XiaoMi-AI文件搜索系统
World File Search Systemuate
polyie：从聚合物中提取信息的数据集...
旨在自动从科学文献中提取信息的科学信息提取（Sciie）比以往任何时候都变得更加重要。但是，没有用于聚合物材料的Sciie数据集，这是我们日常生活中普遍使用的重要材料类别。为了弥合这一差距，我们介绍了P oly IE，即用于聚合物材料的新科学数据集。p oly IE是从146个全长聚合物学术文章中提出的，这些文章用不同的命名实体（即材料，性质，瓦斯，条件）以及域专家的n个关系进行注释。p oly IE提出了由于实体的多种词汇格式，企业之间的歧义和可变长度关系所带来的独特挑战。我们评估了最先进的实体提取和关系提取模型，即分析其优势和劣势，并突出了这些模型的一些困难案例。据我们所知，P oly IE是第一个用于聚合物材料的Sciie基准，我们希望它将导致社区从事这项挑战任务的更多研究。我们的代码和数据可在以下网址提供：https：//github.com/jerry3027/polyie。
通过超声波和视频进行静默与模态多说话人语音识别
我们研究了从舌头的超声图像和嘴唇的视频图像中进行多说话人语音识别。我们在模态语音的图像数据上训练我们的系统，并在两种说话模式的匹配测试集上进行评估：无声语音和模态语音。我们观察到，从图像数据中进行的无声语音识别表现不如模态语音识别，这可能是因为训练和测试之间的说话模式不匹配。我们使用解决领域不匹配的技术来提高无声语音识别性能，例如 fMLLR 和无监督模型自适应。我们还从话语持续时间和发音空间大小方面分析了无声语音和模态语音的特性。为了估计发音空间，我们计算从超声舌头图像中提取的舌头样条的凸包。总体而言，我们观察到无声语音的持续时间比模态语音的持续时间长，并且无声语音比模态语音覆盖的发音空间小。尽管这两个特性在各种说话模式下都具有统计显著性，但它们与语音识别的单词错误率并不直接相关。索引词：无声语音界面、无声语音、超声舌成像、视频唇成像、发音语音识别
影响 AAV 介导的 CRISPR 功效的因素...
频繁注射抗血管内皮生长因子 (anti-VEGF) 药物对患有新生血管性年龄相关性黄斑变性 (AMD) 的患者来说是一种临床负担。使用腺相关病毒 (AAV) 递送成簇的规律间隔短回文重复序列 (CRISPR)-Cas9 对 VEGF-A 进行基因组破坏有可能永久抑制异常血管生成，但决定最佳疗效的因素尚不清楚。在这里，我们研究了两种广泛使用的 Cas9 内切酶 SpCas9 和 SaCas9，并评估了 AAV 递送效率和体内基因组编辑率的相对贡献，以确定驱动基于 CRISPR 成功抑制 VEGF-A 的机制，使用激光诱导脉络膜新生血管 (CNV) 的小鼠模型。我们发现，尽管 SpCas9 的双载体方法和 SaCas9 的单载体系统在传递 Cas9 直系同源物和单个向导 RNA (gRNA) 方面的 AAV 转导效率相似，但 SpCas9 表现出比 SaCas9 更高的基因组编辑率、更大的 VEGF 减少率和更有效的 CNV 抑制。我们的结果表明，使用 AAV 介导的 CRISPR 系统成功敲低 VEGF 可能更多地取决于基因组编辑的效率，而不是病毒转导，并且 SpCas9 可能比 SaCas9 更有效，可作为基于 CRISPR 治疗新生血管性 AMD 中 CNV 的潜在治疗策略。
比较脑电图，凝视和手动运动
