XiaoMi-AI文件搜索系统
World File Search Systemrepresentations
信息完备测量与量子理论的最佳表示
我要衷心感谢我的导师兼朋友 Christopher Fuchs，感谢他让我取得了这一成就。我从未见过像 Chris 这样对物理和哲学有敏锐直觉的人；这种直觉一直让我着迷，并继续激励着我。从五年前的第一天起，Chris 就孜孜不倦地为我寻找机会，为我工作。如果没有人取代他，我就不会取得今天的成就。特别感谢 Blake Stacey，他也一直陪伴着我。Blake 是一个了不起的人，是我最亲密的朋友之一，也是我最经常的合作者。他知识的深度和广度总是让我惊叹不已。还要特别感谢我的家人，特别是我的父母 David 和 Erin De-Brota。我有幸拥有一对非常优秀、支持我的父母。在每一个转折点，他们都确保我能追随自己的激情。我感谢 QBists 和 QBissels、Marcus Appleby、Gabriela Baretto Lemos、Jacques Pienaar 和 Rüdiger Schack 和我一起讨论、喝酒、开玩笑、徒步旅行和陪伴。他们每个人都极大地塑造了我的世界观。在研究生院学习期间，以下团体和个人对我的生活产生了重大影响。他们都以某种方式促成了这篇论文的完成。我感谢：Glütenhäus、Jeffrey La、Kathryn Hausler 和 Talena Gandy。我的攀岩朋友 Adrian Collado、Mario Esquivel、Mike Fannon、Sam Lee、Carmelo Locurto、Benjamin Murphy、AJ Pualani、Dan Stuligross、Eric Wong 以及他们每个人的家人。马萨诸塞大学的朋友 Benjamin Cruikshank、Vanja Dunjko、Jake Golde、Zai Hwang、Ian Mulligan 和 Joanna Ruhl。周边朋友尼克·怀特和张书一。 Harald Atmanspacher、Ingemar Bengtsson、Florian Boge、Irina-Mihaela Dumitru、David Glick、Richard Healey、Jan-Åke Larsson、Gustavo Rodrigues Rocha、Thomas Ryckman 和 Christopher Timpson。
玩转智能：人工智能在电子游戏中的表现和用途
摘要 电脑游戏吸收并扩展了传统的技术和人工智能 (AI) 论述。此外，电脑游戏中的 AI 表现不仅包括叙事方面，还包括游戏机制。本文重点介绍这种 AI 表现与其他媒体形式的区别，以及如何在电脑游戏领域识别不同类型的 AI 表现。总体而言，AI 的表现使游戏玩法所暗示的特定方面和意识形态变得可见。从这个角度来看，概述了这些表现如何发挥作用，无论是作为对自我赋权幻想的支持还是作为对媒体决定的强调；此外，还强调了在这种背景下提供的文化功能和含义。
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。
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。
对 PR24 Frontier Shift 公司陈述的回应
Europe Economics 利用人工智能来提升其为客户所做工作的价值。Europe Economics 可能已使用 OpenAI 的大规模语言生成模型 GPT-4o 生成了本报告中的某些文本。在生成草稿语言后，Europe Economics 会审查、编辑和修改文本。Europe Economics 在英格兰注册，注册号为 3477100。注册办事处位于 Holborn Gate, 330 High Holborn, London WC1V 7QH。尽管已尽一切努力确保本报告所含信息/材料的准确性，但 Europe Economics 对报告中提供的信息/分析的准确性、完整性或最新性不承担任何责任，也不提供任何保证、承诺或担保，也不承担因任何错误或遗漏而产生的任何责任。© Europe Economics。保留所有权利。除出于批评或评论目的引用短文外，未经许可不得使用或复制任何部分。
