XiaoMi-AI文件搜索系统
World File Search System交互作用
从自然互动和大型语言模型中对人形机器人行为的增量学习
摘要 - 自然语言对话框是直观人类机器人相互作用的关键。，它不仅可以用来表达人类的意图，而且可以传达改进的指示，如果机器人无法正确理解命令。非常重要的是，将机器人赋予以渐进的方式从这种互动经验中学习的能力，以使他们能够改善自己的行为或避免将来犯错。在本文中，我们提出了一个系统，以从自然相互作用中实现复杂行为的增量学习，并证明其在人形机器人上的实现。基于最新进展，我们提出了一个系统，该系统基于使LLM能够在交互式控制台中生成Python语句以调用机器人感知和动作的互动式陈述的想法，从而将大型语言模型（LLMS）用于机器人行为的高级编排。通过将人类指示，环境观察和执行结果馈送到LLM，从而封闭了交互环路，从而告知下一个陈述的生成。具体来说，我们引入了增量提示学习，这使系统能够从错误中进行交互学习。为此，LLM可以将另一个负责基于人类反馈的当前交互的LLM调用。然后将改进的交互作用保存在机器人的内存中，从而在类似的请求中检索。我们将系统集成到人形机器人ARMAR-6的机器人认知结构中，并通过证明广义的渐进学习知识来定量（模拟）和定性（模拟和现实世界中）评估我们的方法。
大麻使用和以创伤为重点的治疗可在创伤后应激障碍和药物使用障碍：单个患者数据的荟萃分析
在创伤后应激障碍（PTSD）中，大麻使用率高（PTSD）提出了有关基于证据的PTSD治疗对报告大麻使用的个体的疗效的问题，尤其是那些患有酒精或其他药物使用障碍的人（SUD）。Using a subset of four randomized clinical trials (RCTs) included in Project Harmony , an individual patient meta-analysis of 36 RCTs (total N = 4046) of treat ments for co-occurring PTSD + SUD, we examined differences in trauma-focused (TF) and non-trauma-focused (non-TF) treatment outcomes for individuals who did and did not endorse baseline cannabis use （n = 410; 70％男性； 33.2％的大麻使用）。倾向评分加权混合效应模型评估了治疗分配的主要和交互作用（TF与非TF）和基线大麻的使用（是/否）对PTSD，酒精和非cannabis药物药物使用严重程度的出勤率和治疗率变化。结果显示，在所有情况下，参与者之间的结果有了显着改善，PTSD症状较大，但在两个大麻组中接受TF与非TF治疗的人的出勤率较低。参与者在所有条件下都可以降低酒精和药物的使用。tf的表现不佳，无论最近使用大麻，都强调了减少障碍访问TF治疗的重要性的重要性。
系统安全编程项目（2025春季）阶段1
第1阶段：安全频道一般说明。在班上有2或3名学生组成的小组中一起工作。截止日期：第1部分设计文档。2/21（星期五）11:59 PM在CMS第2部分扩展系统代码上。 3/5（星期日）11:59 pm在CMS上的键值存储在0阶段0使用网络链接客户端和服务器。 该系统可以由Dolev-yao攻击者颠覆，他可能会插入，修改或监视客户端发送的请求消息或服务器发送的响应消息。 第1阶段的重点是消除这类漏洞。 您将（i）设计协议以抵制Dolev-yao攻击者，（ii）通过扩展阶段0代码来实现这些协议。 因此，阶段1关注使用我们提供的网络创建安全渠道。 此安全频道将启用客户端与服务器之间的身份验证，秘密和完整性保护的通信，反之亦然。 