XiaoMi-AI文件搜索系统
World File Search Systemsoni
Baobab树皮纤维（Adansonia digitata）和竹纤维（Bambusa vulgaris）的开发和表征
摘要：本研究研究了氯化氯化物（PVC）复合材料的机械性能，吸水行为和纤维 - 矩阵相互作用，该复合材料用Baobab树皮和竹纤维增强。使用液含水，机械加工并用氢氧化钠（NaOH）处理纤维以增强其表面特性。压缩成型用于制造复合材料。拉伸测试结果显示，纤维负荷的拉伸强度和弹性模量的增加，在20 wt％纤维载荷下达到峰值（分别为30.40 MPa和286.20 MPa）。除此之外，进一步的纤维载荷导致两种特性的下降。冲击强度随较高的纤维含量而增加，最高能量吸收为10/90 wt％。硬度稳定增加，在40/60的组成比下为64.28 hv峰值，但以50/50的比例降低。随着Baobab树皮纤维含量的增加，弯曲强度降低，最高强度（28.28 MPa）以20/80的组成比。在50 wt％纤维含量下的吸水最高，在10 wt％时最低，纤维浓度较低，导致PVC矩阵更好地封装。结果强调了纤维组成与机械性能之间的复杂关系，从而提供了为特定应用优化纤维负载的见解。关键字：聚氯乙烯（PVC）复合材料； Baobab树皮纤维；机械性能；吸水； Fibre-Matrix相互作用
多阶段推理：解锁认知自主权...
如前所述，依靠静态预训练数据完成任务的体系结构缺乏集成跨模式数据的能力（Ye等，2023）。当人形机器人处理听力，触摸或反应不一致时，这直接引起语义歧义（Pramanick＆Rossi，2024）。尽管某些研究尝试了多模式融合技术，但进展仍然有限，不足以为人形机器人提供与人类相同的适应能力（Yuan等，2024）。为了解决这一差距，这项研究提出了一个多幕科推理体系结构作为创新解决方案。它旨在利用多幕科推理来优化类人类机器人在当前技术缺点基于视觉，听觉和触觉数据的跨模式中认知自主权的关键挑战。
使用超声传感器在车辆中警报系统-IJRPR
车辆中的障碍物检测依赖于高级传感器技术来识别和监视车辆周围环境中的对象，从而提高安全性并启用诸如自主驾驶之类的功能。关键传感器包括超声波传感器，这些传感器使用声波进行短距离检测和雷达（即使在不利的天气条件下，也采用了中等至远程障碍物识别的无线电波。LIDAR使用激光脉冲创建精确的3D地图，提供高精度，但成本更高。摄像机捕获视觉数据，以识别对象识别和上下文理解，尽管它们的效果可能会下降较差的照明或天气。红外传感器检测热签名，帮助夜视和行人检测。现代车辆通过传感器融合整合了这些技术，结合了来自多个来源的数据，以提供全面可靠的环境视图。应用程序包括用于避免碰撞的高级驾驶员辅助系统（ADA），自动化紧急制动和自动导航。尽管诸如不利条件下传感器限制以及高度计算需求的挑战，但AI的进步，成本效益的LIDAR和车辆到所有设施（V2X）的通信正在推动障碍物检测系统的未来，使车辆更加明智，更安全。
通过角色的选择和价值 - 信念 - 态度推理使大型语言模型与人类的意见结盟
用大语言模型（LLM）推理和预测人类意见是必不可少的但具有挑战性的。当前的方法采用角色扮演的角色，但面对两个主要措施：LLMS甚至对一个无关的角色也很敏感，最多可以改变预期的30％； LLM无法战略性地推理人类。我们提出了开场链（COO 1），这是一种简单的四步解决方案建模，如何用personae推理，由价值 - 宽容 - 态度（VBN）the-Ory进行推理。COO将明确的人（人口统计学和意识形态）和卑鄙的人物（历史观点）区分了：（1）将无关的属性与显式人物过滤； （2）将隐式人物排名为选择top-k的优先列表； （3）提出新颖的VBN推理，以提取用户的环境和个人价值，信念和规范变量，以进行准确可靠的预测； （4）迭代VBN推理，并逐渐更大的隐式角色列表来处理潜在的角色不足。COO通过仅提示5个推论呼叫来有效地实现新的最新观点预测，从而将先前的技术提高了多达4％。值得注意的是，通过COO的数据进行微调LMS导致观点一致的模型明显高达23％。
联邦学习遭受攻击：通过计算机网络中的数据中毒攻击暴露漏洞
摘要 — 联邦学习是一种使多个设备能够共同训练共享模型而不共享原始数据的方法，从而保护数据隐私。然而，联邦学习系统在训练和更新阶段容易受到数据中毒攻击。使用 CIC 和 UNSW 数据集，在十分之一的客户端的 FL 模型上测试了三种数据中毒攻击 - 标签翻转、特征中毒和 VagueGAN。对于标签翻转，我们随机修改良性数据的标签；对于特征中毒，我们改变随机森林技术识别出的具有高度影响力的特征；对于 VagueGAN，我们使用生成对抗网络生成对抗样本。对抗样本只占每个数据集的一小部分。在本研究中，我们改变了攻击者修改数据集的百分比，以观察它们对客户端和服务器端的影响。实验结果表明，标签翻转和 VagueGAN 攻击不会显著影响服务器准确性，因为它们很容易被服务器检测到。相比之下，特征中毒攻击会巧妙地削弱模型性能，同时保持较高的准确率和攻击成功率，凸显了其隐蔽性和有效性。因此，特征中毒攻击可以操纵服务器，而不会显著降低模型准确率，这凸显了联邦学习系统面对此类复杂攻击的脆弱性。为了缓解这些漏洞，我们探索了一种名为“随机深度特征选择”的最新防御方法，该方法在训练期间将服务器特征随机化为不同大小（例如 50 和 400）。事实证明，该策略在最大程度地降低此类攻击的影响（尤其是在特征中毒方面）方面非常有效。