人类机器人协作（HRC）依赖于对人类意图的准确和及时认识以确保无缝相互作用。在常见的HRC任务中，已经广泛研究了人身到机器人的对象移交，以计划在对象接收期间的机器人行动，假设人类的对象移交意图。但是，将移交意图与其他动作区分开来，受到了有限的关注。大多数对Han-Dovers的研究都集中在视觉检测运动轨迹上，这通常会导致轨迹重叠时延迟或错误检测。本文研究了人类对物体移交的意图是否反映在基于非运动的生理信号中。我们进行了比较三种数据模式的多模式分析：脑电图（EEG），凝视和手动信号。我们的研究旨在区分HRC环境中的移交预期的动作和非移交动作，从而评估每种形态在预测和之后人类运动开始之前和之后对这些行为进行分类时的表现。我们根据这些方式开发和评估人类意图探测器，比较它们在识别切换意图方面的准确性和时机。据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。 我们的分析表明，移交意图可以是据我们所知，这是在人类机器人移交的相同实验环境中系统地开发和测试意图探测器的第一项研究。我们的分析表明，移交意图可以是
离线安全加固学习的数据集和基准
本文介绍了一个全面的基准测试套件，该套件是针对离线安全增强学习（RL）挑战的全面的，旨在促进培训和部署阶段中安全学习算法的发展和评估。我们的基准套件包含三个包：1）精心制作的安全政策，2）D4RL风格的数据集以及环境包装器，以及3）高质量的离线安全RL基线实施。我们采用有条不紊的数据收集管道，该管道由先进的安全RL算法启动，该管道有助于从机器人控制到自动驾驶的38个流行的安全RL任务中跨38个流行的安全RL任务的不同数据集的生成。我们进一步引入了一系列数据后处理过滤器，能够修改每个数据集的多样性，从而模拟各种数据收集条件。此外，我们还提供了普遍的离线安全RL算法的优雅且可扩展的实现，以加速该领域的研究。通过超过50000个CPU和800 GPU小时计算的广泛实验，我们评估和比较了这些基线算法在收集的数据集中的性能，从而提供了有关其优势，局限性和潜在改进领域的见解。我们的基准测试框架是研究人员和从业人员的宝贵资源，促进了在安全性应用中开发更健壮和可靠的离线安全RL解决方案。基准网站可在www.offline-saferl.org上找到。
![arxiv：2501.18803v1 [cs.lg] 2025年1月30日](/simg/g:\will\search\icon\source\b\bf831b630a685a61ec21b4ebcc4c758f61bc7407.webp)
arxiv：2501.18803v1 [cs.lg] 2025年1月30日
抽象的自主系统越来越被期望在对手存在下运行，尽管对手可以仅通过观察系统就可以推断敏感信息，甚至无需与之互动。因此，在这项工作中，我们提出了一个欺骗性的决策框架，该框架不仅隐藏了敏感信息，而且实际上积极地误导了对此的对手。我们将自主系统建模为马尔可夫决策过程，我们考虑使用反向强化学习来推断其奖励功能的对手。为了应对此类努力，我们为政策综合问题提出了两种正则化策略，这些策略积极欺骗了对系统的基本奖励的对手。欺骗的第一种形式是“分歧”，它导致对手就系统的奖励函数的含义得出任何错误结论。第二种形式的欺骗是“针对性的”，它导致对手就系统的奖励函数的含义得出特定的错误结论。然后，我们展示如何在政策优化问题中实施每种形式的欺骗，并在分析中分析欺骗引起的总累积奖励的损失。接下来，我们将这些发展与一个真实的代理和多个诱饵一起在多代理的顺序决策问题中进行评估。我们表明，转移欺骗会导致对手相信最重要的代理人是最小的
评估 COVID-19 疫苗分配不公平的影响：一项建模研究
结构性社会经济不平等严重影响了全球范围内获得 COVID-19 疫苗的机会。在此，我们开发了一个数据驱动、按年龄分层的流行病模型，以评估从世卫组织所有区域抽样的 20 个中低收入国家 (LMIC) 中 COVID-19 疫苗不平等的影响。我们重点关注疫苗分发和接种的最初关键几个月，探索反事实情景，其中我们假设选定的高收入国家报告的人均每日疫苗接种率相同。我们估计，在这种疫苗供应量高的情景下，所分析国家中超过 50% 的死亡（最小-最大范围：[56% − 99%]）本可以避免。我们进一步考虑这样一种情景，即中低收入国家与高收入国家一样能及早获得疫苗剂量；即使不增加剂量，我们估计也可以避免很大一部分死亡（最小-最大范围：[7% − 73%]）。在没有公平分配的情况下，该模型表明，需要大量额外的非药物干预措施来弥补疫苗短缺（最小-最大范围：[15% − 75%]）。总体而言，我们的结果量化了疫苗不平等的负面影响，并呼吁全球加大努力，为低收入和中低收入国家提供更好的疫苗接种计划。