构建阶段0可交付时所做的扩展名导致客户端和服务器之间的交互作用，并最多可以随时进行一次会话。 每个会话从登录操作开始，并以注销操作结束。 审慎的安全工程将使每个会话都使用一个单独的安全渠道，涉及新的秘密。 因此，损害为会话实施的安全渠道不会帮助攻击者损害上一次会话或以后会话期间发送的流量。 加密构建块以实现安全的渠道，您将需要使用加密。 使用这些例程作为您的构建块。2/21（星期五）11:59 PM在CMS第2部分扩展系统代码上。3/5（星期日）11:59 pm在CMS上的键值存储在0阶段0使用网络链接客户端和服务器。 该系统可以由Dolev-yao攻击者颠覆，他可能会插入，修改或监视客户端发送的请求消息或服务器发送的响应消息。 第1阶段的重点是消除这类漏洞。 您将（i）设计协议以抵制Dolev-yao攻击者，（ii）通过扩展阶段0代码来实现这些协议。 因此，阶段1关注使用我们提供的网络创建安全渠道。 此安全频道将启用客户端与服务器之间的身份验证，秘密和完整性保护的通信，反之亦然。 构建阶段0可交付时所做的扩展名导致客户端和服务器之间的交互作用，并最多可以随时进行一次会话。 每个会话从登录操作开始，并以注销操作结束。 审慎的安全工程将使每个会话都使用一个单独的安全渠道，涉及新的秘密。 因此，损害为会话实施的安全渠道不会帮助攻击者损害上一次会话或以后会话期间发送的流量。 加密构建块以实现安全的渠道，您将需要使用加密。 使用这些例程作为您的构建块。3/5（星期日）11:59 pm在CMS上的键值存储在0阶段0使用网络链接客户端和服务器。该系统可以由Dolev-yao攻击者颠覆，他可能会插入，修改或监视客户端发送的请求消息或服务器发送的响应消息。第1阶段的重点是消除这类漏洞。您将（i）设计协议以抵制Dolev-yao攻击者，（ii）通过扩展阶段0代码来实现这些协议。因此，阶段1关注使用我们提供的网络创建安全渠道。此安全频道将启用客户端与服务器之间的身份验证，秘密和完整性保护的通信，反之亦然。构建阶段0可交付时所做的扩展名导致客户端和服务器之间的交互作用，并最多可以随时进行一次会话。每个会话从登录操作开始，并以注销操作结束。审慎的安全工程将使每个会话都使用一个单独的安全渠道，涉及新的秘密。因此，损害为会话实施的安全渠道不会帮助攻击者损害上一次会话或以后会话期间发送的流量。加密构建块以实现安全的渠道，您将需要使用加密。使用这些例程作为您的构建块。将建立与会话关联的安全频道，以响应用户提交登录操作，并应终止安全频道以响应您提交注销请求。执行通用加密功能的代码包含在您使用系统其余部分下载的文件Crypto_utils/crypto_utils.go中。在使用公开密码学的系统中，需要某些手段才能为其他校长提供公共钥匙。经常使用认证授权。我们的项目忽略了图片的这一部分，相反，进行了一些预处理，如下所示。
使用可解释的机器学习方法
我们的报告建立了一个基本框架，用于在健康保险欺诈检测的背景下实施可解释的机器学习技术。在健康保险欺诈检测的情况下，欺诈性案件的数量远低于非伪造案件。这种差异会导致机器学习模型偏向非伪装类，从而将欺诈性主张视为非欺骗性的主张。为解决这个问题，这是一种标准做法，可以通过合成增加少数（欺诈性）类样本的数量或通过称为数据不平衡技术的方法来减少多数（非福利）类样本。我们在预处理阶段实施了四种不同的数据不平衡技术，这些技术在第3节中进行了更详细的解释。我们对这三个模型进行了三种机器学习模型的比较研究，并实施了可解释性技术。有关实施机器学习模型工作的更多详细信息，请在第3节中给出。各种不同部分详细介绍了各种可解释的机器学习方法在现实生活中的健康保险数据集上的应用。我们深入了解特征重要性技术，仔细检查输入如何影响输出并探索交互作用。功能重要性技术可以帮助我们更详细地了解各种功能的重要性，并让我们发挥一定的意义。专门的部分还致力于以与业务逻辑相符的方式来解释这些结果。
