XiaoMi-AI文件搜索系统
World File Search Systemrarch
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
通过社交机器人增强手卫生实践...
基于个性化会话建议（PSR）扩展了传统的顺序推荐模型（通常是基于最近的活动会话建议下一个项目），以利用用户的历史会话在当前会话中进行短期推荐。但是，现有的PSR方法面临两个局限性：（1）将离线会话统一地视为静态数据，并依靠用户嵌入来表示个性化信息，以忽略随着时间的推移的动态演变，随着会话在实际应用中的进展可能会发生显着变化。（2）关注准确性，即推荐与最近互动相关的项目，忽略了多方面要求的平衡，以达到用户满意度，即多样性，新颖性和偶然性。因此，我们引入了多目标PSR（MOPSR）任务，并提出了层次决策变压器（HDT）框架，该框架严格地模拟了跨会话和内部用户的顺序优先转换，以平衡建议准确性与上述目标。要解决第一个问题，DT Inter-ensess DT通过维护目标状态，动态地跟踪用户在跨会话中的长期偏好。此目标状态是个性化信息，可以通过会议内的DT与短期状态合作提出建议。为了应对第二个限制，我们提出了会议和会议内意外回报，以权衡有关多样性，新颖性和偶然性的相关建议和用户偏好。层次回报可帮助推荐人准确地确定用户指示的信号以及多目标首选项的变化。为了验证我们的方法对MOPSR的有效性，我们将HDT应用于四个最先进的顺序推荐模型，并在两个公开可用的数据集上进行验证。实验结果表明，（1）HDT可以广泛概括顺序模型，以求解MOPSR任务，以逐步生成
技术与宗教的碰撞：全面分析
商业和计算机研究，Chikhali，浦那 摘要 技术与宗教之间的碰撞一直是现代社会广泛讨论和辩论的主题。本文彻底研究了这两个看似截然不同的领域之间的各种联系。通过研究交流、信仰体系、仪式、伦理和社会动态等各个方面，本文旨在阐明这两个看似完全不同的领域之间复杂的相互作用。通过回顾现有文献、案例研究和实证证据，本文探讨了技术进步如何挑战和补充宗教习俗和信仰。此外，它还探讨了这种关系对个人、社区和整个社会的影响，为数字时代宗教格局的不断演变提供了见解。
层次结构，分布式和大脑启发的物联网系统的学习
摘要 - 在本文中，我们提出了Edgehd，这是一种层次结构 - 意识到的学习解决方案，以高度分布，具有成本效益的方式进行在线培训和推断。我们使用受脑启发的高维（HD）计算作为关键启用器。HD计算在高维空间上执行计算任务，以模仿人类记忆的功能，例如数据间关系推理和信息聚集。EdgeHD利用高清计算有效地学习各个设备上的分类模型，并通过层次结构的IoT节点组合模型，而没有高通信成本。我们还提出了一种硬件设计，该设计可以加速低功耗FPGA平台上的EdgeHD。我们评估了各种现实分类应用程序的EdgeHD。评估表明，EdgeHD通过降低的通信提供了高度有效的计算。例如，与集中的学习方法相比，EdgeHD平均达到3.4×和11.7×（1.9×和7.8×）的加速和能量效率提高（推断）。，培训的沟通成本降低了85％，推理降低了78％。I. i ntroduction机器学习方法已被广泛用于为许多认知任务提供高质量。运行复杂的学习任务需要高计算成本来处理大量学习数据。一个常见的解决方案是将云和数据中心用作主要的中央计算单元。在物联网系统中，部署了大量嵌入式设备以从环境中收集数据并产生信息。然而，随着物联网（IoT）的出现，集中式方法面临着针对高性能计算的几个可扩展性挑战[1]，[2]，[3]，[4]，[4]，[5]，[6]。需要汇总部分数据才能执行IoT网络中的目标学习任务，例如家庭或城市规模。因此，它导致高潜伏期的高沟通成本，将所有数据点传输到集中式云。最近的研究工作研究了如何以分布式方式扩展学习任务，其中数据是从不同设备收集的。研究的主流通常被称为联邦学习[7]，[8]，[9]，[2]。例如，[10]中的研究在多个设备上训练一个中央深神经网络（DNN）模型，在这些设备中，每个设备的数据具有相同的功能集。但是，在物联网层次结构中有效学习仍然是一个悬而未决的问题。我们认识到以下技术挑战
哺乳动物前脑中多个时间尺度的层次梯度
