需要识别的材料示例包括小苏打和其他粉末、金属、矿物或液体。属性示例包括颜色、硬度、反射率、电导率、热导率、对磁力的响应或溶解度;密度不作为可识别属性。本文不试图定义看不见的粒子或解释蒸发和凝结的原子级机制。
摘要 - 操纵看不见的对象在没有3D表示的情况下具有挑战性,因为对象通常具有遮挡的表面。这需要与对象的物理互动以构建其内部表示形式。本文提出了一种方法,该方法使机器人能够快速学习给定对象的完整3D模型,以在不熟悉的方向上进行操作。我们使用部分构造的NERF模型的集合来量化模型不确定性,以通过优化信息性和可行性来确定下一个动作(视觉或重新定位动作)。此外,我们的方法决定了何时以及如何掌握和重新定位对象的部分NERF模型,并重新估计对象姿势以纠正交互期间引入的未对准。在带有基准对象的桌面环境中运行的模拟Franka Emika机器人操作器进行的实验表明,视觉重建质量(PSNR)的14%,(ii)20%的几何/深度/深度重建对象表面(f-得分)和(iii)71%在(iii)71%的成功对象率是一定的,该任务范围是A的任务范围,即一定的一定范围。场景中的配置;超过当前方法。其他详细信息显示在以下网址:https://actnerf.github.io/。
摘要:视觉语言动作(VLA)模型的最新进展可以使机器人根据语言或基于目标的说明执行广泛的任务。这些VLA模型通常将文本和图像编码为脱节令牌,从而生成与给定指令保持一致的动作。这要求VLA模型同时执行视觉语言理解和精确的闭环控制,从而给他们带来重大挑战,以使其概括为新环境。然而,对比的预训练的VLM,例如剪辑,已经具有视觉对齐能力,这些功能被当前的VLA模型未被充分利用。在本文中,我们提出了早期的Fusion VLA(EF-VLA),这是一种新颖的VLA架构,通过执行早期融合来利用Clip的视觉理解,在传递到变压器政策之前,提取与任务指导相关的细粒度视力语言令牌。ef-vla保持VLM冷冻,允许其有效执行看不见的任务而无需进行精细调整,这通常会降低概括能力。仿真和现实世界实验表明,EF-VLA在不同任务上的最先进的VLA模型优于最先进的VLA模型,并且在看不见的环境中具有重要的概括能力。
摘要:药物发现的一个核心问题是确定类药物化合物与蛋白质靶标之间的相互作用。在过去的几十年中,已经开发了各种定量结构-活性关系 (QSAR) 和蛋白质化学计量 (PCM) 方法来建模和预测这些相互作用。虽然 QSAR 方法仅利用药物化合物的表示,但 PCM 方法结合了蛋白质靶标和药物化合物的表示,使它们能够对以前未见过的蛋白质靶标实现高于偶然性的预测准确度。QSAR 和 PCM 方法最近都通过机器学习和深度神经网络得到了改进,从而允许从测量数据开发药物-靶标相互作用预测模型。然而,深度神经网络通常需要大量的训练数据,并且无法稳健地适应新任务,例如在推理时预测未见过的蛋白质靶标的相互作用。在这项工作中,我们建议使用超网络在推理过程中有效地在任务之间传输信息,从而准确预测药物-靶标对未见过的蛋白质靶标的相互作用。与之前的方法相比,我们的 HyperPCM 方法在多个知名基准(包括 Davis、DUD-E 和 ChEMBL 衍生的数据集)上达到了最先进的性能,并且在涉及看不见的蛋白质靶标的零样本推理方面尤其出色。 我们的方法以及可重复的数据准备可在 https://github.com/ml-jku/hyper-dti 上获得。■ 简介药物 - 靶标相互作用 1 的建模是药物发现的一个基本步骤,意味着学习小的类药物化合物(在此称为药物化合物(术语药物化合物在本文中表示配体,即分子化合物,被视为潜在药物但最终可能不适合作为最终候选药物))与已确定的疾病蛋白质靶标之间相互作用的结合特性。2 随着新疾病的出现,迫切需要快速准确地预测大量药物 - 靶标相互作用。 3 药物-靶标相互作用的计算机建模受益于更强大的计算能力 4 ,而使用其他领域的最先进深度学习方法则有助于进一步发展。 5、6 到目前为止,该领域的研究主要集中在药物化合物和蛋白质靶标的表示上。 传统的定量结构-活性关系 (QSAR) 模型 7 仅基于药物化合物结构的表示来学习药物-靶标相互作用的特性。 通常,首先将结构编码为数值向量,即嵌入。 手工嵌入可以从化学和生物数据 8-10 或通过位向量(例如摩根指纹)构建。 11
手动诊断单个应用程序(以下称为“作业级别”)的 I/O 性能瓶颈是一项繁琐且容易出错的过程,需要领域科学家对复杂存储系统有深入的了解。但是,现有的 I/O 性能瓶颈自动诊断方法存在一个主要问题:分析的粒度处于平台或组级别,诊断结果无法应用于单个应用程序。为了解决这个问题,我们设计并开发了一种名为“I/O 人工智能”(AIIO)的方法,该方法利用人工智能及其解释技术自动诊断作业级别的 I/O 性能瓶颈。通过考虑 I/O 日志文件的稀疏性,采用多个人工智能模型进行性能预测,跨多个模型合并诊断结果,并泛化其性能预测和诊断功能,AIIO 可以准确而稳健地识别甚至是未见过的应用程序的瓶颈。实验结果表明,真实和未见过的应用程序可以使用 AIIO 的诊断结果将其 I/O 性能最多提高 146 倍。
