XiaoMi-AI文件搜索系统
World File Search Systemjun
![arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日](/simg/a\aa25a206e2350e95792d60cffc94ef86d9a7bc51.webp)
arXiv:2006.15357v1 [cs.CV] 2020 年 6 月 27 日
摘要：视觉分类的新视角旨在从人类大脑活动中解码视觉对象的特征表示。从大脑皮层记录脑电图（EEG）已被视为了解图像分类任务的认知过程的常用方法。在本研究中，我们提出了一个由视觉诱发电位引导的深度学习框架，称为事件相关电位（ERP）-长短期记忆（LSTM）框架，由EEG信号提取用于视觉分类。具体而言，我们首先从多个EEG通道中提取ERP序列以响应与图像刺激相关的信息。然后，我们训练一个LSTM网络来学习视觉对象的特征表示空间以进行分类。在实验中，10名受试者从包含6个类别的图像数据集中记录了超过50,000次EEG试验，总共包括72个样例。我们的结果表明，我们提出的 ERP-LSTM 框架可以分别实现类别（6 类）和样本（72 类）的跨对象分类准确率 66.81% 和 27.08%。我们的结果优于使用现有的视觉分类框架，分类准确率提高了 12.62% - 53.99%。我们的研究结果表明，从 EEG 信号中解码视觉诱发电位是学习用于视觉分类的判别性大脑表征的有效策略。
叶俊 - JILA - 科罗拉多大学博尔德分校
叶俊 现任职位 美国商务部国家标准与技术研究所研究员 JILA 研究员，科罗拉多大学博尔德分校 JILA 和物理系兼职教授 网址：https://jila.colorado.edu/Yelabs，电话 303-735-3171，电子邮箱 Ye@jila.colorado.edu 教育背景 科罗拉多大学物理学博士，1997 年；新墨西哥大学物理学硕士，1991 年； 1989 年，上海交通大学应用物理学学士 荣誉与奖项 2024 年，斯德哥尔摩莉泽·迈特纳杰出讲座和奖章 科睿唯安/汤森路透，高被引研究人员（前 1%），每年从 2014 年到 2023 年 上海交通大学数学与物理科学远见奖，2023 年 美国商务部金牌（光学原子钟），2022 年 美国国防部 Vannevar Bush 奖学金，2022 年 德国物理学会 (DPG) 和 OPTICA (OSA) Herbert Walther 奖，2022 年 尼尔斯·玻尔研究所荣誉勋章，2022 年 基础物理学突破奖（与 H. Katori 共享），2022 年 Julius Springer 应用物理学奖，2021 年 墨子量子奖（与 C. Caves 和 H. Katori 共享）， 2020 美国物理学会（APS）诺曼·F·拉姆齐奖，2019 美国商务部金牌（原子钟网络），2019 II IEEE 拉比奖，2018 中国科学院外籍院士，2017 美国国家标准与技术研究所雅各布·拉比诺奖，2017 总统等级奖（美国），杰出，2015 美国商务部金牌（光学原子钟），2014 落基山鹰奖，2014 戈登和贝蒂·摩尔基金会研究员奖，2013 美国国家科学院院士，2011 年；澳大利亚科学院 Frew 研究员，2011 年 美国商务部金牌（超冷分子），2011 年 欧洲频率和时间论坛 (EFTF) 奖，2009 年 加州理工学院 Gordon 和 Betty Moore 杰出学者，2008 年 美国物理学会 (APS) II Rabi 奖，2007 年 德国卡尔蔡司研究奖，2007 年 美国光学学会 (OSA) William F. Meggers 奖，2006 年 美国国家标准与技术研究所 Samuel Wesley Stratton 奖，2006 年 德国亚历山大·冯·洪堡基金会 Friedrich Wilhem Bessel 研究奖，2006 年 美国光学学会研究员，2006 年 一等奖（技术创新），Amazing Light: Vision for Discovery (CH Townes)，2005 年 美国物理学会研究员，2005 年 Arthur S. Flemming 奖（美国联邦政府科学类），2005美国商务部国家标准与技术研究所研究员，2004 年 总统早期职业科学家和工程师奖，2003 年《技术评论》杂志的 TR100 青年创新者，2002 年 美国商务部金奖（光频率梳），2001 年 美国国家工程院工程前沿研讨会奖，2000 年 美国光学学会（OSA）阿道夫·隆奖章，1999 年 RA 密立根奖奖学金，加州理工学院，1997 年 - 1999 年 大学奖学金，科罗拉多大学博尔德分校，1993 年 - 1994 年 银光奖（优秀本科生奖），荣誉毕业生，交通大学，1987-89 年 命名讲师和教授职位 安娜·I·麦克弗森讲座，麦吉尔大学 2025 年；亚历克斯·达尔加诺讲座，哈佛大学 2024 年；理查德·B·伯恩斯坦讲座，威斯康星大学 2023 年；汉斯·詹森讲座，海德堡大学 2023 年；杰克·穆努希安
2023 年 6 月 21 日 805B-79T-7514 制定招聘和...
