XiaoMi-AI文件搜索系统
World File Search Systeminvariant
![arxiv：2503.02143v1 [cs.lg] 2025年3月4日](/simg/g:\will\search\icon\source\c\c8cd580e133e3df880ae53dad1f6ec7a27136448.webp)
arxiv：2503.02143v1 [cs.lg] 2025年3月4日
随着自主系统越来越多地部署在开放和不确定的环境中，人们对值得信赖的世界模型的需求越来越多，这些模型可以可靠地预测未来的高维度。世界模型中博学的潜在表示缺乏直接映射到有意义的物理数量和动态，从而限制了其在下游计划，控制和安全验证中的效用和解释性。In this paper, we argue for a fundamental shift from physically informed to physically interpretable world models — and crystallize four principles that leverage symbolic knowledge to achieve these ends: (1) structuring latent spaces according to the physical intent of variables, (2) learning aligned invariant and equivariant representations of the physical world, (3) adapting training to the varied granularity of supervision signals, and (4) partitioning生成输出以支持可伸缩性和可验证性。我们在实验上证明了每个原理在两个基准上的价值。本文打开了一些有趣的研究方向，以实现和利用世界模型中的全部物理解释性。关键字：世界模型，代表性学习，神经符号AI，可信赖的自主源代码：https：//github.com/trustworthy-eentine-workineered-autonomy-lab/piwm-lab/piwm-principles
地面振动测试理论
2.1.2 模态分析假设模态分析源于结构动力学理论，该理论提供了获取振型和参数的条件和要求。以下一组假设是模态分析的基本假设 [7]：• 系统是线性的• 系统是时不变的• 系统是可观测的如果系统是线性的，则结构对任何输入力组合的响应等于每个单独输入力的响应之和。为了使系统具有时不变性，模态参数（固有频率、阻尼和振型）必须与时间无关或为常数。如果系统是可观测的，则输入和输出测量值包含足够的信息来准确表征系统的行为 [8]。由于非线性行为，具有松散部件的结构不是完全可观测的。如果这些假设对结构成立，则 GVT 将产生线性结构动力学理论预测的结果，并且可以找到模态参数和振型。
空间对称量子态中的多向幺正性和最大纠缠
我们考虑在文献中各处出现的对偶幺正算子及其多支泛化。这些对象可以与具有特殊纠缠模式的多方量子态相关：位置以空间对称模式排列，并且对于给定几何的反射对称性得出的所有二分，状态具有最大纠缠。我们考虑状态本身相对于几何对称群不变的情况。最简单的例子是那些也是自对偶和反射不变的对偶幺正算子，但我们也考虑六边形、立方和八面体几何中的泛化。我们为这些对象提供了各种局部维度的大量构造和具体示例。我们所有的示例均可用于构建 1 + 1 或 2 + 1 维的量子细胞自动机，并对“时间方向”进行多种等效选择。
地面振动测试理论
2.1.2 模态分析假设 模态分析源于结构动力学理论，该理论提供了获得模态形状和参数的条件和要求。以下一组假设是模态分析的基本假设 [7]： • 系统是线性的 • 系统是时不变的 • 系统是可观测的 如果系统是线性的，则结构对任何输入力组合的响应等于每个单独输入力的响应之和。为了使系统具有时不变性，模态参数（固有频率、阻尼和模态形状）必须与时间无关或为常数。如果系统是可观测的，则输入和输出测量包含足够的信息来准确表征系统的行为 [8]。由于非线性行为，具有松散组件的结构无法完全观测。如果这些假设对结构有效，则 GVT 将产生线性结构动力学理论预测的结果，并且可以找到模态参数和模态形状。
量子物理学中的混沌、耗散、时间箭头 - GovInfo
不变。在“物理状态”中，a c 存在于一个通道，即传入通道中，b c 存在于所有通道中。当然，由于汉密尔顿量的时间反演不变性，任何这些解的时间反演状态也是一个解。确实存在时间反演不变状态，即
一种富含克罗恩氏病的新型非常规T细胞群
抽象目的是解释IBD中促炎性免疫反应的当前假设之一是T细胞对但未知的肠道抗原的失调。因此，可以通过分析IBD和对照组的患者的外围和肠受体（TCR）库来鉴定与疾病相关的T细胞clonotypes。设计，我们使用高吞吐量测序对TCRα和β链进行了散装TCR库分析，该测序是在共有244例IBD和健康对照患者的外周血样本中，以及59例具有IBD和疾病对照的患者的血液和肠道组织的患者。我们通过单细胞RNASEQ进一步表征了特定的T细胞clonotypes。结果，我们确定了一组以半不变的TCRα链为特征的克隆型，将在克罗恩病（CD）患者的血液中显着富集，并且在CD8 + T细胞群中尤其扩大。单细胞RNASEQ数据显示了这些细胞的先天样表型，具有可比的基因表达与非常规T细胞（如粘膜相关的不变T和天然杀伤T（NKT）细胞），但具有独特的TCR。结论我们确定并表征了非常规Crohn相关的不变T（CAIT）细胞的亚群。多个证据表明这些细胞是NKT II型人群的一部分。该人群对CD或其子集的潜在影响尚待阐明，并且在未来的研究中，CAIT细胞的免疫表型和抗原反应性需要进一步研究。