使用脑监测客观评估人机物理协作中的人类工作量
安全和顺从交互的概念不足以确保有效的物理人机合作。为了获得最佳的顺从行为（例如，可变阻抗/导纳控制），需要使用评估技术来衡量用户感知工作量方面的交互有效性。本研究调查了脑电图 (EEG) 监测作为一种客观测量方法，以对具有顺从性的合作操作中的工作量进行分类。进行了一项实验研究，包括两种类型的操作（粗略和精细）和两个导纳水平（低阻尼和高阻尼）。性能和自我报告的测量表明，增强感知工作量的适当导纳水平取决于任务。此信息用于形成二元分类问题（低和高工作量），其中频谱功率密度和相干性是从 EEG 数据中提取的特征。使用与受试者无关的特征选择方法，使用与受试者相关的线性判别分析 (LDA) 进行分类。平均分类率为 81%，表明所提出的方法在评估人类工作量与粗大和精细操作中不同顺从性之间的交互作用时具有可靠性。此外，为了验证我们提出的客观工作量测量方法，我们进行了第二次实验，包括精细和粗大运动任务。与恒定导纳交互相比，使用开环可变导纳控制器可观察到较低的基于 EEG 的工作量。该观察结果与主观工作量评分 (NASA-TLX) 一致。
通过跨模式注意的听觉注意检测
人类表现出非凡的感知能力，可以在多个竞争演讲者中选择感兴趣的语音流。先前的研究表明，通过分析听众的脑电图（EEG）活动，可以推断出听觉注意检测（AAD）可以推断出哪些说话者。但是，以前的AAD方法在短信号段上的表现较差，需要更高级的解码策略来实现强大的实时AAD。在这项研究中，我们提出了一种新颖的方法，即基于跨模式的基于跨模式的AAD（CMAA），以利用歧视性特征和音频和EEG信号之间的相关性。使用这种机制，我们希望通过直接参与音频和脑电图功能来动态地调整相互作用和融合横向模式信息，从而检测出在脑信号中表现出的听觉注意活动。我们还通过数据可视化和公开可用数据库的全面实验来验证CMAA模型。实验表明，CMAA在1-、2-和5-S决策窗口下分别达到82.8、86.4和87.6％的准确性值，分别为厌食条件。对于2-S决策窗口，在现实世界中的混响条件下，平均达到84.1％。所提出的CMAA网络不仅可以比常规线性模型实现更好的性能，而且还优于最先进的非线性方法。这些结果和数据可视化表明，CMAA模型可以通过直接参与音频和脑电图功能来动态地调整交互作用和融合交叉模式信息，以提高AAD性能。
一个新的框架，用于估计和分解气候预测的不确定性
摘要：通过运行全球气候模型（GCM）获得的气候预测会受到多元化的不利影响。基于分析此类不确定性的方差分析（ANOVA）的现有框架无法包括GCM和内部气候变异性之间的相互作用效应，该效果仅排名为GCM在意义上的主要效应。在这项研究中，提出了三向方差分析框架，并研究了所有主要影响和相互作用。结果表明，尽管总体不确定性（O）主要由主要影响贡献，但反应效应却相当大。特别是在二十一世纪，全球平均值（在网格细胞水平上计算，然后平均，同样在以下）所有主要影响的相对贡献为54％，温度为82％；所有相互作用效应的效果分别为46％和18％。由于三向方差分析无法投资不确定性来源引起的不确定性组成部分，因此通过推断出由不确定性来源引起的不确定性组成部分与主要影响和交互作用效应产生的不确定性组成部分之间的关系得到改善。通过改进的三向方差分析，O分解为由发射方案，GCM（M）和内部气候变异性（V）产生的不确定性组成部分。结果表明，O在二十世纪的降水中主要由M贡献，而在2060年代之前，M造成了M。通过研究V表征的鲁棒性，通过研究V的差异对随附的集合成员的数量进行了研究。V贡献的低估程度大约为降水量为4％，温度平均为1％。
适度热环境对认知表现的影响：多学科综述