（星号表示领导者绩效步骤。）评估指导：如果士兵正确执行所有绩效衡量标准，则得分“通过”。如果士兵错误地执行一个或多个绩效衡量标准，则得分“不通过”。如果士兵遇到轻微困难，则提供现场纠正。考虑指导在执行任务时遇到重大困难的士兵进行自学或在职培训。评估准备：此任务可以通过两种方法进行评估：a. 自我评估。使用条件声明中列出的材料执行工作中的任务。使用绩效衡量标准对自己进行评估，并根据评估指导部分进行评分。b. 主管评估。确保士兵拥有条件声明中显示的材料来完成任务。当您认为他们能够在工作中执行任务时，让他们去做。使用绩效衡量标准对他们进行评分，并根据评估指导部分进行评分。
![arxiv：2311.08089v2 [CS.CL] 2024年6月12日](/simg/5\5c0a019d9819db258ceaaceb5e6515c62938d5af.webp)
arxiv：2311.08089v2 [CS.CL] 2024年6月12日
多语言生成模型通过大规模培训在大规模的培训上进行预训练，从而获得了能力的跨语义上下文学习capabil-ities。但是，它们仍然对高资源语言表现出表演偏见，并学习多语言句子表示的孤立分布，这可能会阻碍跨语言的知识传递。为了弥合这一差距，我们提出了一个简单而有效的跨语言对准框架，利用了换对句子对。它通过多语言对比度学习使内部句子表示，并通过按照目标语言的跨语性指示来对齐。实验结果表明，即使在训练前代币的0.1‰的情况下，我们的对齐框架也会显着提高生成语言模型的跨语性能力并减轻性能差距。进一步的分析表明，它导致了多语言模型的更好的内部多语言表示。1
![arxiv：2208.01582v3 [CS.CV] 2023年6月19日](/simg/8\81d9c6fdbb81024376d5297f0c946c4017919ecf.webp)
arxiv：2208.01582v3 [CS.CV] 2023年6月19日
安全。感知和预测是现有的自主驾驶软件管道中的两个单独的模块，其中它们之间的接口通常被定义为手工挑选的几何和语义特征，例如历史代理轨迹，代理类型，代理人大小等。这样的接口导致可以在轨迹预测中使用的有用感知信息的丢失。例如，尾灯和刹车灯指示了车辆的意图，行人的头姿势和身体姿势告诉他们他们的注意力。此信息（如果未明确建模）在外部管道中被忽略。此外，随着感知和预测的分离，累积错误，无法在以后的阶段缓解。具体而言，轨迹预测因子使用的历史轨迹来自上游的pepleption模块，该模块不可避免地包含错误，从而导致预测性能下降。设计一个对上游输出误差可靠的trajectory预测变量是一个非平凡的任务[61]。最近的作品，例如Intentnet [3]，FAF [35]，PNPNET [31]提出了基于LIDAR的轨迹预测的端到端模型。他们遭受了几个限制：（1）他们无法利用相机中丰富的细粒度视觉信息； （2）这些模型使用卷积特征图作为其内部和跨框架内部的中间反复限制，因此遭受了多种可差异操作，例如在多对象跟踪中的对象解码中的非最大最大弹药和对象关联。总而言之，本文的贡献是三倍：1。为了应对所有这些挑战，我们提出了一条新型的管道，该管道利用以查询为中心的模型设计来预先轨迹，称为VIP3D（VI Sual Sual轨迹P缩减3D代理查询）。VIP3D消耗了来自周围摄像机和高清图的多视频视频，并以端到端和简洁的流方式使代理级级的未来轨迹预测，如图1所示。具体来说，VIP3D将3D代理查询作为整个管道的接口，每个查询都可以映射到（最多最多）环境中的代理。在每个时间步骤中，查询来自多视图图像的汇总视觉特征，学习代理的时间动力学，对代理之间的关系建模，并最终为每个代理产生可能的未来传播。在整个时间内，3D代理查询都在存储库中维护，该查询库可以初始化，更新和丢弃以跟踪环境中的代理。此外，与以前的预测方法不同，VIP3D仅使用先前的时间戳和当前时间戳的传感器特征的3D代理查询，这些预测方法是使用历史框架的历史轨迹和特征地图，从而使其成为简洁的流媒体方法。vip3d是第一种完全可区分的基于视力的方法，可以预测拟驱动器的未来轨迹。而不是使用手工挑选的fea-
![arxiv：2203.05861v2 [Quant-ph] 2024年6月28日](/simg/2\2874206a2ee20920910df1e41a90cdf9a73b8c42.webp)
arxiv：2203.05861v2 [Quant-ph] 2024年6月28日
1量子组，牛津大学计算机科学系，沃尔夫森大楼，牛津公园，牛津，OX1，OX1 3QD，英国2 QICI量子信息和计算计划，计算机科学系，香港，POKFULAM ROAD，香港大学，香港3 Hong Kong 3 Hku-oxford联合实验室的量子和计算部的twam twam，twam twam forme and surre twam forme of。 0，英国5号，南部科学技术大学物理系，深圳，518055，中国6号物理学系，香港科学技术大学，香港清水湾，香港7号，理论上物理学研究所，Caroline Street 31 Caroline Street North，North，Waterloo，N2L 2Y5，Untern Univers for Water for Vateruns for Avenue forsum and Canca Instumel forsum overum，加拿大N2L 3G1的滑铁卢，安大略省N2L 3G1
