XiaoMi-AI文件搜索系统
World File Search System上下文
使用与历史有关的动态上下文的增强学习
我们介绍了动态上下文Markov Deci-Sion过程（DCMDPS），这是一个新颖的增强学习框架，用于与历史有关的环境，该框架概括了上下文的MDP框架来处理非Markov环境，其中上下文随时间而变化。我们考虑了模型的特殊情况，重点关注dcmdps，这通过利用粒子函数来确定上下文转换，从而破坏了对历史长度的指数性。这种特殊的结构使我们能够得出一种上层封闭的样式算法，我们为此建立了遗憾的界限。以我们的口感结果的启发，我们引入了一种基于模型的实用算法，用于在潜在空间中计划，并在历史依赖的特征上使用乐观态度。我们在推荐任务（使用Movielens数据）上演示了我们方法的效率，在该任务中，用户行为动态响应建议而演变。
AFIS 上下文信息的偏差效应 - ePrints Soton
机器。在本文中，我们研究了使用自动指纹识别系统 (AFIS) 对人类决策者的影响。我们向 23 名潜在指纹检查员提供了 3680 份 AFIS 列表（共 55,200 次比较），作为他们正常案件工作的一部分。我们操纵了 AFIS 列表中匹配指纹的位置。数据显示，潜在指纹检查员在错误排除和错误不确定方面受到匹配指纹位置的影响。此外，数据显示，错误识别错误更有可能出现在列表顶部，即使正确匹配出现在列表的更下方，也会发生此类错误。需要仔细研究和考虑这些影响，以便在使用 AFIS 等技术时优化人类决策。
上下文情报定位和品牌安全部门指南
通过向升级的房间和服务提供最大可能性的升级房间和服务的优惠，为酒店经营者创造了机会。由人工智能和机器学习提供支持，NOR1帮助酒店业务在预订时通过合理的，数据驱动的UPSELS机会吸引客人，通过后续访客电子邮件或签入方面。这些Upsells对酒店经营者试图弥补损失的收入是关键的。幸运的是，任何酒店工作人员都可以在15分钟内学习如何使用此应用程序。此外，Oracle为每个使用NOR1提供专门的支持人员，以帮助管理人员确定如何以最有利可图的方式优化产品，服务和定价。
通过上下文进行资源有效的移动视频解码...
移动计算的演变受到电池技术的限制的严重威胁，这与移动应用程序的能源需求的增加并不保持同步。一种减少移动应用程序能量食欲的新方法来自近似计算领域，该技术提出了以控制方式牺牲计算精度以节省更高能源的技术。基于此理念的建立，我们提出了一种上下文感知的移动视频质量适应，以减少视频播放所需的能力，同时确保满足用户对移动视频的质量期望。我们确认，解码分辨率可以在减少移动设备的整体功耗中发挥重要作用，并与22名参与者进行用户研究，以调查播放视频的上下文如何调节用户的质量期望。我们发现，用户的体育锻炼和视频的空间/时间属性相互作用并共同影响最小的可捕获的播放分辨率，为上下文适应的近似移动计算铺平了道路。
用于脑胶质瘤分割的上下文感知网络
摘要 — 脑胶质瘤的自动分割在诊断决策、进展监测和手术计划中起着积极的作用。基于深度神经网络，先前的研究表明了有前途的脑胶质瘤分割技术。然而，这些方法缺乏强有力的策略来结合肿瘤细胞及其周围环境的背景信息，这已被证明是处理局部模糊性的基本线索。在这项工作中，我们提出了一种用于脑胶质瘤分割的新方法，称为上下文感知网络 (CANet)。CANet 使用来自卷积空间和特征交互图的上下文捕获高维和判别特征。我们进一步提出了上下文引导的注意条件随机场，它可以选择性地聚合特征。我们使用可公开访问的脑胶质瘤分割数据集 BRATS2017、BRATS2018 和 BRATS2019 来评估我们的方法。实验结果表明，在训练和验证集上，所提算法在不同分割指标下比几种最先进的方法具有更好或更具竞争力的性能。
使用 LSTM 网络进行基于上下文的文本生成
基于序列的模型上的长短期记忆 (LSTM) 单元因其学习长期依赖关系的能力而被用于翻译、问答系统和分类任务。在自然语言生成中，LSTM 网络通过学习具有语法稳定的句法的语言模型，在文本生成模型上提供了令人印象深刻的结果。但缺点是网络不会学习上下文。网络只学习输入输出函数，并根据一组输入词生成文本，而不考虑语用。由于模型是在没有任何此类上下文的情况下训练的，因此生成的句子之间没有语义一致性。所提出的模型经过训练，可为给定的一组输入词生成文本以及上下文向量。上下文向量类似于段落向量，它掌握句子的语义（上下文）。本文提出了几种提取上下文向量的方法。在训练语言模型时，除了输入输出序列之外，还会与输入一起训练上下文向量。由于这种结构，模型可以学习输入词、上下文向量和目标词之间的关系。给定一组上下文术语，训练有素的模型将围绕提供的上下文生成文本。基于计算上下文向量的性质，该模型已尝试了两种变体（单词重要性和单词聚类）。在单词聚类方法中，还探索了各个领域之间的合适嵌入。根据生成的文本与给定上下文的语义接近度来评估结果。