ARGMED-AGENT：通过论证方案解散的解释临床决策推理
摘要 - 在临床推理中使用大型语言模型（LLM）有两个主要障碍。首先，尽管LLM在自然语言处理（NLP）任务中表现出巨大的希望，但它们在复杂的推理和计划中的表现却没有期望。其次，LLM使用不可解释的方法来做出与临床医生的认知过程根本不同的临床决策。这导致用户不信任。在本文中，我们提出了一个称为argdrestents的多代理框架，该框架旨在使基于LLM的代理通过互动来解释临床决策推理。Argmed-通过论证方案进行临床讨论（一种用于建模临床推理中认知过程的推理机制），然后将论证过程构造为对有冲突关系的指示图构建论证过程。最终，使用符号求解器来确定一系列理性和连贯的论点来支持决策。我们构建了一个正式的Argmed代理模型，并为理论保证提供了当前的猜想。Argmed-Agents使LLM可以通过以自定向方式产生推理的解释来模仿临床论证推理的过程。设置实验表明，与其他及时方法相比，Argsments不仅提高了复杂的临床决策推理问题的准确性，而且更重要的是，它为用户提供了提高其信心的决策解释。索引术语 - 临床决策支持，大语言模型，多代理系统，可解释的AI
查看，比较，决定：通过多视图的多路推理减轻大型视觉模型中的幻觉
最近，大型视觉模型（LVLM）在多模式上下文理解中表现出了令人印象深刻的能力。但是，他们仍然遭受幻觉问题，即与图像内容产生不一致的输出。为了减轻幻觉，先前的研究主要集中于使用自定义数据集对LVLM进行重新培训。al-尽管有效，但它们本质上带有额外的计算成本。在本文中，我们提出了一个无培训的框架MVP，旨在通过通过Multimi-v iew Multi-p ath的理由来减少LVLMS的天生能力来减少幻觉。具体来说，我们首先设计了一种多视图信息寻求信息的策略，以彻底了解IMEAM中的全面信息，该信息丰富了原始愿景编码器在LVLMS中捕获的一般全球信息。此外，在答案解码期间，我们为每种信息视图提出了多路推理，以量化和集结多个解码路径中每个电位的确定性得分，并效法确定输出答案。通过完全掌握图像中的信息，并在解码时仔细考虑了潜在的范围的确定性，我们的MVP可以有效地减少LVLM中的幻觉。广泛的实验证明了我们提出的MVP可以显着减轻四个众所周知的LVLM的幻觉概率。更重要的是，MVP是插件，可以与其他解码方法集成，以进行更多的增强。源代码可在以下网址提供：https：//github.com/gasolsun36/mvp。
亚音单一AFT引擎（SUSAN）系统集成分析与未来飞机尺寸工具（FAST）
NASA提出了亚音速单尾电动发动机概念（SUSAN），以满足对电气化飞机设计的不断增长的需求，这有可能将CO 2排放量减少50％并限制航空的环境影响。苏珊的推进系统由一台涡轮扇发动机和16个分布式电动推进器组成。它被设计为一种商业运输，可容纳180名乘客有效载荷，载有2,500海里，同时以0.785的马赫和37,000英尺的速度巡航Susan的设计包括多种高级技术，例如具有边界层摄入，分布式电气推进系统的单个AFT发动机，以及几个州立电动电动子系统。本文整合了在单个建模和仿真环境中为苏珊开发的各种技术和方法。Susan是使用密歇根大学开发的未来飞机尺寸工具（快速）建模的。使用飞机规格和从文献中收集的设计任务概况，快速评估Susan及其集成技术的系统级别的可行性和性能。引入了其他推进系统和BLI模型，以将Susan的先进技术纳入其设计中。由此产生的Susan型号的MTOW为189,394 lbm，OEW为117,460 lbm，设计任务为30,701 lbm的预测块燃料燃烧。Susan模型的高升力比为20.49，鼓励进一步研究这些高级技术如何降低对控制表面尺寸的依赖并提高飞机总体上的效率。快速预测AFT发动机0.4372 lbm/（LBF·HR）的巡航TSFC，其中包括BLI技术的效果。
大型语言模型推理中动态策略选择的自适应求解器框架
大型语言模型 (LLM) 在处理推理任务方面表现出令人印象深刻的能力。然而，与能够本能地根据任务的复杂性调整问题解决策略的人类不同，大多数基于 LLM 的方法采用一刀切的方法。这些方法采用一致的模型、样本大小、提示方法和问题分解级别，而不管问题的复杂性如何。这些方法的不灵活性会带来不必要的计算开销或次优性能。为了解决这一限制，我们引入了一个自适应求解器 (AS) 框架，该框架可以动态调整解决策略以适应各种问题，从而实现测试时间计算资源的灵活分配。该框架有两个主要模块。初始评估模块使用答案一致性评估当前解决方案的可靠性。如果解决方案被认为不可靠，则后续的适应模块开始发挥作用。在这个模块中，各种类型的适应策略被协同使用。通过这种动态和多方面的适应，我们的框架可以帮助减少计算消耗并提高性能。复杂推理基准的实验结果表明，我们的方法可以在保持原有性能的同时显著降低 API 成本（最高可达 85%）。此外，在相同成本下，与基线相比，其准确率最高可提高 4.5%。代码和数据集可在 https://github.com/john1226966735/Adaptive-Solver 上找到。