![arxiv：2401.05499v2 [Quant-ph] 2024年6月26日](/simg/8\80a945729d93f746947e680c915e9f3dee7cb815.webp)
arxiv：2401.05499v2 [Quant-ph] 2024年6月26日
我们研究了相关的非马克维亚通道的域，探索了由于非马克维亚动力学而引起的固有记忆的相关作用引起的潜在记忆。使用不同的非马克维亚性指标和措施研究了通道相关性的影响。此外，还探索了相关的非马克维亚通道的动力学方面，包括纠缠动态以及可访问状态量的变化。对Unital和非青立相关通道进行了分析。还提出和探索了一个新的使用修改后的Ornstein-Uhlenbeck噪声构建的相关通道。此外，通过研究可访问状态量的变化的研究，讨论了相关非马克维亚通道的非马克维亚性的几何影响。相关因子与误差校正成功概率之间的链接被突出显示。
![arxiv：2405.14306v2 [hepth] 2024年6月20日](/simg/1\1c4563d6b2909f76de3b3b0425ecd2c8684fe771.webp)
arxiv：2405.14306v2 [hepth] 2024年6月20日
在本文中，我们考虑了在三维时空中在热量子场理论框架中获得的石墨烯的极化张量的收敛性。在过去的几年中，与石墨烯系统中Casimir力的计算以及对石墨烯片的电导率和反射的研究有关，引起了很多关注。文献中存在矛盾的陈述，尤其是关于该张量是否在三个维度上具有紫外线差异。在这里，我们使用众所周知的维数正则化方法分析了这个问题。表明，对极化张量的热校正在任何d上都是有限的，而其零温度部分的表现在d = 3和4中差异。对于d = 3，它是通过分析延续获得的，而无限期减去。对于d = 4的时空，在减去极项后发现零温度下极化张量的有限结果。我们的结果与以前对零温度和非零温度的极化张量的计算一致。这为在石墨烯和其他二维新颖材料的研究中更广泛地应用理论方法开辟了可能性。
![arxiv：2403.19050v3 [cs.lg] 2024年6月19日](/simg/6\6860fdba66ccd4b04539c53a6465db871c84371e.webp)
arxiv：2403.19050v3 [cs.lg] 2024年6月19日
生成的人工智能（AI）模型，包括但不限于稳定的扩散[11]，Dalle [10]和生成的预培养的变压器（GPT）[8]，代表了数字内容创建的景观的开创性转变，赋予用户能够生成文本，图像和其他形式的媒体，以及其他形式的媒体，以及其他形式的媒体，以及其他形式的OESEADEDEREDEREDEREDEREDEREDEREDEREDEY-EASENY-ITY。这些模型已在各种领域中应用，从艺术创作和设计到社交媒体和营销目的的内容发生，展示了它们的多功能性以及增强创造力和生产力的潜力。这些技术的迅速采用和部署也提出了重大的道德，法律和技术挑战，尤其是在版权感染和数据隐私的背景下[4，12，17]。这些关注的核心是被称为“生成鹦鹉”的现象，其中模型产生的输出与其训练数据无关紧要[3，16]，导致其含量的产生紧密模仿甚至不直接复制了现有的受版权保护材料。此问题不仅为用户和开发人员构成法律风险，而且对生成AI技术不信任，尤其是在信任至关重要的情况下进行保护
![arxiv：2310.01424v2 [CS.CL] 2024年6月18日](/simg/8\803e03aa7d6ae1b7e476cacb26b4a26b6941aae1.webp)
arxiv：2310.01424v2 [CS.CL] 2024年6月18日
摘要 - LARGE语言模型（LLMS）近年来显示出大大提高的性能，这归因于增加的规模和广泛的培训数据。这一进步导致了行业和公众的广泛利益和收养。但是，在机器学习模型中训练数据记忆的模型大小，尤其是与LLM有关的尺寸。记忆的文本序列有可能直接从LLM中泄漏，从而对数据隐私构成严重威胁。已经开发了各种技术来攻击LLM并提取其培训数据。随着这些模型的不断增长，此问题变得越来越关键。帮助搜索者和政策制定者了解有关隐私攻击和缓解的知识状态，包括需要更多工作的地方，我们介绍了有关LLMS数据隐私的第一个SOK。我们（i）确定攻击在LLM上不同的显着维度的分类法，（ii）使用我们的尺寸分类法对现有攻击进行系统化，以突出关键趋势，（iii）调查现有的缓解策略，突出其优势和局限性，以及（iv）（iv）确定了关键的空白，表明了开放问题和问题。