LGGNet：从脑机接口的局部-全局图表征中学习
摘要 — 神经心理学研究表明，不同大脑功能区域之间的合作活动推动了高级认知过程。为了了解大脑不同功能区域内和之间的大脑活动，我们提出了一种新型神经学启发式图神经网络 LGGNet，用于学习脑机接口 (BCI) 的脑电图 (EEG) 的局部-全局图表示。LGGNet 的输入层由一系列具有多尺度 1D 卷积核和内核级注意力融合的时间卷积组成。它捕获 EEG 的时间动态，然后将其作为所提出的局部和全局图过滤层的输入。LGGNet 使用一组定义的具有神经生理学意义的局部和全局图，对大脑功能区域内和之间的复杂关系进行建模。在稳健的嵌套交叉验证设置下，在三个公开可用的数据集上对四类认知分类任务（即注意力、疲劳、情绪和偏好分类任务）评估了所提出的方法。 LGGNet 与 DeepConvNet、EEGNet、R2G-STNN、TSception、RGNN、AMCNN-DGCN、HRNN 和 GraphNet 等最先进的方法进行了比较。结果表明，LGGNet 的表现优于这些方法，并且在大多数情况下，改进具有统计意义（p < 0.05）。结果表明，将神经科学先验知识引入神经网络设计可以提高分类性能。源代码可以在 https://github.com/yi-ding-cs/LGG 找到
基于内容和知识丰富的跨模态分类表征：一项调查
本综述记录了跨不同模态分类的表示方法，从纯粹基于内容的方法到利用外部结构化知识源的技术。我们介绍了与用于表示的三种范式相关的研究，即（a）低级模板匹配方法，（b）基于聚合的方法，和（c）深度表示学习系统。然后，我们描述现有的结构知识资源，并阐述使用此类信息丰富表示的必要性。接下来介绍利用知识资源的方法，根据如何利用外部信息进行组织，即（a）输入丰富和修改，（b）基于知识的细化和（c）端到端知识感知系统。随后，我们将进行高层次的讨论，总结和比较所提出的表示/丰富范式的优缺点，并在综述结束时概述相关研究成果和未来工作的可能方向。
四肢瘫痪的人保留了皮质躯体和运动表征
摘要 大量文献记录了躯体感觉和运动皮层中身体皮层表征的变化。最近，为帮助瘫痪患者而设计的脑机接口临床研究提供了记录和刺激人类后顶叶皮层躯体感觉、运动和动作相关区域的机会。这些研究表明，皮层躯体运动系统的结构得到了相当大的保留。运动皮层可以立即控制辅助设备，刺激躯体感觉皮层会在有序的躯体位置图中产生感觉，后顶叶皮层显示出认知动作变量的高维表征。这些结果与健康受试者的预期结果惊人地相似，表明成人皮层即使在严重受伤后也具有相当大的稳定性，尽管同一皮层区域内可能因可塑性而产生新的激活。从临床上讲，这些结果强调了针对皮层区域发送与其正常功能作用一致的 BMI 控制信号的重要性。
DeepSeq2：利用解缠表征增强序贯电路学习
电路表征学习在电子设计自动化 (EDA) 中越来越重要，它通过提高模型效率和准确性为各种下游任务提供服务。一项值得注意的工作 DeepSeq 通过对时间相关性进行编码开创了顺序电路学习。然而，它存在重大限制，包括执行时间延长和架构效率低下。为了解决这些问题，我们引入了 DeepSeq2，这是一个增强顺序电路学习的新框架，通过创新地将其映射到三个不同的嵌入空间——结构、功能和顺序行为——从而允许更细致的表征来捕捉电路动态的固有复杂性。通过采用高效的有向无环图神经网络 (DAG-GNN) 来绕过 DeepSeq 中使用的递归传播，DeepSeq2 显著缩短了执行时间并提高了模型的可扩展性。此外，DeepSeq2 采用了独特的监督机制，可以更有效地捕捉电路内的过渡行为。 DeepSeq2 在序贯电路表示学习中树立了新的基准，在功率估计和可靠性分析方面的表现优于之前的研究。
玩转智能：人工智能在电子游戏中的表现和用途
摘要 电脑游戏吸收并扩展了传统的技术和人工智能 (AI) 论述。此外，电脑游戏中的 AI 表现不仅包括叙事方面，还包括游戏机制。本文重点介绍这种 AI 表现与其他媒体形式的区别，以及如何在电脑游戏领域识别不同类型的 AI 表现。总体而言，AI 的表现使游戏玩法所暗示的特定方面和意识形态变得可见。从这个角度来看，概述了这些表现如何发挥作用，无论是作为对自我赋权幻想的支持还是作为对媒体决定的强调；此外，还强调了在这种背景下提供的文化功能和含义。