皮质回路的许多解剖和生理特征，从突触的生物物理特性到不同神经元类型之间的连接模式，都表现出从感觉区域到联想区域的层级轴的一致变化。值得注意的是，静息状态下神经活动的时间相关性尺度（称为内在时间尺度）在灵长类动物和啮齿动物中都沿着这一层级系统地增加，类似于空间受体场的规模和复杂性不断增加。然而，任务相关活动的时间尺度如何在大脑区域间变化，以及它们的层级组织是否在不同哺乳动物物种中一致出现仍未得到探索。在这里，我们表明，内在时间尺度和任务相关活动的时间尺度在猴子、大鼠和小鼠的皮质中都遵循类似的层级梯度。我们还发现，这些时间尺度在皮层和基底神经节中以类似的方式共同变化，而丘脑活动的时间尺度比皮层时间尺度短，并且不符合其皮层投影预测的层次顺序。这些结果表明，皮层时间尺度的层次梯度可能是哺乳动物大脑皮层内回路的普遍特征。
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。
层次强化学习兴趣点建议
随着基于位置的服务的日益普及，准确的推荐点（POI）已成为一项关键任务。尽管研究技术精通处理数据，但是当涉及到商品中，它们在用户POI选择中的多样性和动态性方面缺乏，尤其是从复杂的历史行为中提取关键的signals。为了挑战这一挑战，我们介绍了层次加强学习预处理框架（HRL-PRP），该框架可以将其整体化为现有的建议模型，以效率优化用户配置文件。HRL-PRP框架采用了两层决策过程，其中高级过程决定了修改配置文件的必要性，而低级过程则侧重于在配置文件中选择POI。通过评估多个真实世界数据集，我们证明了HRL-PRP在各种建议性能指标中超过了现有的最新方法。
在多通道超图神经网络上进行课程推荐的分层增强学习
随着大规模开放在线课程的广泛流行，个性化的课程推荐由于吸引用户的学习效率而变得越来越重要。在实现有希望的表演时，目前的作品在用户和其他MOOC实体中所遭受的不同。为了解决这个问题，我们建议使用多个通道H ypergraphs神经网络进行H ierarchical增强学习（称为HHCOR）。具体来说，我们首先构建了一个在线课程超图作为环境，以考虑所有实体，以捕获复杂的关系和历史信息。然后，我们设计了一种多通道的预言机制来汇总在线课程超图中的嵌入，并通过注意力层提取用户。此外，我们采取了两级决策：评级课程的低级效力，而高级级别则将这些考虑因素整合在一起以最终确定该决定。最后，我们在两个现实世界数据集上进行了广泛的实验，定量结果证明了该方法的有效性。
一个统一的批处理层次加固学习框架，用于教学策略诱导，深度分配指标
摘要。智能辅导系统（ITS）利用AI适应个人学生，许多ITS采用教学政策来决定面对替代方案的下一个教学行动。许多研究人员应用了加固学习（RL）和Deep RL（DRL）来诱导有效的教学政策。大部分先前的工作是针对特定的，并且不直接应用于另一个工作。在这项工作中，我们提出了一个询问收入框架，该框架结合了深度BI模拟M eTrics和DRL（名为MTL-BIM），以诱导跨不同领域的两个不同ITS的统一教学政策：逻辑和概率。基于经验课堂结果，我们的统一RL政策的执行效果明显优于专家制作的政策，并在这两个ITS上都独立诱导了DQN政策。
通过加强学习的自主分层存储管理
在当今的大数据时代，数据管理的挑战已大大增长。一个关键方面是数据存储的管理。随着数据量继续扩展，有效的存储管理变得越来越重要。同时，不断发展的硬件技术提供了各种存储选项，范围从HDD到SSD和NVRAM。为此，层次结构（多层）存储系统（HSS）已成为解决方案，组织了不同的存储设备，以层次结构地提供各种存储选项。但是，在优化性能和成本效益的同时管理多个存储层及其数据非常复杂。在本文中，我们讨论了层次存储系统管理中的挑战。我们总结了我们先前在应对这些挑战方面的贡献，包括基于强化学习（RL）的数据迁移策略的建议以及自主分层存储管理框架HSM-RL的设计。我们还介绍了HSM-RL在科学数据管理中的应用，以证明其适应性和可伸缩性。最后，我们结束了迄今为止的工作，并概述了未来的研究计划。VLDB研讨会参考格式：Tianru Zhang。通过加强学习自主分层存储管理。VLDB 2024研讨会：VLDB Ph.D.车间。1简介