XiaoMi-AI文件搜索系统
World File Search Systemrepresentations
糖：机器人技术的预训练3D视觉表示
从网络数据中学习可概括的视觉表示已为机器人技术带来了令人鼓舞的结果。然而，预循环方法着眼于预训练2D表示，是应对闭塞的优势，并在复杂的3D场景中准确地将对象定位。同时，3D代表学习仅限于单对象。为了解决这些局限性，我们引入了一个名为Sugar的机器人技术的新型3D预训练框架，该框架通过3D点云捕获对象的语义，几何和负担性能。我们强调了3D表示学习中混乱场景的重要性，并自动构建一个受益于模拟中无需成本监督的多对象数据集。Sugar采用一种多功能变压器的模型来共同解决五个预训练任务，即用于语义学习的跨模式知识蒸馏，以掩盖点建模，以取消几何结构，掌握姿势合成以进行对象负担，3D实例分割和引用表达地面以分析杂乱无章的场景。我们对三个与机器人相关的任务进行了学习的代表，即零射击3D对象识别，引用凸起的接地和语言驱动的机器人操作。实验结果表明，糖的3D表示优于最先进的2D和3D表示。
学习大脑结构-功能耦合的相似性保留表征
摘要 网络神经科学的图形信号处理方面的进步为整合大脑结构和功能提供了一条独特的途径，目的是揭示大脑在系统层面的一些组织原则。在这个方向上，我们开发了一个监督图形表示学习框架，通过图形编码器-解码器系统对大脑结构连接 (SC) 和功能连接 (FC) 之间的关系进行建模。具体来说，我们提出了一种配备图形卷积编码器的暹罗网络架构，以学习图形（即主题）级嵌入，以保留大脑网络之间与应用相关的相似性度量。这样，我们有效地增加了训练样本的数量，并通过规定的目标图形级距离带来了灵活性，可以合并额外的先验信息。虽然有关大脑结构-功能耦合的信息是通过从 SC 重建大脑 FC 隐式提取的，但我们的模型还设法学习保留输入图之间相似性的表示。学习到的表示的卓越判别能力在包括主题分类和可视化在内的下游任务中得到了证明。总而言之，这项工作通过利用度量数据分析的标准工具，倡导利用学习到的图形级、相似性保留嵌入进行脑网络分析的前景。索引术语 Ð脑连接组学、图形表示学习、孪生网络、图形卷积网络。
格拉斯曼形状表示法在空气动力学中的应用：预印本
本文部分内容由美国国家可再生能源实验室撰写，该实验室由可持续能源联盟有限责任公司为美国能源部 (DOE) 运营，合同编号为 DE-AC36-08GO28308。本文部分内容由美国高级研究计划局能源部 (ARPA-E) 设计智能促进大幅节能减排和实现全新、极具影响力的先进技术增强 (DIFFERENTIATE) 计划提供资金。本文表达的观点不一定代表美国能源部或美国政府的观点。美国政府保留；且出版商在接受发表本文时，即承认美国政府保留非独占、已付费、不可撤销的全球许可，可以出于美国政府目的出版或复制本文的已出版形式，或允许他人这样做。
熟悉度对音乐和语言神经表征的影响
音乐和语言能力密切相关。在感官层面，音乐和语言都涉及以结构上有意义的方式排列的声学刺激。例如，两者都涉及小单元（音符或单词），这些单元使用特定规则组合起来以创建更大的单元（旋律/歌曲和句子/故事）。从认知上讲，对音乐和语言的理解涉及对一系列声音中接下来的内容产生期望（Patel，2008），使用学习规则（例如语法）来解释输入（Jackendoff，2009；Jackendoff & Lerdahl，2006），并且需要使用记忆（Zatorre & Gandour，2008；Daneman & Merikle，1996）。尽管它们依赖于相似的过程，但有证据表明音乐和语言既涉及重叠的网络，也涉及不同的网络。感知音乐和语言会激活重叠的大脑网络。 EEG 数据显示，在认知处理的早期阶段（在感知声音后的最初 300 – 500 毫秒内；Gordon、Schön、Magne、Astésano 和 Besson，2010 年），fMRI 研究为解剖学上相似的网络提供了证据。例如，已知布罗卡区、颞上沟、颞上回、岛叶和额极参与了语言网络，这些区域在音乐处理中也很活跃（Hymers 等人，2015 年；Merrill 等人，2012 年；Schön
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