通过声源本地化手术中的空间上下文意识
摘要。背景意识和场景理解是计算机辅助和机器人手术中智能系统开发的组成部分。尽管大多数系统主要利用视觉数据进行场景理解，但最新的概念证明已展示了声学的大量，用于检测和分析与典型的噪声排放相关的手术活动。但是，尚未有效地用于手术中的定位任务，这对于获得对场景的全面理解至关重要。在这项工作中，我们介绍了可以揭示声学活动及其在手术领域的位置的新型声源定位概念（SSL），因此提供了对患者和医疗设备的外科手术人员的相互作用的见解。我们通过在两个概念验证本地化任务中使用声学摄像头解释声音活动热图，表明了这一概念的潜力。对于对象检测任务，我们以86.07％的0.5 IOU实现AP，平均欧几里得距离为13。70±14。65个PX在图像分辨率为1100x825 PX的图像分辨率，用于关键点检测任务。基于这些结果，我们认为声学事件的本地化具有外科手术理解的巨大潜力，为未来手术室中的多模式感应解决方案打开了许多新的研究方向。据作者的最佳知识，这是在医学背景下利用SSL的第一项作品。
合作上下文敏感预测推断的细胞机制
逻辑在数学及其20世纪的分支计算机科学方面具有一定的地位。现代符号逻辑是在某种程度上开发的，是为数学提供正式框架的一种方式：Frege，Peano，White-Head和Russell，以及Hilbert开发了逻辑系统以实现数学的逻辑系统。这些系统的目的是作为自己的基础，或者至少是数学理由的数学原因的形式类似物，例如，在希尔伯特的一致性计划中。类似的努力仍在继续，但通过开发了使用证明和模型理论来研究此类系统属性的复杂方法的发展。与逻辑形式主义作为表达数学理论的工具（从广义上讲）的工具并行，在寻求机械化逻辑推导的机械化及其理论限制的调查中已经取得了很多进步，最近在与新的基础框架开发具有成熟的计算机 - 计算机 - 估算系统的新基础框架方面达到了最终形式。此外，事实证明，逻辑学家在数学和哲学上开发的逻辑犯罪事实在描述计算机科学家感兴趣的理论和感兴趣的系统非常有用，反之亦然。逻辑在计算机科学中影响的三个检查是自动推理，计算机验证和编程语言的类型系统。
一套基础模型捕获了密码子之间的上下文相互作用
图1：Encodon和Decodon的概述：A）已从NCBI基因组数据库中提取了5000种物种的6000万个编码序列，并用于预先培训Encodon和Decodon基础模型。b）绝大多数数据（98.7％）由细菌编码序列组成。显示了NCBI中非细菌编码序列的分裂构成的饼图。c）NCBI基因组数据库中编码序列长度（密码子数）的直方图。我们将2048用作由Encodon和Decodon支持的最大序列长度，并考虑到所示的分散量以覆盖超过99.8％的序列。d）我们使用蒙版语言建模（MLM）目标仔细研究了Encodon，其中序列的一部分被损坏/掩盖了，并且该模型必须在给定其余的令牌（即上下文）。decodon是一种有条件的生成变压器模型，它通过将序列生物体作为第一个输入令牌来提供可控的编码序列生成。我们在汇总的编码序列中，用因果（自动性）语言建模目标进行了训练，其中每个序列都用特殊的有机体令牌培养。旋转位置自我注意事项均在Encodon和Decodon块中使用。e）3个ecdodons和2个解码，比例不同（即可训练参数的数量）已在NCBI基因组数据库的汇总语料库上进行了超过1,000,000个优化步骤的预训练。
flordb流动：机器学习生命周期的增量上下文维护
在本文中，我们提出了从机器学习管道中逐步收获并查询任意元数据的技术，而不会破坏敏捷实践。我们将方法集中在开发人员偏爱的技术上，用于生成元数据 - 日志语句 - 利用日志记录创建上下文的事实。我们展示了视觉记录[8]如何允许在事后添加和执行此类陈述，而无需开发人员远见。可以查询不完整元数据的关系视图，以在多个版本的工作！OWS中动态实现新的元数据，并按需按需。这是以“以后的元数据”样式完成的，o”敏捷开发的关键道路。我们在称为FlordB的系统中意识到了这些想法，并演示了数据上下文框架如何涵盖一系列临时元数据以及定制功能商店和模型存储库今天处理的特殊情况。通过使用情况（包括ML和人类反馈），我们说明了组件技术如何融合以解决敏捷性和纪律之间的经典软件工程交易。