XiaoMi-AI文件搜索系统
World File Search System不见
equibot：SIM（3） - 可推广和数据有效学习的Equivariant扩散策略
摘要：构建有效的模仿学习方法，使机器人能够从有限的数据中学习，并且仍然在不同的现实世界环境中概括是一个长期存在的问题。我们提出了Equibot，一种可用于机器人操纵任务学习的强大，有效且可推广的方法。我们的方法结合了SIM（3） - 等级神经网络体系结构与扩散模型。这确保了我们所学的政策对规模，轮换和翻译的变化是不变的，从而增强了它们对看不见的环境的适用性，同时保留了基于扩散的政策学习的好处，例如多种方式和鲁棒性。我们在一组6项模拟任务上显示，我们提出的方法减少了数据要求并改善对新方案的概括。在现实世界中，有10个移动操作任务的10个变体，我们表明我们的方法可以轻松地概括为每项任务中仅5分钟的人类演示的新颖对象和场景。网站：https：//equi-bot.github.io/
![arxiv：2502.00832v1 [CS.CL] 2025年2月2日](/simg/4\460750c88b2c2a3b4270f4bf1f9583392a580e2b.webp)
arxiv：2502.00832v1 [CS.CL] 2025年2月2日
摘要。大型语言模型（LLMS）的进步已经开放了自然语言处理的新边界，尤其是在医疗保健等特殊领域。在本文中，我们提出了基于课程的微调（ICFT）框架，以增强医学大语言模型（MLLM）的发电能力。基于课程的学习，双阶段记忆协调和参数效果，以实现从一般语言知识到强大的领域特定专业知识的逐步过渡。跨不同医学NLP任务的实验结果，包括问题，偏好分类和响应产生，表明ICFT始终超过最先进的基准，从而提高了准确性和效率。进一步的分析揭示了该框架概括不见数据，减少错误并提供各种相关的医学响应的能力。这些发现将ICFT建立为适应LLM的强大和可扩展解决方案，以对现实世界中的医疗保健应用程序造成实际的利益。
Winterschool 2025
16：00欢迎Heinz Redl，Johannes Grillari，Andreas Teuschl 16:15 - 19:15从床头到生物医学研究的长凳，很容易在您自己的实验室组织，科学细节和学术界的专业泡沫中迷失。现实检查临床需求和可行性可能无法引起应有的关注。经常，我们几年来不见我们的研究目标受众，或者根本不遇到他们：患者。在本届会议中，我们将在寻求满足临床需求时考虑“现实世界”的各个方面。两名外科医生将在床边洞悉他们的经历。最后，在闭幕式研讨会中，您将反思如何将这些新见解以及开放创新概念参与到当前或将来的研究项目中。主席：康妮·施耐德（LBI创伤）扬声器：1。Georg Mattiassich（UKH Linz）2。Stefan Nehrer（继续教育的大学）3。Conny Schneider（LBI创伤）
法律功能的转变 Poul F. Kjaer 编辑
目录 第一章 政治经济学法：导论 1 Poul F. Kjaer 第一部分 政治经济学法研究 31 第二章 经济宪法的法律本质 33 Christian Joerges 和 Michelle Everson 第三章 民主治理的神话 62 Emilios Christodoulidis 第四章 当代合法性的政治经济学 89 Duncan Kennedy 第二部分 全球化经济的法律变革 125 第五章 全球政治经济学中的法律：时而可见，时而不见 127 David Kennedy 第六章 自然资源开采和货币法是理解全球政治经济及其转型潜力的关键 152 Isabel Feichtner 第七章 “社会性质”：人类世的政治经济学、科学和法律 181 Jaye Ellis 第三部分 欧洲政治经济学法的转型 203 第八章 欧洲私法的转型政治205 Hans-W. Micklitz 第九章：社会经济想象与欧洲私法 228 Marija Bartl
学习为增强学习优化
近年来，通过利用更多的数据，计算和不同的任务，学习的优化者在监督学习方面取得了巨大的成功，表现优于经典的手工设计优化者。强化学习（RL）与监督学习本质上是不同的，在实践中，即使在简单的RL任务中，这些学习的优化者也无法很好地工作。我们研究了这一现象，并确定了两个问题。首先，代理梯度分布是非独立的且分布相同的，导致效率低下的元训练。此外，由于高度随机的剂 - 环境相互作用，代理梯度具有较高的偏差和方差，这增加了对RL学习优化器的困难。我们提出了管道训练和具有良好诱导性偏见的新型优化器结构，以解决这些问题，从而可以从头开始学习优化器以增强增强器学习。我们表明，尽管仅接受了玩具任务的培训，但我们学到的优化器可以推广到在Brax中看不见的复杂任务。1