近一个世纪以来，热环境对表现和生产力的影响一直是室内环境研究人员关注的焦点，但其中大部分工作都是在与人类表现评估的相关学科相对隔离的情况下进行的。本综述考察了跨多个学科进行的热环境对认知表现的影响研究。在区分表现和生产力之后，我们比较了将热应力与表现联系起来的两种主要概念模型；（1）倒 U 型概念和（2）扩展 U 型关系。倒 U 型指定了一个最佳温度（或其相应的主观热感觉），在此温度下表现最大化。相反，扩展 U 模型假设了一个宽阔的中央平台，在这个平台上热对认知表现没有明显的影响。这个表现平台以更极端的热条件下表现逐渐下降的区域为界。这两个对立概念模型之间的矛盾可能源于其基础研究基础上的各种混杂因素。其中包括与环境、任务和表演者相关的因素，以及它们相关的双向和三向交互作用。本文评估了可能导致这些概念模型分歧的方法论差异，以及这两个模型背后提出的因果机制。本文回顾的研究证据表明，扩展 U 型假设符合中等热环境与认知表现之间的关系。与倒 U 型关系相反，在室内气候控制中实施扩展 U 型意味着大幅减少建筑能耗，因为它允许加热和冷却设定点死区扩展到整个热舒适区，甚至在电网高峰需求事件等紧急情况下扩展得更远。使用个人舒适系统可以进一步将恒温器设定点范围扩展到舒适区之外。
预赛：世界模型预培训具有可学习的动作表示
摘要。基于模型的强化学习学习以学习决策的最新技术是通过建立有关环境染色体的世界模型来做出决策的。世界模型学习需要与真实环境进行广泛的互动。因此，从大规模视频中提出的几种创新方法，例如APV提出了无监督的预先培训模型，从而使更少的交互作用可以很好地调整世界模型。但是，这些方法仅将世界模型作为一个没有动作条件的视频预测模型预先训练，而最终世界模型则是动作条件。此差距限制了无监督的预训练的有效性，以增强世界模型的能力。为了进一步释放无监督的预训练的潜力，我们引入了一种方法，该方法可以预先培训世界模型，但可以从无动作视频中使用，但具有可学习的动作表示（PRELAR）。特定的是，两个相邻时间步骤的观察结果被编码为一种不断的动作表示，世界模型被预先训练为行动条件。为了使隐式动作表示更接近真实的行动，动作状态的一致性损失旨在自我监督其优化。在微调过程中，实际动作被编码为训练整个世界模型的下游任务的动作表示形式。从元世界仿真环境中对各种视觉控制任务进行了评估。代码可以在https://github.com/zhanglixuan0720/prelar结果表明，拟议的预赛显着提高了世界模型学习中的样本效率，证明了在世界模型预训练中进行不合转行动的必要性。
网络的机器学习技术...
机器学习（ML）是人工智能（AI）的一个分支，它专注于开发可以识别历史数据中模式，从中学习并做出逻辑判断的计算机程序，几乎没有人类投入。保护数字系统，例如计算机，服务器，移动设备，网络和相关数据，以防止敌对攻击，称为网络安全。将网络安全与ML相结合的两个关键组成部分正在考虑使用机器学习并使用机器学习来实现网络安全的网络安全。这一结合可能会以多种方式使我们受益，包括通过增强机器学习模型的安全性，增强网络安全技术的有效性，并支持有效检测零日间攻击，并以最少的人类交互作用来进行零日间攻击。由于技术的快速发展，网络安全格局变得更加复杂，从而造成了许多困难来保护敏感的数据和重要的基础架构。该项目的目标是在网络安全中使用机器学习实施三个不同的系统。第一个系统调查了如何使用强化学习来改善网络安全措施。强化学习算法被教导，根据他们通过反应和错误与环境的互动做出最佳选择，这对于适应更改的网络威胁很有用。第二种方法侧重于恶意软件识别，因为证明使用基于标准的签名方法很难识别出疏散和多态性恶意软件。在这种工作中使用了几种机器学习和深度学习方法，以准确识别和分类危险软件。第三个解决方案使用机器学习和深度学习技术来解决网络入侵检测的关键问题。将使用各种数据集以及评估措施在整个项目中评估每个系统的机器学习模型的性能。