XiaoMi-AI文件搜索系统
World File Search Systempresentations
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。
dmr：视觉增强学习中的框架和事件融合的分解多模式表示
我们使用两种互补视觉方式探索视觉增强学习（RL）：基于框架的RGB凸轮和基于事件的动态视觉传感器（DVS）。iSTING多模式视觉RL方法在有效提取与任务相关的信息时经常遇到挑战。为了解决这个问题，我们提出了用于视觉RL的分解多模式表示（DMR）框架。它将输入分为三个不同的组成部分：与任务相关的效果（共同功能），RGB特异性噪声和DVS特异性噪声。共同创作表示与RL任务相关的两种模式中的完整信息；这两个噪声组件都受到数据重构损失以避免信息泄漏的约束，与共同创作形成对比，以最大程度地差异。广泛的经验表明，通过明确分开不同信息的类型，我们的方法可实现与最先进的方法相比，实质性改善的政策绩效。
通过对齐已知类表示
开放式对象检测（OSOD）已成为当代研究方向，以解决对未知对象的检测。最近，很少有作品通过使用Con-Contrastive聚类来分开未知类，在OSOD任务中实现了可观的性能。相比之下，我们提出了一种新的基于语义聚类的方法，以促进语义空间中有意义的群集的对齐，并引入一个类去相关模块以实现群间间的分离。我们的方法进一步不适合对象焦点模块预测对象分数，从而增强了未知对象的检测。此外，我们采用了i）一种评估技术，该技术对低置信度输出进行了惩罚，以减轻对未知对象的错误分类的风险，ii）一种称为HMP的新指标，该指标使用hMP使用Har-nonic Mean结合了已知和未知的精度。我们的广泛实验表明，所提出的模型可以在OSOD任务上对MS-Coco＆Pascal VOC数据集有显着改进。
通过实例模式编写器实现可泛化的隐式神经表征
尽管隐式神经表征 (INR) 近期取得了进展，但对于基于坐标的 INR 多层感知器 (MLP) 来说，学习跨数据实例的通用表征并将其推广至未见实例仍然具有挑战性。在这项工作中，我们为可推广的 INR 引入了一个简单而有效的框架，该框架使基于坐标的 MLP 能够通过仅调节早期 MLP 层中的一小组权重作为实例模式组合器来表示复杂数据实例；其余 MLP 权重学习跨实例通用表示的模式组合规则。我们的可推广 INR 框架与现有的元学习和超网络完全兼容，可用于学习预测未见实例的调节权重。大量实验表明，我们的方法在音频、图像和 3D 对象等广泛领域都实现了高性能，而消融研究验证了我们的权重调节。
引用：Keo，V.，Lan，B.，Sam，R。，＆Rouet，W。（2025）。探索Battamban国立大学口头演讲中EFL学生的挑战
本研究探讨了大学学生在口头演讲中遇到的挑战，提高这些技能的策略以及讲师在增强学生演讲能力方面的作用。使用定量研究方法，研究人员通过社会科学的统计软件包应用了描述性和推论性统计分析，以检查来自柬埔寨巴坦巴国国立大学的200个学士学位英语作为外语（EFL）学生收集的数据。结果表明，EFL学习者在诸如有限的准备时间，表现焦虑和同伴评估不适等问题上挣扎。独立样本t检验的结果没有明显的性别差异，t（198）= 1.062，p = 0.289。然而，单向方差分析表明，不同类水平之间的口服表现困难在统计学上有显着差异（F [3，196] = 3.294，p = 0.022）。该方差分析分析发现，在应对策略方面，类排名之间没有显着差异（F [3，196] = 2.220，p = 0.087）。相比之下，班级水平之间存在统计学上的显着差异（F [3，196] = 4.328，p = 0.006）。此外，EFL学习者还利用了一系列策略来提高他们的口头表现能力，例如观察同龄人，增强信心，融合视觉辅助工具以及依靠简短的笔记而不是完全脚本的演讲。教师通过确保足够的准备时间，创造支持性学习环境并提供建设性的反馈，在这一发展中发挥了至关重要的作用。在口头演讲中认识到这些具体挑战，使教育者可以更有效地完善其教学方法。
“关于气候和生物多样性危机的跨学科观点：危机的代表，叙事和想象
除了讨论预先传播的论文（在“论文讨论小组” A和B中）和四个主题演讲外，学校的参与者还将形成（2-3）跨学科小组（“小组工作”），以研究其选择的主题或领域（理想情况下是与参加学校的成年人的使命相关的对象）。他们将被要求考虑三个广泛的问题，同时着重于所选领域的特定转换。这样做，他们将被邀请反思想象的概念的作用，以及对他们不同学科的贡献的作用。
autonerf：用自主代理培训隐性场景表示
摘要 - 隐式表示，例如神经辐射场（NERF），可以通过连续的神经功能在3D场景中绘制颜色，密度和语义。但是，这些模型通常需要手动和仔细的人类数据收集进行培训。本文解决了自主nerf构造的主动探索问题。我们研究代理如何学会有效地探索未知的3D环境，以便在自主性过程中收集的数据能够学习高质量的神经隐式图表示。在四个与机器人相关的下游任务上评估了所学代表的质量：经典的观点渲染，地图重建，计划和姿势改进。我们比较了不同的探索策略的影响，包括基于前沿的基于基础和学习的方法（端到端和模块化）以及针对此问题量身定制的不同奖励功能。经验结果表明，可以使用在看不见的环境中使用一集经验对积极收集的数据进行培训，并且Autonerf是一种经过加固学习训练的模块化勘探策略，使得获得了高质量的NERF，以获得高质量的NERF，以实现经过考虑的下游机器人任务。最后，我们证明，使用Autonerf可以将代理部署到以前未知的场景中，然后通过通过勘探，重建和策略填充的循环来适应场景来自动改善其导航性能。
鼠标决策中先验信息的大脑范围表示
查尔斯·休伯特（Charles Hubert）1，国际大实验室，丹尼尔·伯曼（Daniel Birman），安妮·K·苏克兰（Anne K Surchland）8，杨丹9，埃里克·埃吉·侯赛斯（Eric Ej Husser）7，Sounds B Miska 12，Thomas D Men-Flogel 12，Jean-Paul圣诞节4，Kai Nylund 5，Kai Nylund 5，Pan-Vazquez的Alegenro； Paninski 16，乔纳森枕头10； Yanliang Shi 11，Noam Roth 5，Michael Shitner 1 Carolina Z Socha 7，Steven Jon West 12，Anthony Zador 10，Anthony Zador 14，Peter Dayan 13，Alexander
关于预测人类语音误解的自我监督的学习语音表征的好处
深度神经网络（DNNS）最近已证明接受自我监督的学习（SSL）训练，可以产生类似于相同语音输入的大脑激活的表示。SSL表示能否有助于解释人类的语音感知错误？旨在阐明这个问题，我们研究了它们用于语音误解预测的用途。我们从WAV2VEC 2.0中提取表示形式，这是一种用于语音的SSL架构，并使用它们来计算特征作为模型，以预测语音感知误差在噪声信号中的语音感知错误。我们对3000多个语料库进行了实验，英语中有3000多个毫无意义的混乱。我们考虑基于多PLE SSL的功能，并将其与传统的声学基准和通过ASR的监督学习微调获得的传统声学基准和特征。我们的结果表明，从适当的层中提取SSL表示的支撑性，进一步表明了它们对人类语音感知的建模潜力。索引术语：语音感知，可理解性预测，次级清晰度，自我监督的学习，语音中的语音