人工智能中不确定性的表现：超越概率和可能性
统计推断证据范式的扩展，而 Shafer 将这些上限和下限概率解释为可信度和信念函数，而不参考具有一对多映射的底层概率空间。这样获得的方法被 Shafer 称为证据理论。它专门用于表示和合并不可靠的证据。相反，由于对随机变量的观察不完整，Dempster 设置中的上限和下限概率也可能模拟未知的概率。第二个想法是使用（凸）概率集，要么是因为统计模型不为人所知，要么是因为生成主观概率的通常协议发生了改变，承认与风险事件相关的彩票的买卖价格可能不同。后者是沃利低预测和不精确概率理论的基础。事实证明，沃利的框架在数学上比 Dempster-Shafer 理论更通用。本章介绍了贝叶斯概率论的这些概括。
负面情绪的常见和特定刺激类型的大脑表征
情感是大脑功能的一个基本属性。感官刺激的享乐品质和动机相关性决定了大脑对感官线索的反应强度并推动学习 1、2。人们投入了大量注意力来理解情感如何影响行为以及如何在精神病理学和神经系统疾病中受到干扰，但人们对情感过程本身的神经结构知之甚少——它们如何在大脑中呈现，以及它们是否收敛于价值的广义（共同）表征。情感体验通常根据“核心”维度效价和唤醒 3、4 或趋近-回避倾向 5 来定义，隐含地假设刺激类型之间存在一定程度的可互换性。神经经济学理论假设价值存在一种“共同货币” 6、7，即来自不同强化物的信号被整合成一个共同的表征，从而影响决策和行为。这些想法影响了临床研究。例如，情绪面部表情通常用作临床条件下负面影响的探针 8、9。同样，疼痛神经影像学集中在几种类型的刺激上，最常见的是热量，作为一般疼痛敏感性的探针 10。如果不同类型的情感刺激可以互换使用，任何厌恶刺激都可能适合探测“负面影响”系统（例如，由国立卫生研究院 (NIH) 研究领域标准 11 定义的）。如果不能，可能会错过重要的基础和临床效果，例如，如果使用的刺激类型与所研究的效果或人群无关。情感理论和学习、预测编码和主动推理的计算描述可能需要扩展到解释强化物特定和刺激类型特定的大脑过程 12。共享神经表征的证据是混合的。一方面，动物研究已经确定了情感的跨模态编码
量子天线系统的基本时空表示
摘要：我们利用相对论量子力学来开发通用量子场论基础，适用于理解、分析和设计通用量子天线，以用于安全量子通信系统和其他应用。本文将量子天线视为能够产生我们称之为“量子辐射”的抽象源系统。我们从通用相对论框架出发，其中量子天线系统以基本量子时空场建模。在开发一个框架来解释如何使用微扰相对论量子场论 (QFT) 的方法理解量子辐射之后，我们深入研究了受控抽象源函数的量子辐射问题。我们在中性 Klein-Gordon 线性量子天线的情况下说明了该理论，概述了构建源 - 接收器量子天线系统格林函数的一般方法，后者可用于计算各种候选角量子辐射方向性和增益模式，类似于经典天线理论中的相应概念。我们预计，所提出的形式体系可能会得到扩展，以处理量子通信应用中大量其他可能的受控辐射类型，例如标量、费米子和玻色子粒子的产生，其中每种粒子都可能是无质量的，也可能是质量的。因此，我们的目标是将天线的概念扩展到电磁波之外，现在我们提出的基于 QFT 的量子天线系统概念可用于探索任何类型的相对论粒子的受控辐射场景，即通过部署新的非标准量子信息传输载体（如质量光子、自旋 1/2 粒子、引力子、反粒子、高自旋粒子等），有效地超越众所周知的光子系统的情况。
表征大脑中的动态单词含义表示
单词含义不仅仅是字典中的条目。它涉及大量的知识，这些知识将人们遇到的场景和经历（即，丰富的百科全书知识）（即适当地适用这个词（即男孩很生气），其他单词的组合以及词出现的语法结构。单词的含义因情况而异以及使用上下文各不相同。例如，用来描述蚊子，鲸鱼或行星时，“小”一词意味着不同的东西。与小小相关的属性在上下文依赖性方面有所不同：有必要知道单词的含义，但也必须知道所使用的上下文，以及如何结合单词以构建含义（Medin＆Shoben，1988）。
具有隐式量化表示的样品有效的增强学习
Aidan Scannell，Mohammadreza Nakhaei，KalleKujanpää，Yi Zhao，Kevin Luck，Arno Solin，Joni Pajarinen