XiaoMi-AI文件搜索系统
World File Search Systemstatement
研究声明
许多行业正在进行数字化转型，并且在日常生活的几乎所有方面，包括关键的基础设施和业务运营，软件系统已经无处不在。这是由人工智能（AI）和机器学习（ML）技术的成功所推动的，这使他们渴望将它们部署在一般软件开发中。但是，软件和AI系统的广泛采用也意味着我们越来越依赖它们固有的正确性和安全性。这是由安全的关键应用（例如自动关键基础架构，自动驾驶，医疗保健或数字融资）突出的，在这里必须确保软件和AI系统的正确性，因为不正确的行为会导致致命后果。我的研究关注的是帮助程序员确保软件和AI系统正确，安全和值得信赖。为此，我研究了正式方法及其在程序分析和验证中的应用，以及值得信赖的AI和安全的自主权。我工作的长期目标是提高可信赖软件和AI的形式方法的理论和自动化，尤其是在存在概率不确定性的情况下。我工作中的两个指导原则是数学上严格的正确性保证和完全自动化的。经典的形式方法在推理确定性系统的推理方面取得了令人印象深刻的结果，并就该系统是否满足感兴趣的某些属性提供了答案。满足某些属性或平均案例的概率（即预期）行为。但是，由于多种原因，包括与未知或嘈杂环境的相互作用，数据，随机化，过程交织或多代理系统的推断，软件和AI系统的不确定性可能出现。在存在不确定性的情况下，系统的行为不再是确定性的，它们的分析需要对例如我的研究目标是为概率系统的自动形式推理的理论和算法基础做出贡献。我工作的长期视野是使适用于当前适用于非概率系统的相同级别和规模的概率系统的形式方法，从而使软件和AI系统在存在概率不确定的情况下更加安全，稳健和可信赖。
研究声明
机器学习（ML）正在从研究发展到现实世界的过程中改变了社会。可能会带来巨大的收益，但是在这种用途的公平性上也存在重大关注：不同的绩效，不公平的工作否认，刻板印象的搜索结果等等。到目前为止，我们倾向于在平等方面考虑公平性，这在数学上很方便地制定（例如，作为整个组的平等精度率）。但是，我相信我们现在需要更靠近公平，并认识到不同的人在不平等的情况下需要不同的需求。公平性作为公平性说明社会背景和历史不公正，因此在机器学习模型中量化和运作更加困难。，我们这样做至关重要，在我的工作中，我利用我的技术专长来以在现实世界中更好地实现这些规范性问题来互动这些规范性问题。我这样做是：（1）通过询问规范假设背后的道德问题来重新定位技术ML研究； （2）在计算机科学之外的学科中基础技术工作，例如心理学，具有悠久的研究不平等和伤害的历史； （3）面对研究中出现的实际问题。我因此使用我的技术专长与计算机科学家，社会科学家和现实世界从业者的工作互动，以开发现实且有影响力的ML公平干预措施。
研究声明
•具有以对象为中心的空间关注的表示形式：我们开发了新的视觉语言代表2; 3; 3允许轻松推断和向机器人提供有关其进度（“值函数”）向图像或语言目标的反馈，例如“将碗放在盘式架上”。使用离线增强学习4在人类视频上进行培训，允许在诸如厨房之类的真实环境中转移到机器人操作中。并联，我们已经建立了一个预先培训的对象无监督的代表，这些家族在许多粒度上捕获场景，允许下游演员动态组装与任务相关的最小表现，以使学习者能够更好地参加与任务相关的clutter and niffers tribles trimpers trimpers trains nibers trains trains nibers trains nraber nibers niber sribly nraiss nraby n traise n d – 9：e.g.，我们，我们可以启动。分类时间是执行复杂的任务，例如涉及分步食谱的“煮茄子”。•暂时关注决策和学习：代表的下游，决策可以受益于在任务学习和执行过程中对关键瞬间的选择性关注。在预测和计划中趋向于未来的关键事件10; 11和空间区域12减轻复合错误，改善图像目标达到任务绩效，并更好地转移给新机器人。对于实时动态任务，例如在杂乱的设置中移动对象抓住对象，我们已经成功训练了元控制器，这些元控制器动态确定计划执行13之前要做的“计划”（地平线和计算时间）要做。一个机器人可以通过首先学习如何检查是否紧绷来学习如何拧紧螺钉。适用于过去的经验，时间关注改善动态模型和政策学习4; 14-16：例如，当培训专注于机器人在其不久的将来最有可能经历的经验类型时，在增强学习中学习的动态模型会更好地工作。15。•细心的传感和探索：传感也带来了权衡：传感器调解可用机器人的所有环境信息，但需要资源成本。我们已经训练了机器人，从战略上通过主动传感和探索来感知任务相关信息17-22：我们已经展示了机器人如何通过这种互动23来自我评估他们的任务进展，以通过加强学习来改善自己（最佳纸张奖，CORL 2022）；例如一旦培训了政策，就不再需要支票政策及其额外费用。通过掌握的这种效率提高了效率，也可以通过其他方式实现：我们已经证明，在训练时，机器人可以通过巧妙利用访问“特权”传感器的访问来学习从更少的感觉输入24中进行操作。我们现在正在研究机器人学习者的感官需求的基础：例如，我们已经表明，在部分可观察性下基于模型的控制的基本限制也预测了学识渊博的机器人策略的难度和样本复杂性25。
Yao Xie（她/她/她）研究声明
我的研究在于通过工程问题引起的统计，优化和机器学习的交集。我探索了理论和应用方面，并通过与域专家进行密切互动，在实际数据应用程序上进行了广泛的工作。在方法论开发方面，我的重点一直在设计算法上，这些算法不仅是计算机上有效的，而且在统计上是原则性的，提供了可靠的保证。i强调严格的数学分析，以建立理论属性并保证误差界限，类似复杂性和不确定性定量，并在可能的情况下努力最佳。我正在积极地将统计推断（例如假设检验和不确定性量化）与当代机器学习技术整合在一起。这种集成旨在为可信赖和可解释的机器学习奠定统计基础。在针对实际应用时，我的目标是使用数据来解决有影响力的社会问题。我的研究议程具有凝聚力，具有互连的主题，如下所述。
媒体声明
电力和能源部长 Kgosientsho Ramokgopa 博士宣布在可再生能源独立电力生产商采购计划 (REIPPPP) 投标窗口 7 下任命 8 (八) 名首选投标人，总合同容量为 1760 兆瓦，并在电池储能独立电力生产商采购计划 (BESIPPPP) 投标窗口 2 下任命另外 8 (八) 名首选投标人。两个投标窗口均于 2023 年 12 月 14 日投放市场，投标于 2024 年 8 月收到。独立投标评估委员会在 IPP 办公室的严格安全措施下进行了为期 3 个月的评估。 REIPPPP 投标窗口 7 REIPPPP 的第七个投标窗口（REIPPPP BW 7）旨在促进采购高达 5 000 MW 的可再生能源容量，包括 1 800 MW 太阳能光伏和 3 200 MW 陆上风电容量。该部门于 2024 年 8 月 15 日共收到 48 份投标回应，总计超过 10,2GW，其中包括四十 (40) 份太阳能光伏项目和八 (8) 份陆上风电项目。经过独立评估，三十 (30) 个太阳能光伏项目和 4 (4) 个陆上风电项目被评估为符合建议书征求书 (RFP) 的要求。其中，8 (8) 个太阳能光伏项目，总计 1 760MW，已被任命为 REIPPPP 投标窗口 7 的首选投标人。八位首选投标人如下：