brainnet：用暹罗网络改善基于脑电波的生物识别识别
摘要 - 通过捕获大脑活动的消费者可穿戴设备的出现，已提出使用脑电波来验证用户身份的使用，以作为密码的方便替代品。最近在脑生物识别方面的工作显示出可行的性能，但考虑实用性的适用性不足。我们提出了一种新的解决方案Brainnet，该解决方案训练一个暹罗网络，以测量两个脑电图（EEG）输入的相似性，并使用时间锁定的大脑反应而不是连续的心理活动来提高准确性。这种方法消除了对脑电波识别系统进行检验的需求，这是当前解决方案中的常见陷阱，促进了实际部署。此外，Brainnet在验证模式下达到0.14％的误差率（EER），在识别模式下达到0.34％，即使在看不见的攻击者场景下进行评估时，也表现出色的状态。索引术语 - 脑生物识别技术，用户身份验证，计算机安全，脑电图（EEG）
![arxiv：2402.18695v2 [CS.CV] 26 Jul 2024](/simg/f\f08f1aee69cc179cf9f481f2bc9e7e619c2cf4e0.webp)
arxiv：2402.18695v2 [CS.CV] 26 Jul 2024
摘要。我们介绍了Autober，这是一种用于VI-SUAL实体识别的自回归模型。我们的模型通过采用检索增强的结构发电来扩展自回归的多模态大型语言模型。它可以减轻台面外的低性能，同时在需要视觉推理的查询中出色。我们的方法学会了通过与没有外部撤回器的序列序列物镜并行进行硬性负面训练，以在巨大的标签空间内区分相似的实体。在推论期间，检索到的候选人答案列表通过删除无效的解码路径来明确指导语言构成。所提出的方法在最近提出的烤箱-Wiki基准测试中实现了不同数据集拆分的显着改善，而所见实体的准确性从32.7％上升到61.5％。它通过实质性的两位数边际表现出了在看不见和查询分裂的卓越性能，同时还可以保留有效地转移到其他无需进一步训练的基准的通用视觉问题上的能力。
硅阳极固态电池中的断裂动力学
图1：来自Operando XCT的实验设计和选定图像。（a）操作XCT细胞设计，成像和图像重建过程的示意图。（b）在0.5 mA CM -2电流密度，10 MPa堆栈压力和25°C下，在Operando XCT实验中循环的硅半细胞的电静态电压谱图。XCT图像是在第一次锂化之前和之后收集的，然后在划界和重新构度期间每15分钟收集一次。（c）从XCT数据中重建单元堆的3D渲染，突出显示了不同的2D切片。（d）垂直横截面图像显示了（i）原始的硅/LPSC界面，（ii）锂化，（iii）界定，（iii）截然不见，（iv）重新列为较高的状态，false-Color叠加层，突出显示了（I）中的硅和LPSC。（E-G）平面图像来自（e）锂化，（f）删除和（g）重新列为的硅电极中点的平面图像。
yo-yo.ai whitepaper_public_2025-03-04
●分类特征的本机处理：该模型本质地了解和过程分类数据，而无需手动一式壁炉编码或其他预处理技术。这简化了数据管道，并保留了分类变量内的关系。●使用时间数据的稳健性能：该模型有效地捕获了时间序列数据的模式和趋势，使其适合涉及预测，异常检测或序列分析的应用。●高心电图特征的有效处理：模型可以管理具有大量唯一值（高基数）的功能，而计算复杂性或内存需求的显着增加。●内置的缺少值处理：模型可以优雅地容纳缺失的数据而无需插入或删除，从而确保由于数据集不完整而不会丢失有价值的信息。●高级正则化技术以防止过度拟合：该模型结合了L1和L2正则化，辍学或早期停止以控制模型复杂性并防止过度拟合的技术，从而改善了对看不见数据的概括性能。
genepert：利用基因嵌入基因扰动预测
预测靶基因的扰动如何影响其他基因的表达是理解细胞生物学的关键组成部分。这是一个具有挑战性的预测问题，因为该模型必须捕获复杂的基因关系，并且输出是高维且稀疏的。为了应对这一挑战，我们提出了一种简单的方法，一种利用Genept嵌入的方法，它是使用单个基因的文本描述来得出的，以预测通过正规回归模型扰动引起的基因表达变化。在多种细胞类型和五个不同审慎的基因嵌入模型的八个CRISPR扰动屏幕数据集上进行了基准测试，Genepert始终胜过所有在Pearson相关和均值平方误差指标中测量的所有最新预测模型。即使使用有限的培训数据，我们的模型也有效地概括了，为预测扰动结果提供了可扩展的解决方案。这些发现强调了信息性基因嵌入的力量，以预测硅中看不见的遗传扰动实验的结果。genepert可从https://github.com/ zou-group/genepert获得。