XiaoMi-AI文件搜索系统
World File Search Systemual
通过任务组织复发网络动态 -
生物系统面临需要持续学习的动态环境。尚不清楚这些系统如何平衡学习和鲁棒性的灵活性之间的张力。在没有灾难性干扰的情况下，持续学习也是机器学习中的一个具有挑战性的问题。在这里，我们制定了一种新颖的学习规则，旨在最大程度地减少经常性网络中依次学习的任务之间的干扰。我们的学习规则保留了用于以前学习的任务的活动定义子空间内的网络动态。它鼓励与新任务相关的动态，这些动态可能会探索正交子空间，并允许在可能的情况下重复使用先前建立的动力学主题。采用神经科学中使用的一组任务，我们证明了我们的方法成功消除了灾难性的干扰，并比以前的持续学习算法提供了实质性的改进。使用动力学系统分析，我们表明使用我们的方法训练的网络可以重复使用相似任务的类似动态结构。共享计算的这种可能性允许在顺序训练期间更快地学习。最后，我们确定在依次训练任务与同时训练任务时出现的组织差异。
无免费午餐定理，kolmogorov的复杂性以及归纳偏见在机器学习中的作用
没有免费的午餐定理用于监督学习的情况，没有学习者可以解决所有问题，或者所有学习者在学习问题上的均匀分布上平均达到完全相同的精度。因此，这些定理通常被引用，以支持个人问题需要特别量身定制的电感偏见。几乎所有均匀采样的数据集具有很高的复杂性，但现实世界中的可能性不成比例地生成低复杂性数据，我们认为神经网络模型具有使用Kol-Mogorov复杂性正式化的相同偏好。值得注意的是，我们表明，为特定域而设计的Ar奇数（例如计算机视觉）可以在看似无关的域上压缩数据集。我们的实验表明，预先训练甚至随机初始化的语言模型更喜欢产生低复杂性序列。虽然没有免费的午餐定理似乎表明单个概率需要专业的学习者，但我们解释了通常需要进行人工干预的任务，例如当稀缺或大量数据可以自动化为单个学习算法时选择适当尺寸的模型。这些观察结果证明了通过越来越小的机器学习模型集合统一看似不同的问题的深入学习的趋势。
持续强化学习
尽管近年来对持续学习（CL）的兴趣日益增强，但继续加强学习（CRL）仍然是一项艰巨的任务，因为深层神经网络必须从维持旧任务表现的新任务中从每个从未见过的新任务中推断出适当的行动。为了解决此问题，一些CRL算法使用基于正则化的方法来限制常规CL中使用的权重和基于重播的方法。但是，它需要花费大量时间来学习，因为它需要大量的基于重播和具有复杂正则化项的内存。在本文中，我们提出了一个简单的框架，用于保留相关顺序任务之间的知识fmal，即MAP注意力丢失。我们的方法利用模型的一般CNN，可以很好地执行所有顺序任务，并且注意机制用于提取基本特征进行传输。另外，FMAL同时使用正规化方法和基于重播的方法，例如现有的CRL方法。但是，学习所需的记忆量要小得多，正则化的项相对简单。我们使用最先进的算法评估FMAL。实验结果表明，我们的方法以较高的奖励超过这些基准。
雷神无人机竞赛-CDN
准晶体的特征是没有翻译对称性的远程顺序[1]。在数学中，它们对应于无限的非周期性瓷砖。他们可以拥有与翻译的旋转对称性，例如著名的五角形对称性对称性[2]。另一个有趣而重要的情况是十二杆对称性[3-5]，可以从两个蜂窝晶格[6-9]旋转30°的叠加中获得。这种配置尤其及时，因为Moir´e蜂窝晶格的极端流行，例如魔法角扭曲的双层石墨烯[10]，该[10]对于小于30°的旋转角度获得了。moir´e晶格和准晶体具有许多共同的特性，例如在其频谱中存在平坦带[11-13]。在许多领域中研究了十二型准晶体：化学[14 - 17]，材料科学[4,18,19]，电子[8]，拓扑物理学[20-22]和光子学[7,23 - 31]。对于1D准晶体或准静态晶格，使用aubry-and-andR´e模型[32]获得了许多重要的分析结果[32]：而不是考虑一个在个体地点的位置，而没有转化对称性的结构，而是在一个定期的晶状体上以无效的态度固定在一定的位置上，而不是可及时的效率。现在，从理论上建立并在实验上证明了这种1D准晶体的分散包含遵守差距标记定理的无限差距[37-40]。每个频带都是无限窄的（平坦），并且填充
特征聚合具有潜在的生成重播，用于联邦的持续学习社会适当的机器人行为
摘要 - 机器人要探索联合学习（FL）设置至关重要，在这些设置中，几个并行部署的机器人可以独立学习，同时还可以彼此分享他们的学习。现实世界中的这种协作学习要求社交机器人动态适应不可预测和不可预测的情况和不同的任务设置。我们的工作通过探索一个模拟的客厅环境来帮助解决这些挑战，在该环境中，机器人需要学习其行为的社会适当性。首先，我们提出了联合根（FedRoot）平均，这是一种新型的体重聚集策略，它使客户从基于任务的学习中进行学习。第二，为了适应具有挑战性的环境，我们将Fedroot扩展到联合潜伏的生成重播（FedLgr），这是一种新颖的联盟持续学习（FCL）策略，该策略使用基于FedRoot的重量聚集，并将每个客户嵌入了每个客户的生成器模型，以促进伪造的功能嵌入，以使知识的特征嵌入者忽略了一种资源良好的效果。我们的结果表明，基于FedRoot的方法提供竞争性能，同时也导致资源消耗量大幅度降低（CPU使用率高达86％，GPU使用率高达72％）。此外，我们的结果表明，基于FedRoot的FCL方法的表现优于其他方法，同时还提供了有效的解决方案（最多84％的CPU和92％的GPU使用率），FedLGR在评估中提供了最佳结果。
