XiaoMi-AI文件搜索系统
World File Search Systemtextual
基于大脑激活和上下文信息的驾驶员转弯意图识别模型
像在路口转弯这样的交通状况注定会出现安全关键情况和事故。人为错误是这些情况下发生事故的主要原因之一。识别驾驶员转弯意图的模型可以通过在危险转弯操作之前警告驾驶员或停车来帮助减少事故。大多数旨在预测驾驶员转弯意图概率的模型仅使用上下文信息，例如间隙大小或等待时间。本研究的目的是调查上下文信息和大脑激活测量的结合是否能增强转弯意图的识别。我们进行了驾驶模拟器研究，同时使用高密度 fNIRS 测量大脑激活。在 fNIRS 和上下文数据上训练了转弯意图识别的神经网络模型。使用 SHAP（SHapley Additive exPlanations）特征重要性分析对输入变量进行了分析，以显示包含大脑激活数据的积极影响。模型评估和特征重要性分析都表明，上下文信息和大脑激活的结合可以改善转弯意图识别。 fNIRS 结果显示，在执行转弯之前的“转弯”决策阶段，左侧运动皮层部分（例如初级运动皮层 (PMC；假定的 BA 4)、运动前区 (PMA；假定的 BA 6) 和辅助运动区 (SMA；假定的 BA 8）的大脑激活差异有所增加。此外，我们还观察到左侧前额叶区域的激活差异有所增加，可能位于左侧中额叶回 (假定的 BA 9)，这与决策和行动计划等执行功能的控制有关。我们假设大脑激活测量可能是一种更直接的指标，对转弯行为具有潜在的高特异性，从而有助于提高识别模型的性能。
情境老虎机中的情境不确定性及其在推荐系统中的应用
循环神经网络已被证明可在为推荐系统建模顺序用户反馈方面发挥有效作用。然而，它们通常仅关注项目相关性，无法有效地为用户探索多样化的项目，因此从长远来看会损害系统性能。为了解决这个问题，我们提出了一种新型的循环神经网络，称为循环探索网络 (REN)，以联合执行表示学习和潜在空间中的有效探索。REN 试图在相关性和探索之间取得平衡，同时考虑到表示中的不确定性。我们的理论分析表明，即使学习到的表示存在不确定性，REN 也可以保持速率最优的亚线性遗憾。我们的实证研究表明，REN 可以在合成和现实世界的推荐数据集上获得令人满意的长期回报，表现优于最先进的模型。
使用量子语境工具分析歧义名词和动词
心理语言学研究使用眼动追踪来表明多义词与同音词的消歧方式不同，歧义动词的消歧方式与歧义名词不同。组合分布语义学的研究使用余弦距离来表明动词在主语和宾语的上下文中比单独使用时更有效地消歧。这两个框架都一次关注一个歧义词，都没有考虑包含两个（或更多）歧义词的歧义短语。我们借用了量子信息论、默认语境性框架和语境影响程度的方法和指标，并研究英语的歧义主谓和动宾短语，其中主语/宾语和动词都是歧义的。我们表明，可以使用上下文影响程度的平均值来建模歧义动词和歧义名词的处理差异，以及同音词和多义词和动词的不同歧义程度之间的差异。
本背景说明介绍了 SESAR 解决方案 PJ.02-01-06“基于静态飞机特性的尾流湍流分离（用于离场）”，并总结了为实现该解决方案而开展的研发活动所取得的成果。它（向 SESAR 计划的外部和内部人员）概述了 PJ.02-01-06 的范围、主要运营和性能优势、相关系统影响，并推荐了应在工业化阶段或作为部署一部分开展的其他活动。
RTS3a：在混合跑道运行下，使用优化跑道交付（ORD）工具评估进场静态成对分离（S-PWS-A）加上使用优化分离交付（OSD）工具评估离场静态成对分离（S-PWS-D）的验证； RTS4a：在混合跑道运行下，使用优化分离交付（OSD）工具评估进场静态成对分离（S-PWS-D）的验证； RTS4b：在隔离和部分隔离跑道运行下，在使用 CSPR 的双重进近环境中，使用优化分离交付（OSD）工具评估进场静态成对分离（S-PWS-A）加上使用优化分离交付（OSD）工具评估离场静态成对分离（S-PWS-D）的验证； RTS5：验证离场静态成对分离间隔（S-PWS-D）和离场天气相关分离间隔（WDS-D），及其与隔离模式下单跑道离场优化分离交付（OSD）工具的集成（伦敦希思罗机场）； RTS6：验证离场基于静态飞机特性的尾流湍流分离（S-PWS-D），及其与离场优化分离交付（OSD）工具和到达进场天气相关分离（WDS-A）的集成，及其与到达分离交付工具的集成。
上下文保护策略2021-2024 - 行动计划
调查和相关的反馈机制证明了专业人员有信心，并能够促进可用的服务范围并有效地标记为可用服务的路标会增加，年轻人可以获得支持4。在所有负责确保参加相关培训的机构的支持下，继续与早期帮助策略/工作计划集成，包括澄清专门针对青少年的途径，并确定差距的地方考虑如何最好地满足这些方法。
逻辑语境性和非局部性的条件
语境性和非局域性是量子统计所表现出的非经典性质，其含义深刻影响着量子理论的基础和应用。在本文中，我们对逻辑语境性和不等式证明提供了一些见解。前者可以理解为语境性的可能性版本，而后者是指不基于某些非语境性（或贝尔）不等式违反的量子语境性和非局域性的证明。我们所说的“可能性”是指结果的可能性描述，这些结果为布尔变量，当相应概率严格大于零时，其值为 1，否则为 0。本研究旨在从我们所谓的可能性悖论中建立这两个概念之间的桥梁，可能性悖论是一组可能性条件，其发生意味着语境性和非局域性。作为主要结果，我们证明了可能性悖论的存在，其发生是一类非常重要的场景中逻辑语境性的必要和充分条件。最后，我们讨论了这些可能性悖论的完整性所带来的一些有趣的后果。
解剖背景信息是否可以改善 3D U-Net......
