XiaoMi-AI文件搜索系统
World File Search Systempreference
面对人造：理解亲和力、可信度和对更现实的偏好
近年来，各公司一直在为由人工智能 (AI) 控制的数字虚拟代理开发更逼真的人脸。但用户对与此类虚拟代理互动有何感受？我们使用了一项受控实验室实验来检查用户对通过视频（即 Skype）以及非常逼真的虚拟形象出现的真实人类旅行代理的感知可信度、亲和力和偏好；一半的参与者（被误导性地）被告知虚拟形象是由人工智能控制的虚拟代理，而另一半则被告知虚拟形象由同一个人类旅行代理控制。结果表明，参与者认为视频人类代理更值得信赖，对他更有亲和力，并且比两个虚拟形象版本都更喜欢他。相信虚拟形象是由人工智能控制的虚拟代理的用户对代理的亲和力、可信度和偏好程度与相信虚拟形象由人类控制的用户相同。因此，使用逼真的数字化身会降低亲和力、可信度和偏好，但虚拟形象如何控制（由人还是机器）则没有影响。结论是，仅提高视觉保真度就能带来显著的积极变化，用户并不反对先进的人工智能模拟人类的存在，有些人甚至可能期待这样先进的技术。1. 简介
TREX1模型揭示了双链DNA偏好和跨性别范围调节
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2023年6月1日。; https：//doi.org/10.1101/2022.02.25.481063 doi：biorxiv Preprint
利用振荡脑电图特征对视觉审美偏好进行生态解码——一项小型综述
在当今的数字信息时代，人类对视觉制品的接触已达到前所未有的几乎无处不在的程度。其中一些文化制品被提升到艺术品的地位，这表明人们对这些物品有着特殊的欣赏。对许多人来说，对此类艺术品的感知与审美体验 (AE) 相吻合，而审美体验可以对健康和幸福产生积极影响。AE 由复杂的认知和情感心理和生理状态组成。对 AE 背后的神经动力学有更深刻的科学理解将允许开发被动脑机接口 (BCI)，该接口提供个性化的艺术呈现，以改善 AE，而无需明确的用户反馈。然而，视觉神经美学领域的先前实证研究主要研究非自然实验室条件下 AE 的功能性磁共振成像和事件相关电位相关性，这可能不是实用神经美学 BCI 的最佳特征。此外，直到最近，AE 在很大程度上被定义为美丽或愉悦的体验。然而，这些概念并未涵盖所有类型的 AE。因此，这些概念的范围太窄，无法实现跨个体和跨文化的个性化和最佳艺术体验。这篇叙述性迷你评论总结了基于振荡脑电图 (EEG) 的视觉神经美学的最新进展，并绘制了开发生态有效的神经美学被动 BCI 系统的路线图，该系统可以优化 AE 及其有益后果。我们详细介绍了已报道的 AE 振荡 EEG 相关性，以及用于对 AE 进行分类的机器学习方法。我们还强调了神经美学的当前局限性，并提出了改进 AE 的 EEG 解码的未来方向。
利用振荡脑电图特征对视觉审美偏好进行生态解码——一篇小型评论
在当今的数字信息时代，人类接触视觉文物的接触已经达到了前所未有的准友善。这些文化文物中的一些被提升到艺术品的状态，这表明对这些物体有特别的欣赏。对于许多人来说，这种艺术品的感知与美学体验（AE）相吻合，可以积极影响健康和福祉。AE由复杂的认知和有效的心理和生理状态组成。对AE背后的神经动态的更深刻的科学理解将允许开发被动的脑部计算机间接位（BCI），以促进个性化的艺术表现，以改善AE，而无需明确的用户反馈。然而，在不自然的实验室条件下，在视觉神经活动中的先前实证研究主要研究了AE的功能性磁共振成像和与事件相关的电位相关，这可能不是实践神经震荡BCI的最佳特征。此外，直到最近，AE还是在很大程度上被构成了美丽或愉悦的体验。是，这些概念并未包含所有类型的AE。因此，这些概念的范围太窄，无法允许个人和文化的个性化和最佳的艺术经验。这种叙事迷你审查总结了基于振荡的脑脑摄影（EEG）的最先进的视觉神经电学学，并为开发生态有效的神经震级的被动BCI系统的开发绘制了一个路线图，该系统可以优化AE，以及它们有益的后果。我们详细介绍了AE的振荡性脑电图相关性，以及机器学习方法以对AE进行分类。我们还强调了神经疗法中的当前局限性，并提出了改善AE脑电图解码的未来方向。
通过语言引导的偏好学习有效地产生表达的四倍行为
摘要 - 表达机器人行为对于在社交环境中广泛接受机器人至关重要。学习的腿部运动控制器的最新进展已实现了更具动态和多功能的机器人行为。，确定在各种情况下与不同用户互动的最佳行为仍然是一个挑战。当前方法要么依赖于自然语言输入，这是有效但低分辨率的，要么从人类的偏好中学习，尽管高分辨率却是效率低下的样本。本文介绍了一种新的方法，该方法利用了预先训练的LLMS产生的先验，并在偏好学习的精确度上。我们的方法称为语言引导的偏好学习（LGPL），使用LLMS生成初始行为样本，然后通过基于偏好的反馈来完善这些样本，以学习与人类期望紧密相符的行为。我们的核心见解是，LLM可以指导偏好学习的抽样过程，从而实现样本效率的实质性提高。我们证明，LGPL可以快速学习精确和表现力的行为，只有四个查询，既优于纯语言参数模型和传统的偏好学习方法。带有视频的网站：此HTTP URL。
