XiaoMi-AI文件搜索系统
World File Search Systemtasks
在主观学习任务中捕获众包注释者的观点
监督分类在很大程度上取决于人类注释的数据集。然而，在诸如毒性分类之类的主观任务中，这些注释通常在评估者之间表现出较低的一致性。注释通常是通过采用多数投票来确定单个地面真相标签的方法来汇总的。在主观任务中，汇总标签将导致标签有偏见，并且会导致有偏见的模型，这些模型可以忽略次要意见。先前的研究已经阐明了标签聚合的陷阱，并引入了一些解决这个问题的实用方法。最近提出的多种注释模型，该模型可以预测每个注释者的个体标签，因此很容易受到样本很少的注释者的不良确定。此问题在众包数据集中加剧了。在这项工作中，我们为主观分类任务的文本（AART）提出了注释者意识表示表示。我们的方法涉及注释者的学习表示，允许探索注释行为。我们展示了我们对指标方法的改进，这些指标评估了限制单个注释者观点的绩效。在方面，我们证明了与Others相比，评估环境化注释者的模型公平性的公平指标。1
不可观察的蒙特卡洛计划非骚扰重排任务
摘要 - 在这项工作中，我们提出了一位用于创建开环轨迹的计划者，该轨迹可以使用非恐怖分子的方法来解决不确定性下的重排计划问题。我们首先将蒙特卡洛树搜索算法扩展到了不可观察的域。然后，我们提出了两项默认政策，使我们能够快速确定实现目标的潜力，同时考虑到重新安排计划至关重要的联系。第一个策略使用从一组用户演示中生成的学习模型。可以快速查询此模型的一系列动作，这些操作试图创建与对象并实现目标。第二策略在全州空间的子空间中使用了启发式指导计划者。使用这些目标知情政策，我们能够快速找到该问题的初始解决方案，然后在时间允许的情况下不断地重新填充解决方案。我们在桌子上的7个自由度操纵器移动对象上演示了我们的算法。
家庭服务计划计划，目标和任务审查
护理人员同意，由于孩子的体重减轻和嗜睡，当天将孩子带到儿科医生。儿科医生告诉看护人，孩子需要带到急诊室。儿童福利专业人员将照顾者和儿童带到医院，由于脱水和营养不良，该儿童被接纳。在医院期间确保了孩子的安全；但是，儿童福利专业人员立即需要制定计划，以确保从医院释放儿童的安全。儿童福利专业人士与照料者进行了交谈，并确定了家庭支持。看护人的姐姐得知她和孩子的处境同意让孩子与她一起出院后与她同住。孩子的姑姑可以确保孩子接受适当的营养，良好的检查，并安全地留在她的家中。制定了一个正式的安全计划，以包括阿姨。
青春期早期的任务（10 - 14岁）
适应新的自我年轻青少年的身体意识，经历了在其身体不同部位作用的激素触发的快速而深刻的身体变化。在青春期初期包括：▪快速的身体生长和身体变化。▪骨骼，肌肉和器官的生长不均匀，有时会导致尴尬的外观。▪频繁的疲劳感。▪对身体形象的强烈关注；可能对成长有自我意识。▪担心正常，而同行通常被视为标准。根据他们在青春期所经历的重大变化，适应性成熟的身体和感受，青年必须适应性适应并建立性认同感。这包括结合性别认同感；建立有关性行为的价值观；并发展浪漫关系的技能。青春期早期：▪分配女性出生时（AFAB）的个人通常比出生时分配的男性早（AMAB）早。▪所有性别的年轻人都会感到害羞，脸红，谦虚感和对隐私的兴趣。▪个人经历了新兴的性感觉和探索。▪正常行为包括对自己的身体进行实验（手淫）。▪担心正常情况是正常的。▪与潜在的浪漫伴侣接触，发生在朋友团体中。
绘制人机文本共同创作任务中交互的设计空间
大型语言模型 (LLM)，例如生成式预训练 Transformer 3 (GPT-3) [ 3 ]，因其生成文本内容的能力而引起了研究人员和从业人员的极大关注。ChatGPT 1 的迅速成功——推出仅两个月后月活跃用户就达到 1 亿，创下了历史上增长最快的消费者应用记录 2——不仅凸显了生成式 AI 在生成精确和个性化文本内容方面的潜力和能力，而且凸显了界面和交互在与 AI 通信中的关键作用。由于 ChatGPT 是针对对话任务进行了微调的 GPT-3 变体，因此技术基础保持相似；相反，主要区别似乎是人机交互范式的转变，
Cockusbrain ++：知识密集型语言任务的连续生成培训框架