摘要：需要有效、稳健且自动化的脑肿瘤分割工具来提取对治疗计划有用的信息。最近，卷积神经网络在识别磁共振 (MR) 图像中的肿瘤区域方面表现出色。情境感知人工智能是开发用于计算机辅助医学图像分析的深度学习应用程序的一个新兴概念。当前研究的很大一部分致力于开发新的网络架构，以通过使用情境感知机制来提高分割准确性。在这项工作中，研究了以白质 (WM)、灰质 (GM) 和脑脊液 (CSF) 掩模和概率图的形式添加来自大脑解剖结构的情境信息是否能改善基于 U-Net 的脑肿瘤分割。 BraTS2020 数据集用于训练和测试两个标准 3D U-Net (nnU-Net) 模型，除了传统的 MRI 图像模态外，这两个模型还使用二元掩模 (CIM) 或概率图 (CIP) 形式的解剖上下文信息作为额外通道。为了进行比较，还训练了一个仅使用传统 MRI 图像模态的基线模型 (BLM)。从整体分割准确度、模型训练时间、领域泛化以及对每个受试者可用的 MRI 模态较少的补偿方面研究了添加上下文信息的影响。在官方 BraTS2020 验证数据集（125 名受试者）上，BLM、CIM 和 CIP 的中位 (均值) Dice 分数分别为 90.2 (81.9)、90.2 (81.9) 和 90.0 (82.1)。结果表明，在比较基线模型和上下文信息模型的 Dice 评分时，即使单独比较高级别和低级别肿瘤的性能，也没有统计学上显著的差异（ p > 0.05）。在少数看到改善的低级别病例中，假阳性的数量减少了。此外，在考虑模型训练时间或领域泛化时没有发现任何改进。只有在补偿每个受试者可用的 MR 模态较少的情况下，添加解剖上下文信息才能显著改善（ p < 0.05）整个肿瘤的分割。总之，当使用二元 WM、GM 和 CSF 掩模或概率图形式的解剖上下文信息作为额外通道时，分割性能并没有整体显著改善。
在上下文中表征和边界量子行为集
量子理论的预测重新呈现了广义的非秘密解释。除了这一事实的基本关系之外，量子理论在多大程度上违反了非智能限制的限制在通信和信息过程中可用的量子优势。在这项工作的第一个部分中，我们通过准备和测量实验正式定义上下文情景，以及包含量子上下文行为集的一般上下文行为的多人。这个框架使我们恢复了这些scenarios中的几种量子行为的属性，包括上下文性场景和相关的非上下文性不平等，这需要违反单个量子准备和误导程序，以使其成为混合状态和UNSHARP测量。有了适当的框架，我们制定了新型的半决赛编程松弛，以界定这些量子式行为。最重要的是，在上下文中，我们提出了一种新型的基于单一的单一统一性的放松技术。，我们通过在违反几种非上下文性不平等的量子上获得紧密的上限来证明这些放松的效果，并确定新颖的最大上下文量子策略。为了进一步说明这些放松的变化，我们演示了
构建上下文经济学：许多旧
Neva R. Goodwin I.十五年前的外圈我开始写一篇名为“ The Outer Circle”的文章，该文章一直在增长，直到它变得太笨拙并被委托到抽屉。偶像到替代经济学家的积极聚会场所的演变可能是复兴原始想法的好时机。外圈的形象源于过去半个世纪主流，“新古典”经济学家的行为。在此期间变得越来越防御性和宗派主义，群体内部在排除异议人士方面是严格的，有时会出于与标准的正统观念的分歧，或者，当有人设法在自己的范围之外获得认可时，我就说 - 我听到的是Ken Galbraith的说法 - “他很聪明，但我的经济不是很聪明！”货车盘旋的结果之一是创造了批评家和持不同政见者的外部圈子：认为自己是“替代”或“异端”的经济学家。包含许多认真和创造力的思想家的外圈继续增长并为主流假设，逻辑，方法和结论构成严重的挑战。
使用意外和 fMRI 映射自然语言理解过程中广泛和局部语境预测的神经基础
语境会影响理解者在语言处理过程中的期望，信息论惊奇通常被用作衡量认知处理努力的指标。然而，先前使用惊奇的研究只考虑了句内语境，使用 n-gram、神经语言模型或句法结构作为条件语境。在本文中，我们扩展了惊奇方法以使用更广泛的主题语境，通过分析自然聆听过程中收集的 fMRI 时间过程来研究局部和主题语境对处理的影响。从 ngram 和 LSTM 语言模型计算出的词汇惊奇可用于捕捉局部语境的影响；为了捕捉更广泛语境的影响，我们引入了一个基于主题模型的新指标——主题惊奇。我们确定了词汇惊奇和主题惊奇的不同神经激活模式。这些不同的神经解剖学相关性表明，句子处理过程中的局部和广泛的语境线索会调动不同的大脑区域，并且语言网络的这些区域在功能上有助于在理解过程中处理不同维度的语境信息。更广泛地说，我们的方法补充了越来越多的使用计算语言学方法的文献，以操作和测试有关句子处理中的神经认知机制的假设。