结构预测检查所需结构确实是设计序列的最低能量构象,并丢弃在许多情况下并非如此的大部分设计序列。这里我们表明,通过将梯度通过 trRosetta 结构预测网络从所需结构反向传播到输入氨基酸序列,我们可以直接优化所有可能的氨基酸序列和所有可能的结构,并在一次计算中明确设计预测折叠成所需结构而不是任何其他结构的氨基酸序列。我们发现,考虑了完整构象景观的 trRosetta 计算比 Rosetta 单点能量估计更能有效地预测从头设计蛋白质的折叠和稳定性。我们将通过景观优化进行的序列设计与 Rosetta 中的标准固定骨架序列设计方法进行了比较,并表明前者的结果对竞争低位状态的存在很敏感,而后者则不然。我们进一步表明,通过结合这两种方法的优势,可以设计出更具漏斗形的能量景观:低分辨率 trRosetta 模型用于排除替代状态,高分辨率 Rosetta 模型用于在设计目标结构处创建深度能量最小值。意义计算蛋白质设计主要侧重于寻找在目标设计结构中能量非常低的序列。然而,在折叠过程中最相关的不是折叠状态的绝对能量,而是折叠状态与最低位替代状态之间的能量差。我们描述了一种可以捕捉整个折叠景观的深度学习方法,并表明它可以增强当前的蛋白质设计方法。
离线增强学习(RL)旨在根据历史数据改善目标政策而不是行为政策。离线RL的一个主要问题是分配转移导致Q值估计的分布转移。大多数现有的作品都集中在行为克隆(BC)或最大化Q学习方法以抑制分布转移。BC方法试图通过将目标策略限制为离线数据来减轻转移,但它使学习的策略高度保守。另一方面,最大化Q学习方法采用悲观的机制来通过根据动作的不确定性来最大化Q值和惩罚Q值来产生动作。但是,生成的措施可能是算法的,从而导致预测的Q值高度不确定,这反过来又将误导该策略以生成下一个动作。为了减轻分配转移的不利影响,我们建议通过统一Q学习和行为克隆以应对探索和剥削难题来隐含和明确地限制政策。对于隐式约束方法,我们建议通过致力于使目标策略和行为策略的行动无法区分的生成对抗网络统一行动空间。对于显式约束方法,我们会提出多重重要性采样(MIS),以了解每个状态行动对的优势权重,然后将其用于抑制或充分使用每个状态行动对。D4RL数据集上的广泛实验表明,我们的方法可以实现出色的性能。MAZE2D数据上的结果表明,MIS与单个重要性采样更好地解决了异质数据。我们还发现MIS可以有效地稳定奖励曲线。关键字:Q学习,行为克隆,悲观机制,多重重要性采样。
虽然已经广泛研究了显式和隐式运动学习,但在最近运动(MWM)的近期运动记忆中,对这些过程的贡献尚不清楚。先前的研究表明,视觉空间的工作记忆可能有助于明确的运动学习,但对隐式学习没有参与或有害。在这里,我们询问这些发现是否以及如何扩展到非视觉MWM。基于最近指向独立效应和效应特异性的MWM代码的工作,我们假设:(1)明确的运动学习过程将与效应无关的MWM相关,(2)隐式运动学习过程将与效应特异性MWM相关。为了检验这些假设,人类参与者既完成MWM任务又完成了视觉运动适应任务。我们的结果表明,与效应子无关的MWM质量与显式运动学习程度之间存在显着相关性,从而扩展了有关视觉空间工作记忆的先前发现。此外,我们提供了支持我们的第二个假设的证据,该假设是效应特异性MWM与隐式运动学习相关的。
许多研究人员,例如Kurth和Mastergeorge(2010),建议患有发育障碍的学生受益于在包容性的教室而不是独立的特殊教育课堂中受益。在本文中,包容性的教室被定义为一种异质学习环境,在该环境中,患有发育障碍的学生与他们的神经型同龄人一起学习(Rasmitadila&Boeriswati,2017年)。Kurth和Mastergeorge(2010)发现,与非包容性的教室相比,在包容性课堂中,有发育障碍的学生在数学,阅读和写作方面的得分明显更高。Szumski等。(2017)进行了一项荟萃分析,以探讨当与同龄人一起在没有发育障碍的同龄人并肩上教授学业成就。这些作者得出结论,包容性教室对没有残疾学生的学术成就没有任何重大负面影响。两种可能在课堂上取得成功的教学法是直接/明确的教学(DI/EI),它们与行为分析心理学一致(Kretlow&Bartholomew,2010)和社会建构主义实践,与认知心理学(Knapp,2019年)和社会心理学(Raskin,Raskin,2002年)相吻合。在本文中,研究了这些教学法的影响,就每种方法纳入包容性教室时所产生的学术和非学术利益而言。包括有关在包容性教室中同时使用DI/EI和合作学习的互补效应的讨论,以及有效实施合作学习策略的实际例子。
随着人工智能系统的发展,人工智能评估正成为确保安全法规的重要支柱。我们认为,这种法规应该要求开发人员明确识别和证明有关评估的关键基本假设,作为其安全案例的一部分。我们确定了人工智能评估中的核心假设(用于评估现有模型和预测未来模型),例如全面的威胁建模、代理任务有效性和充分的能力引出。其中许多假设目前无法得到很好的证明。如果监管要以评估为基础,那么如果评估显示出不可接受的危险或这些假设没有得到充分证明,就应该要求停止人工智能开发。我们提出的方法旨在提高人工智能开发的透明度,为更有效地治理先进的人工智能系统提供一条切实可行的途径。
•开发一个用于集成定位,指导,导航和控制(TGNC)功能的框架,例如360°滚动操作•PID控制器需要调整并针对特定系统及其参数量身定制。•线性化简化了非线性问题,但可能引入错误。•添加指导将车辆转向所需的位置和速度。•明确的指导法律直接解决了有关时间方程的方程[1]。