知识密集型语言任务（kilts）通常需要从可信赖的语料库中检索相关文档，例如Wikipedia，以产生特定的答案。最近，提出了一个名为Copusbrain的苏格兰语的预训练的生成检索模型，并提出了新的最先进的检索性能。然而，包括苏格兰短裙在内的大多数现有研究，包括科班班，主要集中在静态文档收集上，俯瞰了现实世界情景的动态性质，在这些情况下，将不断地将新文档纳入源语料库中。为了解决这一差距，探索检索模型有效处理苏格兰短裙中固有的动态检索方案的能力至关重要。在这项工作中，我们首先介绍了苏格兰短裙的持续文档学习（CDL）任务，并根据原始的kilt数据集构建一个名为Kilt ++的新颖基准数据集进行评估。然后，我们对在KILT ++上使用预训练的团体的使用进行了全面的研究。与固定场景中的有希望的结果不同，科体易于在动态场景中灾难性遗忘，因此阻碍了检索性能。为了减轻此问题，我们提出了Copusbrain ++，这是一个持续的生成预训练框架，在两个关键方面增强了原始模型：（i）我们采用骨干装置体系结构：通过任务特定的任务预训练的预先训练目标，为每个下游KILT学习了动态适配器；任务共享的骨干参数保持不变，以提供基础检索能力。（ii）我们利用基于类似于新文档的示例文档的经验重播策略，以防止灾难性忘记旧文档。经验结果证明了与传统和生成IR方法相比，Copusbrain ++的显着有效性和出色的效率。
受大脑启发的预测编码提高了机器挑战性任务的性能
反向传播被认为是训练人工神经网络最有利的算法。然而，由于其学习机制与人脑相矛盾，反向传播因其生物学上的不合理性而受到批评。尽管反向传播在各种机器学习应用中取得了超人的表现，但它在特定任务中的表现往往有限。我们将此类任务统称为机器挑战任务 (MCT)，旨在研究增强 MCT 机器学习的方法。具体来说，我们从一个自然的问题开始：模仿人脑的学习机制能否提高 MCT 的性能？我们假设，复制人脑的学习机制对于机器智能难以完成的任务是有效的。使用预测编码（一种比反向传播更具生物学合理性的学习算法）进行了多个对应于特定类型的 MCT 的实验，其中机器智能有提高性能的空间。本研究将增量学习、长尾和小样本识别视为代表性的 MCT。通过大量实验，我们检验了预测编码的有效性，它对 MCT 的表现远优于反向传播训练的网络。我们证明了基于预测编码的增量学习可以减轻灾难性遗忘的影响。接下来，基于预测编码的学习可以减轻长尾识别中的分类偏差。最后，我们验证了用预测编码训练的网络可以用少量样本正确预测相应的目标。我们通过将预测编码网络的特性与人脑的特性进行比较并讨论预测编码网络在一般机器学习中的潜力来分析实验结果。
用于药物安全相关分类任务的机器学习模型
摘要 在本综述中，我们概述了过去六年（2015-2021 年）与 ADME（吸收、分布、代谢和排泄）和毒性终点相关的机器学习驱动分类研究领域的最新趋势。该研究仅关注具有大型数据集（即超过一千种化合物）的分类模型。针对九个不同的目标进行了全面的文献检索和荟萃分析：hERG 介导的心脏毒性、血脑屏障穿透、通透性糖蛋白 (P-gp) 底物/抑制剂、细胞色素 P450 酶家族、急性口服毒性、致突变性、致癌性、呼吸毒性和刺激/腐蚀。最佳分类模型的比较旨在揭示机器学习算法和建模类型、端点特定性能、数据集大小和不同验证协议之间的差异。根据对数据的评估，我们可以说基于树的算法（仍然）占据主导地位，共识建模在药物安全性预测中正成为一种日益增长的趋势。尽管人们已经可以找到对 hERG 介导的心脏毒性和细胞色素 P450 酶家族同工酶表现出色的分类模型，但这些目标仍然是 ADMET 相关研究工作的核心。
chatnt：DNA，RNA和蛋白质任务的多模式对话剂
语言模型正在蓬勃发展，为对话剂提供动力，这些对话代理有助于并授权人类解决许多任务。最近，这些模型被扩展为支持其他方式，包括视觉，音频和视频，展示了包括医疗保健在内的多个领域的令人印象深刻的功能。仍然，由于无法完全理解生物学序列，因此会话剂在生物学上仍然有限。另一方面，生物学序列的高性能基础模型是通过对测序数据的自学构建的，但是对于每个特定应用程序，必须对这些模型进行微调，以防止任务之间传递和概括。此外，这些模型不是对话式的，将其效用限制在具有编码功能的用户中。在本文中，我们建议通过引入CHATNT，这是对生物学序列具有深入了解的第一个多模式对话剂，来弥合生物学基础模型与对话剂之间的差距。chatnt在核苷酸变压器基准上实现了新的最新结果，同时能够一次以英语解决所有任务，并概括地看不到问题。此外，我们还策划了一组来自DNA，RNA和蛋白质的更具生物学相关的指令任务，这些任务涵盖了多种物种，组织和生物学过程。ChatNT与这些任务的最先进的专业方法达到表现。我们还提出了一种基于困惑的新技术，以帮助校准我们的模型预测的信心。结构，成像），使其成为生物学广泛适用的工具。我们的基因组学指导框架可以很容易地扩展到更多的任务和生物数据模式（例如chatnt是同类模型的第一个模型，它构成了迈向建立能力的代理的第一步，这些代理可以从第一原理中了解生物学，同时又可以被没有编码背景的用户访问。