XiaoMi-AI文件搜索系统
World File Search Systempresentations
机器人还是自动班车？城市代表和旅行习惯在法国明天的模式选择中的作用
1我们假设个人不会想到共享机器人的特殊情况（从乘车共享的意义上），因为在启动问卷时，法国的这种形式的流动性（常规合并出租车）并不是很好。2 2014年SAE国际分类（2016年修订）列出了以下自治级别：（L0）手动驾驶； （L1）横向（例如，泳道系统）或纵向（例如高级巡航控制）控制是自动化的，并且驾驶员必须始终注意道路； （L2）自动化的侧面和纵向控制（例如特斯拉），驾驶员必须始终注意道路； （L3）L2 +驱动程序
videojam：在视频模型中增强运动产生的联合外观运动表示
尽管最近取得了巨大进展，但生成的视频模型仍然很难捕获现实世界的运动，动态和物理。我们表明，这种限制是由常规的像素重建物镜产生的，该物镜以牺牲运动相干性为代价的模型出现忠诚度。为了解决这个问题，我们介绍了视频果酱，这是一个新颖的框架，它通过鼓励模型学习联合外观运动表示，在视频发电机之前灌输有效的动作。Videojam由两个互补单元组成。在培训期间，我们扩展了目标，以预测产生的像素及其相应的运动。在推断期间，我们介绍了内部指导，该机制通过将模型自身不断发展的运动依靠作为动态引导信号来引导生成迈向连贯运动。值得注意的是，我们的
从跨编码数据中预测生物地球化学周期的粗粒表示
抽象动机：由于DNA测序的进步，现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能，例如氢氧化，还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来，但是在许多环境应用中，MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中，代谢功能的重建仍然是当今有效的生物信息学问题。结果：我们开发了一条称为Tabigecy的管道，该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中，Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程，我们生成了一个预先计算的数据库，其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织，BigeCyhmm是一个新开发的Python软件包，依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基（Tabigecy）应用于两个盐洞数据集，并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字：微生物群落，生物地球化学周期，代谢功能，分类学官员
新颖的SPD矩阵表示形式考虑交叉...
摘要 - 来自电脑摄影（EEG）信号的认知状态的准确分类对于神经科学应用至关重要，例如脑部计算机界面（BCIS）。clasification管道通常是BCI领域的最先进的。在这种类型的BCI中，基于独立频段的EEG信号的协方差矩阵用作分类特征。然而，有明显的神经科学证据表明频率带（例如跨频耦合（CFC））神经相互作用。因此，在本文中，我们提出了考虑基于Riemannian几何学的CFC的新型对称阳性（SPD）矩阵表示形式。在三种不同的CFC SPD矩阵中描述了相位和频带之间和频段之间的扩增的空间相互作用。这使我们能够包含其他歧视性神经生理特征，这些神经生理特征在传统的Riemannian EEG特征中不可用。使用公共无源BCI数据集中的心理工作负载分类任务评估我们的方法。我们的三个CFC协方差矩阵的融合模型显示，theta和Alpha频段的常规Covari-Ance矩阵的平均分类精度在统计学上显着提高。32％，在Beta和伽马频段中以4为4。34％的标准偏差较小。该结果证实了考虑到riemannian脑电图分类内和频率之间考虑更多多样化的神经生理相互作用的有效性。索引术语 - 电脑摄影（EEG），Riemannian Ge-emetry，Brain-Computer接口（BCI），跨频COU-PLING（CFC）