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有方法依赖于一个特定的数据集,并且仅限于推广到其他看不见的数据集,这些数据集的训练数据和测试数据来自同一数据集。在本文中,我们将领域泛化引入自动睡眠分期并提出可泛化的睡眠分期任务,旨在提高模型对看不见的数据集的泛化能力。受现有领域泛化方法的启发,我们采用特征对齐的思想并提出一个名为 SleepDG 的框架来解决它。考虑到局部显着特征和序列特征对于睡眠分期都很重要,我们提出了一种结合时代级和序列级特征对齐的多级特征对齐来学习领域不变的特征表示。具体来说,我们设计了一个 Epoch 级特征对齐来对齐不同域之间每个单个睡眠时期的特征分布,并设计了一个 Sequence 级特征对齐来最小化不同域之间序列特征的差异。SleepDG 在五个公共数据集上进行了验证,实现了最先进的性能。
摘要。在检测与训练中存在类型的深层时,最新研究的最新研究表明了有希望的结果。但是,它们概括地看不见的深泡沫的能力受到限制。这项工作从一个简单的原则中改善了可概括的深层检测:理想的检测器将任何包含在真实面孔中发现的异常的面孔分类为假货。也就是说,检测器应学习一致的真实外观,而不是在训练集中不适用于看不见的深击中的假模式。在这一原则的指导下,我们提出了一项名为“真实外观建模”(RAM)的学习任务,该任务通过从稍微干扰的面孔中恢复原始面孔来指导模型学习真实的外观。我们进一步提出了面部障碍,以产生令人不安的面孔,同时保留了恢复的原始信息,这有助于模型学习真实面孔的细粒度外观。广泛的实验证明了建模真实外观以发现更丰富的深击的有效性。我们的方法通过多个流行的DeepFake数据集的大幅度传递了现有的最新方法。
跟踪困境指标可以在整个社区中创建赋权渠道。俗话说“未经衡量的就被忽视”,这提醒我们,需要有效且不断变化的社区指标来阐明看不见的模式。在过去的 20 年里,联邦政府对衡量困境的要求和期望有所增加,但对困境的衡量和记录却基本保持不变。1 扩大广泛使用的经济困境指标的范围,开始更全面地描绘出当地经济发展面临的挑战、机遇以及确保生活质量所需的资源。经济困境指标是当地经济发展专业人员的重要工具,它们提供了结构并缩小了对关键投资领域的关注。使用困境指标可以阐明看不见的挑战,并使专业人员能够制定战略并合理分配资源,以满足其所在地区的独特需求、压力和机遇。敏锐地识别危机措施对于促进地方可持续和公平的经济增长起着至关重要的作用。
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有的方法取决于一个特定的数据集,并且仅限于将培训数据和测试数据来自同一数据集的其他看不见的数据集。在本文中,我们将DO-MAIR REMALITION引入自动睡眠阶段,并提出了可推广的睡眠阶段的任务,该任务旨在证明模型的概括能力是看不见的数据集。通过现有域概括方法刺激,我们采用了特征对齐想法,并提出了一个称为SleepDG的框架来解决它。考虑到局部显着的功能和顺序特征对于睡眠停滞很重要,我们提出了一个多级特征对齐组合,将epoch级级别和序列级特征级别对齐组合来学习域不变的特征表示。具体而言,我们标志着一个阶段级特征对齐,以使每个单个睡眠时期的特征分布在不同的操作中的特征分布以及一个序列级特征对齐,以最大程度地减少不同do-ains之间顺序特征的差异。SleepDG在五个公共数据集上得到了验证,从而实现了最先进的性能。
大脑解码是将大脑活动映射到产生这些活动的刺激的过程,近年来一直是一个活跃的研究领域。在语言刺激的情况下,最近的研究表明,可以将 fMRI 扫描解码为受试者正在阅读的单词的嵌入。然而,这种词嵌入是为自然语言处理任务而设计的,而不是为大脑解码而设计的。因此,它们限制了我们恢复精确刺激的能力。在这项工作中,我们建议直接对 fMRI 扫描进行分类,将其映射到固定词汇表中的相应单词。与现有工作不同,我们对以前从未见过的受试者的扫描进行评估。我们认为这是一个更现实的设置,我们提出了一个可以解码从未见过的受试者的 fMRI 数据的模型。我们的模型在这项具有挑战性的任务中实现了 5.22% 的 Top-1 和 13.59% 的 Top-5 准确率,显著优于所有考虑过的竞争基线。此外,我们使用解码后的单词来指导 GPT-2 模型的语言生成。通过这种方式,我们进一步探索出一种将大脑活动转化为连贯文本的系统。