深入了解英特尔资源调配技术 (RDT)
内存层次结构不同层级上对共享资源的无仲裁争用是时间干扰的主要来源。硬件制造商越来越容易接受时间干扰问题，并开始提出缓解该问题的具体解决方案。英特尔资源管理器技术 (RDT) 就是这样一种尝试。鉴于英特尔平台的广泛采用，RDT 功能对于在复杂的多核和众核机器上整合实时系统而言是一笔无价的财富。不幸的是，到目前为止，尚未对 RDT 框架引入的功能进行系统分析。此外，对于跨处理器代的 RDT 原语的实现特定行为，尚未形成清晰的理解。最终，RDT 提供实时保证的能力尚未确定。在我们的工作中，我们从实时角度对 RDT 机制进行了系统研究。我们通过实验评估了最近两代处理器中 RDT 辅助分配和监控控制的功能和可解释性。我们的评估表明，虽然缓存分配技术 (CAT) 等某些功能取得了令人鼓舞的结果，但其他原语（如内存带宽分配 (MBA)）的实现仍有很大改进空间。此外，在某些情况下，所呈现的接口范围从模糊到不完整，例如 MBA 和内存带宽监控 (MBM) 的情况。
![arxiv：2212.13309v3 [Quant-ph] 27 Sep 2023](/simg/g:\will\search\icon\source\5\59daf78a242570c50a6bf4f9a8617301f9cb46fb.webp)
arxiv：2212.13309v3 [Quant-ph] 27 Sep 2023
摘要。在诊断心脏病中起着至关重要的作用。多视图超声心动图数据的组合对于增强自动化方法的准确性和易变性至关重要。但是，由于数据的视觉差异，得出跨视图上下文信息仍然是一项艰巨的任务，而没有老练的融合策略甚至可以降低性能。在这项研究中，我们提出了一种新型的obal local融合（GL-Fusion）网络，以共同利用全球和本地的多视图信息，以提高超声心动图分析的准确性。具体而言，提出了基于m ulti-view g lobal m odule（MGFM）来探讨全局上下文信息，并探索超声心动图视频中不同心跳周期的环关系。此外，基于m ocal的f usion m odule（MLFM）旨在从不同视图中提取心脏结构的相关性。此外，我们收集一个多视图超声心动图视频数据集（MVEVD）来评估我们的方法。我们的方法达到平均骰子得分为82.29％，这表明比基线方法提高了7.83％，并且胜过其他现有的最新方法。到我们的知识中，这是对超声心脏视频细分的多视图方法的第一次探索。代码可用：https：//github.com/xmed- lab/gl-fuse
通过活动推理在边缘设备上的自适应流处理
当前物联网的情况正在见证数据量的不断增加，该数据量是在恒定流中生成的，呼吁新颖的架构和逻辑解决方案来处理它。将数据处理转移到计算频谱的边缘可确保负载的更好分配，并且在原理中，较低的潜伏期和更好的隐私性。但是，管理这种结构很复杂，尤其是当要求（SLOS）的要求（SLO）（SLO）需要确保由应用程序的所有者和基础架构经理指定时。尽管基于机器学习（ML）的管理解决方案，研究人员和从业人员有大量提案，但仍在努力进行长期预测和控制以及准确的故障排除。因此，我们提出了一种基于主动推理（AIF）的新型ML范式 - 神经科学的概念描述了大脑如何不断预测和评估感觉信息以减少长期惊喜。我们在异质的真实流处理用例中实现并进行评估，其中基于AIF的代理商不断优化了在多个设备上运行的三个自动驾驶服务的三个SLO的实现。代理使用因果知识逐渐了解其行为与要求满足以及哪些配置有偏爱的理解。通过这种方法，我们的代理需要三十次迭代才能收敛到最佳解决方案，