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
通过神经影像学研究提取认知表征可改善大脑解码
认知脑成像正在积累有关许多不同心理过程的神经基础的数据集。然而，大多数研究都基于少数受试者，统计能力较低。跨研究分析数据可以带来更多的统计能力；然而，当前的脑成像分析框架无法大规模使用，因为它需要将所有认知任务置于统一的理论框架中。我们引入了一种新方法来分析跨任务的大脑反应，而无需心理过程的联合模型。该方法通过联合分析具有特定认知重点的小型研究与探究不太重点的心理过程的大型研究，提高了小型研究的统计能力。我们的方法提高了 35 项差异很大的功能成像研究中 80% 的解码性能。它通过预测心理过程的共同大脑表征，以数据驱动的方式发现跨任务的共性。这些是适应心理操纵的大脑网络。它们概述了可解释和合理的大脑结构。提取的网络已经可用；它们可以在新的神经成像研究中轻松重复使用。我们提供了一个多研究解码工具来适应新数据。
发现黑盒优化的表示
黑盒优化中解决方案的编码是一种微妙的、手工平衡，既要考虑表达能力和领域知识，又要考虑探索各种解决方案和确保这些解决方案有用。我们的主要见解是，这个过程可以通过使用质量多样性算法（此处为 MAP-Elites）生成高性能解决方案的数据集，然后从该数据集中学习生成模型（此处为变分自动编码器）的表示来实现自动化。我们的第二个见解是，这种表示可用于将质量多样性优化扩展到更高维度，但前提是我们要仔细混合使用学习到的表示生成的解决方案和使用传统变分算子生成的解决方案。我们通过学习一千个关节平面臂的逆运动学的低维编码来展示这些能力。结果表明，学习到的表示使得能够以比标准 MAP-Elites 少几个数量级的评估来解决高维问题，并且一旦解决，生成的编码可用于快速优化新颖但相似的任务。所提出的技术不仅可以将质量多样性算法扩展到高维，而且表明黑盒优化编码可以自动学习，而不是手动设计。
链的双层几何表示...
我们为基于链的3D发型几何形状引入了双层层次生成表示，该几何形状从粗，低通的过滤导型头发到富含高频细节的密集的人浓厚的发束。我们采用离散的余弦变换（DCT）将低频结构曲线与高频卷曲和噪声分开，从而避免了吉布斯在开放曲线中与标准傅立叶变换相关的吉布斯振荡问题。与从头皮UV地图网格中取样的导向头发可能会失去现有方法中发型的细节，我们的方法通过利用低通滤波的密集链中的k -Medoid集群中心来样本最佳的稀疏导向链，从而更准确地保留了发型的本质特征。拟议的基于自动编码器的生成网络，其启发的架构是受几何深度学习和隐式神经表示的启发，可促进灵活的，离网的导向链建模，并使从隐含的神经表示的原理上绘制任何数量和密度的密度和密度完成密集的链。经验评估证实了该模型产生令人信服的指导头发和密集链的能力，并提供细微的高频细节。1
注意力调节神经特征维度图中的刺激表征
图 1：对特定特征维度的注意力如何塑造神经特征维度图？A. 优先级图理论假设各种“特征维度图”用于根据其首选特征维度内的计算来索引视野中最重要的位置，并且这些图中的激活应根据观察者的目标进行缩放。如果正在进行的任务需要检测或辨别运动（例如，识别飞镖蜂鸟的运动方向），则相应“运动图”内的激活将增加与蜂鸟位置相关的重要性。运动图可以通过两种方式优先考虑超出空间注意力预期的局部效应的信息（例如，Sprague 等人，2018 年）。可以发生局部增强，这样只有具有关注特征的刺激的位置才会被优先考虑。或者，可以发生全局增强，这样整个地图上的激活被附加缩放，从而增加对任何位置关注特征维度的敏感度。这种类型的调制仍会驱动更强的目标表征，但当运动是目标相关特征维度时，还会在没有刺激的位置导致更强的反应。这里描绘了运动维度图，但调制同样适用于其他特征维度，例如颜色。B. 评估特征（运动）图中刺激位置和相反位置的激活可以区分局部和全局增强解释。两种模型都预测，当首选特征维度相关（例如运动；左）时，刺激将在刺激位置具有最大的激活。如果增强是局部的，那么相反位置的激活不应该在各种条件下改变（中间）。但是，如果存在全局增强，那么当运动与任务相关时，相反位置的激活应该增加。通过计算刺激和相反位置之间的激活差异，可以评估基于特征的调制的空间特异性（右）。如果运动图中注意运动条件的激活差异（刺激相反）较大，则增强是局部的。然而，如果关注颜色和运动条件之间的激活差异相似，则增强在特征维度图上是全局的。