XiaoMi-AI文件搜索系统
World File Search Systemrealistic
skada bench：对无监督的域适应方法进行基准测试，并对多种方式进行现实验证
无监督的域适应性（DA）包括适应在标记的源域上训练的模型，以在未标记的目标域上表现良好，并具有某些数据分布变化。虽然文献中提出了许多方法，但公平和现实的评估仍然是一个悬而未决的问题，尤其是由于方法学困难在无监督环境中选择超参数。在Skada Bench的情况下，我们提出了一个框架，以评估DA方法的不同方式，除了在文献中很大程度上探讨的计算机视觉任务之外。我们对现有浅层算法进行了完整而公平的评估，包括重新加权，映射和子空间对齐。现实的超参数选择是通过嵌套的交叉验证和各种无监督的模型选择得分进行的，这两个模拟数据集都具有受控的偏移和现实世界数据集的不同模式，例如图像，文本，生物医学和表格数据。我们的基准强调了现实验证的重要性，并为现实生活中的应用提供了实用的指导，并对模型选择方法的选择和影响有了重要的见解。Skada-Bench是开源的，可再现的，可以通过新颖的DA方法，数据集和模型选择标准轻松扩展，而无需重新评估竞争对手。Skada-Bench可在https://github.com/scikit-adaptation/skada-bench上在github上获得。
捍卫未知的：探索强化学习代理在现实，看不见的网络中的部署
摘要越来越多的网络模拟器为探索和应用最先进的算法开放了机会，以了解和衡量众多领域此类技术的能力。在这方面，最近发布的打哈欠泰坦是网络网络场景的简单化但不太详细的一个例子，可以通过强化学习算法来训练代理，并衡量其试图停止感染的有效性。在本文中，我们探讨了不同的强化学习算法如何导致不同示例和现实网络中各种代理的培训。我们评估了如何在一组网络中部署此类代理，尤其关注代理在探索具有复杂起始状态的网络，连接节点和不同级别挑战级别的路线数量的增加，旨在评估现实网络中从未见过的部署性能。
验证基于轻度脑电图的测量方法，用于真实驾驶期间的实时压力监测
摘要：驾驶员的压力会影响决策和风险发生的概率，因此它是道路安全的关键因素。这表明需要持续的压力监测。这项工作旨在验证一种压力神经生理测量方法——神经测量法，该方法可在实验室外使用，该方法依赖于两个湿式传感器，实时且无需校准，由轻量级脑电图获得。在多任务实验中测试了神经测量法，并通过逼真的驾驶模拟器进行了验证。20 名受试者参加了实验，并将得到的压力神经测量法与随机森林 (RF) 模型进行了比较，该模型通过使用脑电图特征以及受试者内和跨任务方法进行了校准。还将神经测量法与基于皮肤电导水平 (SCL) 的测量值进行了比较，SCL 代表了文献中研究的生理参数之一，与压力变化最相关。我们发现，在多任务和真实驾驶实验中，神经测量法能够区分低水平和高水平的压力，平均曲线下面积 (AUC) 值高于 0.9。此外，压力神经测量法显示出比 SCL 测量法和使用跨任务方法校准的 RF 更高的 AUC 和稳定性。总之，本研究提出的神经测量法被证明适用于实验室外的压力水平监测。
人类直觉思维模型作为现实人工智能和工程的来源
尽管人工智能（AI）取得了成功，但我们距离像人类一样模拟世界的AI仍然很远。本研究旨在从直觉心理模型的角度解释人类行为。我们描述了行为在生物系统中是如何产生的，以及对这种生物系统的更好理解如何能够促进类人AI的发展。人类可以从物理、社会和文化环境中建立直觉模型。此外，我们遵循贝叶斯推理，将直觉模型和新信息结合起来做出决策。我们应该为新的AI构建类似的直觉模型和贝叶斯算法。我们认为贝叶斯意义上的概率计算对通过观察和先前经验形成的对象组合的语义属性很敏感。我们将大脑的这一过程称为计算意义，当这些对象的概率发生是可信的时，它更接近贝叶斯理想。人类大脑如何形成世界模型并将这些模型应用于其行为？我们从三个角度概述了答案。首先，直观模型支持个人在当前环境中以有意义的方式使用信息。其次，神经经济学提出大脑中的估值网络在人类决策中起着至关重要的作用。它结合了心理学、经济学和神经科学的方法来揭示决策的生物学机制。然后，大脑是一个过度参数化的建模器官，并在复杂的世界中产生最佳行为。最后，人工智能数据分析技术的进步使我们能够破译人类大脑如何在复杂情况下评估不同的选择。通过将大数据集与机器学习模型相结合，可以从复杂的神经数据中获得前所未有的洞察力。我们从这个角度回顾当前的研究，描述了这些解决方案。在这项研究中，我们概述了类人人工智能的基本方面，并讨论了科学如何从人工智能中受益。我们越了解人类的大脑机制，我们就越能将这种理解应用于构建新的人工智能。人工智能的发展和对人类行为的理解是相辅相成的。
文章对现实人形机器人中体现人工智能和外观的用户偏好进行建模
