XiaoMi-AI文件搜索系统
World File Search Systemgorithms
![arXiv:2007.10018v1 [cs.AI] 2020 年 7 月 20 日](/simg/g:\will\search\icon\source\3\3ea5103465cc9bd377356254235ee19fc60e3965.png)
arXiv:2007.10018v1 [cs.AI] 2020 年 7 月 20 日
摘要。最近的工作已经证明了将局部解释与主动学习相结合以理解和监督黑盒模型的前景。在这里我们表明，在特定条件下，这些算法可能会歪曲正在学习的模型的质量。原因是机器通过预测和解释查询实例的标签来说明其信念：如果机器没有意识到自己的错误，它最终可能会选择它表现良好的查询。这会使机器向用户呈现的“叙述”产生偏差。我们通过引入解释性引导学习来解决这种叙述偏见，这是一种新颖的交互式学习策略，其中：i）主管负责选择查询实例，而 ii）机器使用全局解释来说明其整体行为并引导主管选择具有挑战性、信息丰富的实例。该策略保留了解释性交互的关键优势，同时避免了叙述偏见，并且在样本复杂性方面与主动学习相比具有优势。使用基于聚类的原型进行的初步实证评估凸显了我们方法的前景。
用于图形搜索问题的基于学习的算法
我们考虑了Banerjee等人最近引入的预测图形搜索问题。（2023）。在此问题中，从某个顶点r开始的代理必须使用A（可能未知的）图G找到隐藏的目标节点G，同时最小化总距离。我们研究一个设置，在该设置中，在任何节点V中，代理都会收到从V到G的距离的嘈杂估计。我们在未知的图表上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证，并提供了下限，表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外，我们进行了数值实验，证明除了对对抗性误差造成反对，我们的算法在误差是随机的典型情况下都很好地形成。最后，我们在Banerjee等人的属性上提供了更改的天然简单性能界限。（2023）对于在已知图表上进行搜索的情况，并为此设置建立新的下限。
迈向道德人工智能：数学影响人类行为
数学在人工智能 (AI) 的语言结构中发挥着重要作用。我们将语言过程描述为人类认知和认知计算中都存在的独特结构。人工智能与人类认知的密切关系源于这种独特的结构，它为人工智能干扰与其互动的人的行为铺平了道路。我们强调数学家在设计算法（人工智能语言过程的核心）以及定义人工智能步骤和指令方面的作用。由于算法通过人工智能干扰与人工智能互动的人的思维，提供阻止用户自由选择的预期解决方案，因此我们研究如何应用道德原则来指导用户与智能系统之间的互动，以解决这个问题。我们认为，通过将道德原则融入算法的数学建模中，我们可以避免操纵、不平等和保护个人权利的黑箱。因此，对于那些使用算法的人来说，道德考虑非常重要，这凸显了数学的人文一面。
第二个清晰度预测挑战：助听器可理解性预测的机器学习挑战
本文报告了第二个清晰性词典挑战（CPC2）的设计和结果，以预测听力障碍的人听到的助听器处理信号的清晰度。挑战旨在促进新方法，以估算可用于未来助听器算法开发的助听器信号的清晰度。它在许多关键方向上扩展了较早的一轮（CPC1，2022），包括来自新的语音清晰度聆听的较大数据集，测试材料的可变性更大，以及一个需要预测系统才能推广到不看见的Al-Gorithms和听众的设计。本文提供了有关新公开可用的CPC2数据集，CPC2挑战设计和基线系统的完整描述。挑战吸引了9个研究团队的12个系统。审查了系统，其性能是分析的，并提出了结论，参考了自早期CPC1挑战以来所取得的进展。，可以看到基于预训练的大声学模型的无参考，非侵入性系统如何在这种情况下表现良好。
实时战略游戏的程序化策略
基于搜索的系统已被证明可用于零和博弈中的规划。然而，基于搜索的方法具有重要的缺点。首先，搜索算法的决策大多是不可解释的，这在需要可预测性和信任的领域（例如商业游戏）中是个问题。其次，基于搜索的算法的计算复杂性可能会限制其适用性，特别是在资源与其他任务（例如图形渲染）共享的环境中。在这项工作中，我们介绍了一种用于合成实时战略 (RTS) 游戏的程序化策略的系统。与搜索算法相比，程序化策略更容易解释，并且一旦程序被合成，往往会很高效。我们的系统使用一种简化领域特定语言 (DSL) 的新算法和一种通过自对弈合成程序的本地搜索算法。我们进行了一项用户研究，招募了四名专业程序员来开发 µ RTS（一款极简 RTS 游戏）的编程策略。结果表明，通过我们的方法合成的程序可以超越搜索算法，并且可以与程序员编写的程序相媲美。
可行的Q学习，用于平均奖励加强...