通过人类偏好研究基准音乐生成模型和指标
摘要 - 截止性的进步使产生的音乐更接近人类创造的作品，但是评估这些模型仍然具有挑战性。虽然人类的偏好是评估质量，将这些主观判断转化为客观指标的黄金规模，尤其是对于文本审计和音乐质量，但事实证明很困难。在这项工作中，我们使用12种最先进的模型生成了6K歌曲，并对15K成对音频比较与2.5k人类参与者进行了调查，以评估人类偏好与广泛使用的指标之间的相关性。据我们所知，这项工作是第一个基于人类偏好对当前最新音乐生成模型和指标进行排名的工作。为了进一步的主观度量评估领域，我们提供了对生成的音乐和人类评估数据集的开放访问。索引术语 - 音乐生成，评估指标，音频数据集，人类评估调查
从演示和偏好共同学习奖励和政策可以改善一致性
与人类的偏好和/或意图保持一致是当代基础模型的重要要求。为了确保对准，诸如人类反馈（RLHF）等流行方法将任务分为三个阶段：（i）基于大型示范数据的监督微调（SFT）计算的模型，（ii）基于人类反馈数据和（III II）的估计，（ii）将使用（III）估算了（ii II），以进一步的模型（RL）进一步估算了该模型（RL）。演示和人类反馈数据以不同的方式反映了人类用户的偏好。结果，仅从人类反馈数据获得的奖励模型估计可能不如从演示和人类反馈数据获得的奖励模型估计值那么准确。一种优化从演示和人类反馈数据获得的奖励模型估计值的政策模型可能会表现出更好的对齐性能。我们引入了一种可访问的算法，以找到奖励和政策模型并提供有限的时间绩效保证。此外，我们通过广泛的实验（包括LLMS中的比对问题和Mujoco中的机器人控制问题）来证明所提出的解决方案的效率。我们观察到，所提出的解决方案的表现优于现有的对齐算法。
个性化的患者偏好预测因素，用于替代医疗保健的判断：技术上FEA
摘要在为无行为能力的患者做出替代判断时，代理人经常努力猜测患者有能力会想要什么。代理人也可能因（唯一）做出这种决定的责任而感到痛苦。为了解决此类问题，已经提出了一种患者偏好预测因子（PPP），该预测因素将使用算法从人群级别的数据中推断出单个患者的治疗偏好，以了解具有相似人口统计学特征的人的已知偏好。然而，批评家们已经表明，即使这种PPP平均比人类替代者更准确，在识别患者偏好方面，拟议的算法仍然无法尊重患者（以前的）自主权，因为它会借鉴“错误的”数据：对于个人而言，这些数据不适合个人的数据，因此他们不适合他们的挑战，并且他们的实际原因是他们的实际原因，或者是实际的，或者是实际上的，或者是实际上的，或者是实际的，或者是实际的，或者是实际的，或者是实际上所依据的，或者是实际的原因。在船上受到这样的批评，我们在这里提出了一种新方法：个性化的患者偏好预测因子（P4）。P4基于机器学习的最新进展，该技术允许包括大型语言模型在内的技术更便宜，更有效地“微调”在特定于人的数据上。与PPP不同，P4将能够从实际上特定于其特定的材料（例如先前的治疗决策）中推断出单个患者的偏好。因此，我们认为，除了在个体水平上比以前提出的PPP更准确，P4的谓词还将更直接地反映每个患者自身的原因和价值观。在本文中，我们回顾了人工智能研究中的最新发现，这些发现表明P4在技术上是可行的，并认为，如果它是开发和适当部署的，则应缓解一些基于自主的主要关注原始PPP的批评者的关注。然后，我们考虑对我们的提案的各种异议，并提供一些暂定的答复。
认知科学、神经科学和人工智能交界处的心智理论和偏好学习：综述
心智理论 (ToM) 是人类认知的关键组成部分，即人类心智将心理状态归因于他人的能力。为了理解他人的心理状态或观点，并在社交和职业环境中与他人成功互动，这种社会认知形式必不可少。同样的推断人类心理状态的能力是人工智能 (AI) 融入社会的先决条件，例如在医疗保健和汽车行业。自动驾驶汽车需要能够推断人类驾驶员和行人的心理状态，以预测他们的行为。在文献中，人们对 ToM 的理解越来越多，特别是随着对儿童和自闭症谱系障碍患者的认知科学研究的增加。同样，通过神经影像学研究，现在人们对 ToM 背后的神经机制有了更好的理解。此外，已经提出了用于推断人类心理状态的新 AI 算法，其应用更复杂，通用性更好。在这篇评论中，我们综合了认知和神经科学中对 ToM 的现有理解以及已提出的 AI 计算模型。我们重点关注偏好学习这一特别感兴趣的领域以及最新的神经认知和计算 ToM 模型。我们还讨论了现有模型的局限性，并暗示了允许 ToM 模型充分表达人类思维各个方面（包括价值观和偏好）的复杂性的潜在方法。