MSLAR：微生物合成致死和救援数据库
合成致死性（SL）发生，而两个基因中的单个突变都没有显着影响。此概念也可以扩展到SL的三个或更多基因。计算方法和实验方法来预测和验证SL基因对，特别是对于酵母和大肠杆菌。但是，目前缺乏一个专门的平台来收集微型SL基因对。因此，我们为微生物遗传学设计了一个合成相互作用数据库，该数据库收集了13,313个SL和2,994个合成救援（SR）基因对，该基因对，文献中有86,981个假定的SL对通过281种细菌基因组中的同源式transe方法获得。我们的数据库网站提供了多种功能，例如搜索，浏览，可视化和爆炸。基于s中的SL相互作用数据。酿酒酵母，我们回顾了重复的重要性问题，并观察到重复的基因和单例在我们考虑个体和SL时具有相似的比例。微生物合成致死和救援数据库（MSLAR）有望成为对微生物SL和SR基因感兴趣的研究人员的有用参考资源。MSLAR可以自由地向所有人开放，并在网络上可在http：//guolab.whu上找到。edu.cn/mslar/。
利用眼动追踪工具改进飞行员选拔流程
本文加深了对在飞行员选拔过程中使用眼动追踪工具的理解。对候选飞行员眼动和注意力分布的研究可能为在更严格的飞行训练阶段预测视觉行为提供能力。研究包括心理测试、受试者的飞行筛选以及他们在飞行模拟器和眼动追踪设备中的成绩。参与者被分为三类：高绩效、平均绩效和低绩效，并分别通过心理测试结果和飞行筛选结果进行评估。眼动追踪设备通过视觉感知的范围和速度跟踪受试者的视觉行为。在模拟视觉飞行条件下记录的注视和重访次数测量了受试者之间的视觉反应差异。结果比较显示与心理测试结果呈正相关。未证实与飞行筛选选择的相关性。我们使用了新的基于网络的方法来克服传统眼动指标的缺点，该方法有三个目标重要性度量。采用网络方法的结果以图表的形式呈现，并对标准化的重要性度量进行了分析，结果表明可以为每个参与者提取特定的扫视策略。发现他们之间的差异是积极检测的。通过这种方式，眼动追踪
高度自动化汽车中的避障 - 南特 - LS2N
方法来协助驾驶员控制车辆。目前，该方法正在考虑用于制定手动和自动驾驶模式之间平稳过渡的策略。本文有两个目标。首先，它提出采用现有的触觉共享控制策略来实现手动和自动驾驶模式之间的转换，并在驾驶模拟器上对真实驾驶员评估这种方法。其次，它提出在避障环境中评估四种不同的过渡曲线。第一个曲线是从自动驾驶模式逐渐过渡到共享控制模式，然后在越过障碍物后从共享控制模式再次过渡到自动驾驶模式。第二个曲线是从自动驾驶模式逐渐过渡到手动模式。第三个曲线是从自动驾驶模式到手动模式的二元过渡。最后，在第四种条件下，驾驶员超越自动驾驶模式。这些过渡曲线在驾驶模拟器上以曲线和直线进行评估。结果首先验证了使用触觉共享控制策略来执行手动和自动驾驶模式之间的转换。自动化系统和驾驶员提供的扭矩分配与预期共享水平的进展相对应。其次，无论是在转向性能还是主观评价方面，渐进式过渡都比二元过渡和自动驾驶模式的覆盖更具优势。
GPAM使用远程深度学习反对加密硬件
摘要。使加密处理器对侧通道攻击更具弹性，工程师已经开发了各种对策。但是，这些对策的有效性通常是不确定的，因为这取决于软件和硬件之间的复杂相互作用。到目前为止，使用分析技术或机器学习评估对策的有效性需要大量的专业知识和努力，以适应使这些评估昂贵的新目标。我们认为，包括具有成本效益的自动攻击将有助于芯片设计团队在开发阶段快速评估其对策，从而为更安全的芯片铺平了道路。在本文中，我们通过提出GPAM来奠定基础，该系统是第一个用于电源侧通道分析的深度学习系统，该系统在多个加密算法，实现和侧向通道进行了概括，而无需进行手动调整或痕量预处理。我们通过成功攻击四个硬化硬件加速的椭圆曲线数字签名实现来证明GPAM的能力。我们通过攻击受保护的AES实施并实现与最新攻击相当的性能来展示GPAM跨多种算法概括的能力，但没有管理痕量策划，并且在有限的预算之内。我们将数据和模型作为开源贡献，以使社区能够独立复制我们的结果并以它们为基础。
魔像：从启蒙怪物到人工智能
绿巨人、超人、终结者：所有这些形象都是流行文化中对魔像的呼应，魔像就是犹太神秘主义中的人造人。魔像传统，即通过语言仪式用粘土制作人造人，最早起源于德语地区的中世纪犹太神秘主义。然而，今天围绕这一形象讲述的广泛故事却是世俗化的产物。在工业化时代的风口浪尖，德国浪漫主义作家回顾看似古雅的中世纪的理想化形象，将魔像塑造为假定的犹太本质的标志，将中世纪神秘的犹太人形象与他们对正在兴起的新时代的怪异感知融合在一起。今天的魔像体现了这些复杂而多样的含义——既特殊又普遍——一方面是犹太人和非犹太人之间文化互动的矛盾标志，另一方面是人工智能 (AI) 时代人类的状态。1