平均奖励强化学习（RL）为捕获目标提供了合适的框架（即长期平均奖励）对于持续的任务，通常没有自然的方法来识别折扣面。但是，现有的平均奖励rl al-gorithms具有样本复杂性保证是不可行的，因为它们将马尔可夫决策过程（MDP）的（未知）混合时间输入。在本文中，我们在解决此开放概率方面取得了初步的进展。我们设计一个可行的平均奖励Q-学习框架，不需要任何问题参数作为输入。我们的框架基于折扣Q-学习，同时我们动态地调整了分歧因子（以及有效的地平线），以逐步近似平均值。在同步设置中，我们解决了三个任务：（i）学习一种策略至最佳，（ii）估计具有ϵ准确度的最佳平均值，并且（iii）估计偏差函数（类似于q uncuntion dissed cunction cunction cunciented cunction cunction cunciented cunction cunciented cuntioncracy）。我们表明，通过精心设计的适应方案，（i）可以通过E O（SAT 8 Mix ϵ8）样品来实现，
人工智能在乳腺癌中的应用
人工智能 (AI) 在乳腺癌检测和治疗中的应用正在引起人们的关注。人工智能技术对于塑造乳腺手术的未来和增强医疗服务至关重要。深度学习算法有望从乳房 X 光检查和临床数据中准确检测出乳腺癌，甚至可以预测间隔期和晚期癌症的风险。当与乳房密度测量相结合时，人工智能成像算法可以预测侵袭性乳腺癌，尤其是在晚期阶段。基于人工智能的方法还可以通过超声扫描预测乳腺癌，从而提高恶性肿瘤的检测率。使用人工智能进行基因检测有助于根据基因图谱识别乳腺癌高风险个体，从而实现个性化筛查和预防策略。人工智能工具支持病理学家分析乳腺癌指征的组织样本，从而增强诊断能力。人工智能在乳腺癌检测和预测中的整合有可能彻底改变肿瘤学并改善患者护理。本综述对以前关于人工智能在乳腺癌中的应用的学术研究进行了全面分析。关键词：人工智能、乳腺癌、深度学习、乳房 X 光检查、病理学
云边缘协作分布式增强学习
摘要 - 深度强化学习（DRL）的前进使训练各种强大的代理在实时环境中执行复杂的任务成为可能。使用下一代通信技术，与进化的DRL代理进行云边缘协作人工情报服务可能是一个重要的情况。但是，在同一DRL方案中具有不同属性和体系结构的代理可能不兼容，并且训练它们是耗时的或需要资源的。在本文中，我们设计了一种新颖的云边缘协作DRL培训框架，该培训框架命名为“频率转移”在线，这是一种新方法，可以通过与最小数据互动的最小数据互动，而不依赖于climpepality of-efl-eflimpeal of-efl datataSetsets clus in the Edge的在线DRL代理在边缘的融合。在其中，我们提出了一种新颖的算法独立于在线RL代理的知识蒸馏算法，通过利用预训练的模型以及代理与环境之间的界面来传递多种异构药物的蒸馏知识。广泛的实验表明，我们的算法可以以双重到速度的速度加速各种在线代理的收敛性，并在不同的环境中获得可比的奖励。
脉冲高效量子机器学习
基于参数化量子电路的量子机器学习算法是近期量子优势的有希望的候选者。虽然这些算法与当前一代量子处理器兼容，但设备噪声限制了它们的性能，例如通过诱导损失景观的指数平坦化。诸如动态解耦和泡利旋转之类的错误抑制方案通过降低硬件级别的噪声来缓解这个问题。这个技术工具箱最近增加了脉冲高效转译，它通过利用硬件原生的交叉共振相互作用来减少电路调度时间。在这项工作中，我们研究了脉冲高效电路对量子机器学习近期算法的影响。我们报告了两个标准实验的结果：使用量子神经网络对合成数据集进行二元分类，以及使用量子核估计进行手写数字识别。在这两种情况下，我们发现脉冲高效转译大大减少了平均电路持续时间，从而显著提高了分类准确率。最后，我们将脉冲高效转译应用于汉密尔顿变分假设，并表明它延迟了噪声引起的荒芜高原的出现。
图着色量子算法的编译规划
摘要。最近，编译通用量子算法以便在近期量子处理器上实现的问题已被引入人工智能社区。先前的研究表明，时间规划是此编译任务的一部分的一种有吸引力的方法，具体而言，是在量子处理器架构上应用于 MaxCut 问题的量子交替算子拟定 (QAOA) 的电路的路由。在本文中，我们将早期的工作扩展到实现图着色问题 QAOA 的电路的路由。着色的 QAOA 需要在芯片上执行更多、更复杂的操作，这使得路由成为一个更具挑战性的问题。我们在领先的量子计算公司最先进的硬件架构上评估了该方法。此外，我们还研究了将规划方法应用于量子位初始化和路由。我们的实证评估表明，时间规划与合理的分析上限 [20] 相比效果良好，并且使用经典规划器解决量子比特初始化通常有助于时间规划器找到用于图着色的 QAOA 的更短完成时间编译。这些进展表明，时间规划可以成为更复杂的量子计算算法和架构的有效方法。