摘要：具有具身人工智能 (EAI) 的逼真人形机器人 (RHR) 在社会中具有广泛的应用，因为人脸是最自然的交流界面，人体是穿越地球人造区域的最有效形式。因此，开发具有高度人性化的 RHR 为人类提供了一个栩栩如生的容器，使人类能够以任何其他形式的非生物人类模拟无法超越的方式与技术进行物理和自然的交互。本研究概述了一项人机交互 (HRI) 实验，该实验采用了两个具有对比外观和个性的自动化 RHR。本研究中使用的选择性样本组由 20 个人组成，按年龄和性别分类以进行多样化的统计分析。皮肤电反应、面部表情分析和人工智能分析允许对生物特征和人工智能数据与参与者证词进行交叉分析，以具体化结果。这项研究的结论是，年轻的测试对象更喜欢外表年轻的 RHR 的 HRI，而年龄较大的测试对象更喜欢外表年长的 RHR。此外，女性测试组更喜欢外表年轻的 RHR 的 HRI，而男性测试对象更喜欢外表年长的 RHR。这项研究对于为具有 EAI 的 RHR 的外表和个性建模很有用，这些 RHR 适合特定的工作，例如照顾老人和为年轻、孤立和弱势群体提供社交陪伴。
torchdriveenv：一种增强性学习基准，用于自动驾驶，具有反应性，现实和多样的不可播放的字符
摘要 - 澳大利亚车辆的培训，测试和部署需要现实有效的模拟器。此外，由于不同自主系统中呈现的不同问题之间存在很高的可变性，因此这些模拟器需要易于使用，并且易于修改。为了解决这些问题，我们介绍了Torchdriveim及其基准扩展TorchdriveEnv。TorchdriveEnv是完全在Python中编程的轻质增强学习基准，可以对其进行修改以测试学习车辆行为的许多不同因素，包括不同的运动模型，代理类型和交通控制模式的影响。最重要的是，与许多基于重播的仿真方法不同，TorchdriveEnV与最先进的行为模拟API完全集成。这使用户可以与数据驱动的不可播放的字符（NPC）一起训练和评估驾驶模型，其初始化和驾驶行为是反应性，现实和多样的。我们通过评估培训和验证环境中的常见强化学习基准来说明TorchdriveEnv的效率和简单性。我们的实验表明TorchdriveEnV易于使用，但难以解决。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
高度适应性拉索：在现实模型中提供有效的非参数推断的机器学习
使用现实世界数据了解治疗对健康相关结果的影响需要定义因果参数并施加相关识别假设，以将其转化为统计估计。半参数方法，例如目标最大似然估计器（TMLE），以构建这些参数的渐近线性估计器。要进一步建立这些估计量的渐近效率，必须满足两个条件：1）数据可能性的相关组成部分必须属于Donsker类，而2）2）滋扰参数的估计值在其真实值的速度上以比N -1 /4更快的速度收敛。高度适应性的拉索（HAL）通过在具有有界分段变化标准的Càdlàg函数中充当经验风险最小化来满足这些标准，已知是Donsker。hal达到了所需的收敛速度，从而保证了估计量的渐近效率。HAL最小化其风险的功能类别具有足够的灵活性，可以捕获现实的功能，同时保持建立效率的条件。此外，HAL可以对非方向可区分参数（例如条件平均治疗效果（CATE）和因果剂量响应曲线，对精确健康很重要。尽管在机器学习文献中经常考虑这些参数，但这些应用通常缺乏适当的统计推断。HAL通过提供可靠的统计不确定性量化来解决这一差距，这对于健康研究中的知情决策至关重要。
现实量子比特中加速绝热门的解析设计：超导电路的一般理论和应用
绝热捷径是加速绝热量子协议的通用方法，在量子信息处理中具有许多潜在应用。不幸的是，对于具有复杂相互作用和多个能级的系统，通过分析构建绝热捷径是一项具有挑战性的任务。这通常通过假设理想化的汉密尔顿量来克服[例如，仅保留有限的能级子集，并进行旋转波近似（RWA）]。在这里，我们开发了一种分析方法，可以让人们超越这些限制。我们的方法是通用的，可以分析得出的脉冲形状可以纠正非绝热误差和非 RWA 误差。我们还表明，与传统的非绝热协议相比，我们的方法可以产生需要更小驱动功率的脉冲。我们详细展示了如何利用我们的想法在现实的超导通量子比特中分析设计高保真单量子比特“三脚架”门。
在神经形态硬件上实施的新皮层的生物学现实计算原始素改善视觉变压器性能
恶意化）。此外，此SWTA图案的稀疏耦合也能够模拟TN芯片上的两态神经状态机，从而复制了对认知任务必不可少的工作记忆动力学。此外，将SWTA计算作为视觉变压器（VIT）中的预处理层的整合，增强了其在MNIST数字分类任务上的性能，证明了改进的概括性对以前看不见的数据进行了改进，并提出了类似于零量学习的机制。我们的方法提供了一个将大脑启发的计算转换为神经形态硬件的框架，并在英特尔的Loihi2和IBM的Northpole等平台上使用了潜在的应用。通过将生物物理精确的模型与神经形态硬件和高级机器学习技术集成，我们是将神经计算嵌入神经ai系统中的全面路线图。