![arxiv：2405.17388V2 [QUANT-PH] 2024年11月20日](/simg/g:\will\search\icon\source\1\19ada02297a65b7d4af6674422efcf2b7a6aaef1.webp)
arxiv：2405.17388V2 [QUANT-PH] 2024年11月20日
我们介绍了几种概率量子算法，这些算法通过利用单位线（LCU）方法的线性组合（LCU）方法来克服量子机学习中正常的单一重复。是残留网络（RESNET）的量子本机实现，在其中我们表明，变异ansatz层之间的残留连接可以防止模型中含有贫瘠的高原，否则将包含它们。其次，我们使用单量子器控制的基本算术运算符对卷积网络的平均合并层实现量子类似物，并表明LCU成功概率对于MNIST数据库仍然稳定。此方法可以进一步推广到卷积过滤器，而使用指数较少的受控单位与以前的方法相比。最后，我们提出了一个通用框架，用于在量子编码的数据上应用不可还原子空间投影的线性组合。这使量子状态可以保持在指数较大的空间内，同时选择性地放大了特定的子空间相对于其他子空间，从而减轻了完全投射到多个多个尺寸的子空间时出现的模拟性问题。与非不变或完全置换不变的编码相比，我们证明了对部分扩增置换不变的点云数据的提高分类性能。我们还通过schur-weyl二元性展示了一种新颖的旋转不变编码，用于点云数据。这些量子计算框架都是使用LCU方法构建的，这表明可以通过使用LCU技术创建进一步的新型量子机学习算法。
recore：正式化对比度表示世界模型
虽然最近的无模型增强学习（RL）方法已经证明了人类水平在游戏环境中的有效性，但它们在视觉导航等日常任务中的成功受到了限制，尤其是在很明显的外观变化下。此限制来自（i）样本效率不佳和（ii）对培训方案的过度效果。为了应对这些挑战，我们提出了一种世界模型，该模型使用（i）对比不受监督的学习和（ii）干预不变的统治者学习不变特征。学习世界动态的明确表示世界模型，提高样本效率，而对比度学习隐含地实施不变特征的学习，从而改善了概括。，随着对比的损失与世界模式的na'整合还不够好，因为基于世界模型的RL方法独立地优化表示表示和代理策略。为了克服这个问题，我们提出了一种干预 - 不变的正规剂，其形式是辅助任务，例如深度预测，图像DeNoising，图像分割等，以明确执行不变性以进行样式的干预。我们的方法优于当前基于最新的模型和不含模型的RL方法，并显着改善了IGIBSON基准测试中评估的分数范围内导航任务。仅使用视觉观察，我们进一步证明了我们的方法超过了最近的语言引导导航基础模型，这对于在计算功能有限的机器人上部署至关重要。最后，我们证明了我们提出的模型在吉布森基准上其感知模块的SIM到真实传输方面表现出色。
![arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日](/simg/g:\will\search\icon\source\6\6df385af4e1e348c8cd4bffd41616a77febd483d.webp)
arXiv:2102.04438v2 [eess.IV] 2021 年 2 月 9 日
用于神经成像数据的深度学习是一个有前途但具有挑战性的方向。3D MRI 扫描的高维性使这项工作计算和数据密集型。大多数传统的 3D 神经成像方法使用基于 3D-CNN 的架构，具有大量参数，需要更多的时间和数据来训练。最近，基于 2D 切片的模型受到越来越多的关注，因为它们具有更少的参数，并且可能需要更少的样本来实现相当的性能。在本文中，我们提出了一种用于 BrainAGE 预测的新架构。所提出的架构通过使用深度 2D-CNN 模型对 MRI 中的每个 2D 切片进行编码来工作。接下来，它使用集合网络或排列不变层结合来自这些 2D 切片编码的信息。使用 UK Biobank 数据集对 BrainAGE 预测问题进行的实验表明，与其他最先进的方法相比，具有排列不变层的模型训练速度更快，并提供更好的预测。
策略汇总
一个天真的答案是定义一个新的奖励函数，该功能是代理人的奖励功能的总和（分别为每个州行动对），并计算此汇总奖励功能的最佳策略；这样的政策将保证最大的功利主义社会福利。这种方法具有重大的缺点，因为它对奖励的仿射转换很敏感，因此，例如，如果我们将其中一个奖励函数加倍，则总体最佳策略可能会改变。这是一个问题，因为每个代理人的个人最佳策略都是（积极）的奖励转变，因此，尽管有可能通过观察他们的行动来恢复奖励函数，从而导致代理人的最佳政策，但不可能区分彼此相互转变的奖励函数。更广泛地说，由于缺乏普遍规模，经济学家长期以来一直对实用程序的人际比较持怀疑态度，这在我们的背景下尤其相关。因此，强烈首选仿射转换的聚合方法。