XiaoMi-AI文件搜索系统
World File Search Systemiteratively
未知空间上的协同映射和目标搜索...
摘要 — 本文提出了一种协作式地图绘制和目标搜索算法，用于在城市环境中检测单个移动地面目标，该目标最初对于配备有噪声、范围有限的传感器的自主四旋翼飞行器团队来说是未知的。目标根据有偏随机游走模型移动，搜索代理（四旋翼飞行器）构建一个目标状态图，该图对过去和现在的目标位置进行编码。检测前跟踪算法将目标测量值同化为对数似然比，各向异性克里金插值预测未探索区域中占用节点的位置。在搜索区域的每个位置评估的相互信息定义了一个采样优先级表面，该表面由加权 Voronoi 算法划分为候选航路点任务。通过迭代解决效用最大化分配问题，将任务分配给每个代理。数值模拟表明，与非自适应割草机和随机覆盖策略相比，所提出的方法更具优势。我们还通过使用两个真实四旋翼飞行器和两个虚拟四旋翼飞行器进行户外飞行测试，对所提出的策略进行了实验验证。
pivot.pdf
在本文中，我们为VLM提出了一种新颖的视觉提示方法，我们使用迭代视觉优化（Pivot）称为提示，该方法将任务作为迭代视觉问题的回答。在每次迭代中，图像都用VLM可以参考的建议的可视化表示（例如，候选机器人动作，本地化或轨迹）。VLM然后为任务选择最佳操作。这些建议是迭代的重新编写，使VLM最终可以在最佳的答案中零。我们研究了对现实世界机器人导航的枢纽，图像中的现实世界操纵，仿真中的指令以及其他空间推断任务（例如本地化）。我们发现，令人惊讶的是，我们的方法可以在没有任何机器人培训数据，各种环境中导航以及其他功能的机器人系统进行零射击控制。尽管目前的表现远非完美，但我们的工作突出了这种新制度的潜力和局限性，并在机器人和空间推理域中展示了互联网规模VLM的有前途的方法。
人类大脑粘弹性特性的标准空间图谱
图 1 MRE 成像和分析程序概述。第一步，通过气动驱动系统（Resoundant；明尼苏达州罗切斯特）将 50 Hz 的剪切波引入大脑。使用嵌入在 MRE 螺旋序列中的运动编码梯度捕获由此产生的组织变形，并沿三个独立轴（前 - 后、右 - 左和上 - 下）捕获位移数据。位移数据连同二元脑掩模一起提供给非线性算法，该算法将组织建模为异质粘弹性材料。子区域优化程序用于迭代更新有限元计算模型中的属性描述，以最小化模型位移和测量位移数据之间的差异。最后，将复杂剪切模量图转换为剪切刚度 μ = 2 j G * j 2/( G ' + j G * j ) 和阻尼比 ξ = G 00 /2 G 0 。提供特定主题的 T1 加权 MPRAGE 和 MRE T2 幅度图像，以说明空间标准化程序所需的图像
基于能量的模型的流对比估计
本文研究了一种联合估计基于能量的模型和基于流的模型的训练方法，其中两个模型基于共享的对抗值函数进行迭代更新。该联合训练方法具有以下特点：（1）基于能量的模型的更新基于噪声对比估计，流模型作为强噪声分布。（2）流模型的更新近似地最小化了流模型与数据分布之间的 Jensen-Shannon 散度。（3）与生成对抗网络（GAN）估计由生成器模型定义的隐式概率分布不同，我们的方法估计数据上的两个显式概率分布。使用所提出的方法，我们证明了流模型的综合质量的显著改进，并展示了通过学习到的基于能量的模型进行无监督特征学习的有效性。此外，所提出的训练方法可以轻松适应半监督学习。我们取得了与最先进的半监督学习方法相媲美的成果。
定量策略维修用于云上的访问控制
随着云计算的日益普遍性，提供对存储在云中的信息的安全访问已成为关键问题。由于访问控制策略的复杂性，管理员可以无意间允许对私人信息的意外访问，这是基于云的服务中数据泄露的常见来源。在本文中，我们提出了一种定量符号分析方法，用于自动化政策维修，以确定过度保证政策。我们使用SMT公式编码访问控制策略的语义，并使用模型计数评估其允许性。给定政策，宽容的限制以及应允许的一组请求，我们通过减少允许性和改进来迭代修复该政策，以便在仍然允许给定的一组请求时达到限制的限制。我们通过将其应用于亚马逊AWS身份和访问管理（IAM）策略语言中的策略来证明我们的自动化政策维修技术的有效性。1
通过数字游戏设计促进农村中学生的 AI 教育
人们对人工智能 (AI) 的了解日益增长；这种了解的核心是使个人能够评估、协作和有效使用 AI。由于中学时期是培养青少年对 STEM 的看法和倾向的关键时期，因此为中学生 (11 至 14 岁) 创造引人入胜的 AI 学习体验至关重要。在通常服务不足和资源不足的农村地区，提供更多 AI 学习机会的需求尤为明显。受先前研究的启发，游戏设计在培养学生对计算机科学的兴趣和知识方面具有巨大潜力，我们正在设计、开发和迭代改进以 AI 为中心的开发环境，将 AI 学习融入游戏设计活动中。在这项工作中，我们回顾了针对中级计算机科学教育的游戏设计干预的设计原则，并探索如何将人工智能学习体验引入交互式游戏设计活动。我们还讨论了与农村社区中级学生和教师进行的初步共同设计会议的结果。
深度量子纠错
量子纠错码 (QECC) 是实现量子计算潜力的关键组件。与经典纠错码 (ECC) 一样，QECC 通过将量子逻辑信息分布在冗余物理量子比特上，从而可以检测和纠正错误，从而能够降低错误率。在这项工作中，我们高效地训练了新型端到端深度量子错误解码器。我们通过增强综合征解码来解决量子测量崩溃问题，以预测系统噪声的初始估计值，然后通过深度神经网络对其进行迭代细化。通过可微分目标直接优化在有限域上计算出的逻辑错误率，从而能够在代码施加的约束下实现高效解码。最后，通过高效解码重复综合征采样，我们的架构得到扩展，以支持有故障的综合征测量。所提出的方法展示了神经解码器用于 QECC 的强大功能，它实现了最先进的精度，对于小距离拓扑码，其性能优于现有的端到端神经和经典解码器，而后者通常在计算上是无法实现的。
大型语言模型用于可验证的顺序决策...
摘要：基于自动机知识的基于自动机知识的表示在控制和计划的顺序决策问题中起着重要作用。但是，获得建立这种自动机所需的高级任务知识通常很困难。同时，大型语言模型（LLMS）可以自动生成相关的任务知识。但是，LLMS的文本输出不能被验证或用于顺序决策。我们开发了一个名为GLM2FSA的新颖算法，该算法构建了有限的态自动机（FSA），从简短的自然语言描述中编码高级任务知识的任务目标。因此，所提出的算法填补了自然语言任务描述和基于自动机的表示之间的差距，并且可以根据用户定义的任务规范对构造的FSA进行正式验证。我们相应地提出了一种基于结果的结果，从验证中提出了一种方法，以迭代地改进LLM的查询。我们演示了GLM2FSA构建和验证日常任务的基于自动机的表示以及需要高度专业知识的任务的能力。
Predify：使用脑机接口增强深度神经网络......
深度神经网络擅长图像分类，但其性能对输入扰动的鲁棒性远不如人类感知。在这项工作中，我们探索是否可以通过在深度卷积网络中结合大脑启发的循环动力学来部分解决这一缺点。我们从神经科学中流行的框架“预测编码”中汲取灵感。在分层模型的每一层，生成反馈“预测”（即重建）前一层的活动模式。重建误差用于在时间步长上迭代更新网络的表示，并优化网络在自然图像数据集上的反馈权重——一种无监督训练的形式。我们表明，在两个流行的网络 VGG16 和 EfficientNetB0 中实施此策略可以提高它们对各种破坏和对抗攻击的鲁棒性。我们假设其他前馈网络也可以从所提出的框架中受益。为了促进这方面的研究，我们提供了一个基于 PyTorch 的开源包 Predify，可用于实现和研究任何卷积神经网络中预测编码动态的影响。
电力系统研究
在本文中，我们提出了一种用于承载随机分布式能源 (DER) 和可控电池的径向配电网的重新调度方案。在每个重新调度轮次中，所提出的方案都会计算出一个新的调度计划，以修改和扩展现有的调度计划。为此，它使用 CoDistFlow 算法并应用滚动时域控制原理，同时考虑影响调度计划即时更新的硬时计算约束。CoDistFlow 通过基于场景的优化和交流最优功率流的非凸性来处理随机 DER 和产消者不确定性，通过迭代解决适当定义的凸问题直到收敛。我们根据从真实的瑞士电网获得的真实数据进行数值评估。我们表明，使用我们提出的重新调度方案，即使对于小容量的电池，每日调度跟踪误差也可以减少 80% 以上，并且如果重新调度足够频繁，则可以消除它。最后，我们表明，重新调度应在市场允许的范围内尽可能频繁地进行，并且性能会持续提高。