XiaoMi-AI文件搜索系统
World File Search System交互式
AI Charades：语言模型作为交互式游戏环境
在本研究中，使用预训练的 GPT-2 Transformer 网络作为模型 [1]。使用预训练模型有几个好处。首先，不需要微调，因此不需要额外的训练或数据收集。其次，通用语言模型提供了丰富的语义环境供交互。在语言模型游戏中，很大一部分挑战包含在语言模型的自然动态中——玩家必须弄清楚哪些短语会影响 AI，理解什么语法等。外部结构，例如在 AI Charades 中提供一个秘密词，主要作为目标框架，以鼓励探索语言模型动态。请注意，任何经过充分训练的语言模型都可以替代，并且不同的模型通常会提供相关（适用基本语法规则）但不同（语言模型偏向其训练数据集）的动态。
交互式数字图像显示和分析系统 (IDIDAS) 用户指南
一种通过卫星和无线电探空仪的垂直探测预报恶劣天气的统计技术。David L. Keller 和 William L. Smith，1983 年 6 月 (PB84 114099) 北半球积雪的空间和时间分布。Burt J. Morse 和 Chester F. Ropelewski (NWS)，1983 年 10 月。(PB84 118348) 使用 NOAA 系列卫星进行火灾探测。Michael Matson、Stanley R. Schneider、Billie Aldridge 和 Barry Satchwell (NWS)，1984 年 1 月。(PB84 176890) 使用卫星多通道海面温度图监测 1981-83 年东赤道太平洋的长波。 Richard Legeckis 和 William Pichel，1984 年 4 月。（PB84 190487）NESDIS-SEL Lear 飞机仪表和数据记录系统。Gilbert R. Smith、Kenneth 0. Hayes、JohnS. Knoll 和 RobertS. Koyanagi，1984 年 6 月。（PB84 219674）均匀地球和云表面反射模式图集（NIMBUS-7 ERB--61 天）。V. R. Taylor 和 L. L. Stowe，1984 年 7 月。（PB85 12440）使用卫星数据分析热带气旋强度。Vern F. Dvorak。1984 年 9 月。（PB85 112951）利用 NASA 空间站计划的极地平台进行地球观测。 John H. McElroy 和 Stanley R. Schneider，1984 年 9 月。（PB85 1525027 I AS）NOAA N-ROSS/ERS-1 环境数据开发活动摘要和分析。John W. Sherman III，1985 年 2 月。（PB85 222743/A3）NESDIS 14 NOAA N-ROSS/ERS-1 环境数据开发 (NNEEDD) 活动。John W. Sherman III，
通过交互式系统中的感觉幻觉的触觉反馈调查
Number of Publications Included Publications Proprioception and Body Schema Illusions 8 (8.89%) - Rubber Hand Illusion 3 (3.33%) [ 3 , 26 , 100 ] - Virtual Hand Illusion 3 (3.33%) [ 80 , 105 , 117 ] - Other 2 (2.22%) [ 94 , 124 ] Phantom Sensations 24 (26.67%) - On-Body 11 (12.22%) [ 22 , 25 , 31 ，52，56，61，79，79，81，93，103，119] 139 , 145 ] Geometry Illusions 9 (10.00%) - Shape Illusion 5 (5.56%) [ 7 , 8 , 12 , 21 , 133 ] - Size Illusion 4 (4.44%) [ 6 , 11 , 132 , 147 ] Weight Illusions 17 (18.89%) - Size-Weight Illusion 3 (3.33%) [ 43 , 82 , 116 ] - Visual simulation of moving objects inside 2 (2.22%) [ 55 , 146 ] - Asymmetric oscillation 2 (2.22%) [ 1 , 128 ] - Control-display ratio 5 (5.56%) [ 58 , 92 , 108 , 112 , 115 ] - Other 5 (5.56%) [ 2 , 59 , 85 , 96 , 120 ] Stiffness Illusions 13 (14.44%) - Visual texture deformation 4 (4.44%) [ 4 , 57 , 67 , 144 ] - Control-display ratio 2 (2.22%) [ 20 , 141 ] - Simulated deformation sounds 2 (2.22%) [ 69 , 134 ] - Friction grain model 4 (4.44%) [ 46 , 47 , 60 , 63 ] - Restricting Deformation 1 (1.11%) [ 129 ] Surface Texture Illusions 13 (14.44%) - Cursor representation 3 (3.33%) [ 71 , 72，87] - 滚动屏幕2（2.22％）[62，136] - 叠加的视觉/听觉纹理5（5.56％）[14，23，33，34，149] - 天鹅绒手幻觉2（2.22％）[101，148] [101，148] - manipulate velecity 1（1.11％） 113]环境错觉1（1.11％）[16]表1。在调查的出版物中发现的触觉幻觉的分布，首先由其针对的主要触觉财产分类。这些群体不构成全面的分类法，而是源自我们的编码数据中的群集。
面向具有内在反馈的交互式强化学习
强化学习 (RL) 和脑机接口 (BCI) 在过去十年中经历了显着增长。随着人们对人机在环 (HITL) 的兴趣日益浓厚，将人类输入与 RL 算法相结合催生了交互式 RL 子领域。与此同时，BCI 领域长期以来一直对从神经活动中提取信息性脑信号以用于人机交互感兴趣。这两个领域之间的关键联系在于将神经活动解释为反馈，以便可以采用交互式 RL 方法。我们将这种新兴的反馈媒介称为内在反馈。尽管内在反馈能够自动甚至无意识地传达，但两个社区基本上都没有对这一关键环节进行适当的探索。因此，为了帮助促进更深入的理解和更有效的利用，我们提供了一个教程式的回顾，涵盖了内在反馈及其基础概念的动机、方法和未解决的问题。
用于电生理 DMI 的交互式模块化系统
不同的音乐家和研究人员创建了各种音乐系统，目的是简化基于电生理信号和身体姿势的数字乐器的开发过程 [1,8]。然而，他们的努力往往与主流科学或音乐界隔绝，限制了知识和实践的相互交流。在脑电图领域，使用命令行界面的脑机音乐接口 (BCMI [9]) 软件 [11,12]、复杂的架构 [1,5,14,15] 或程序编程 [12,17] 使得一小部分潜在感兴趣的用户（即具有必要技术技能的用户）可以进行实时脑电图处理。此外，选择和实施脑电图分析需要一定程度的神经科学培训或至少是理解。虽然市场已经做出了反应，推出了越来越用户友好的系统（例如 [10] 最近的一篇评论），但它们通常没有提供足够开放和灵活的软件架构来满足艺术实践的需求。商业软件的价格也可能过高，而且通常专门用于特定的治疗或医疗用途。简而言之，目前缺乏将电生理信号处理纳入灵活音乐环境的标准化系统的需求。肌肉群识别、电极放置和任务设计方面的最佳实践需要传达给非专业用户。我们将要讨论的软件开发是对这种情况的回应，也是名为 Body Brain Digital Musical Instrument (BBDMI) 的大型项目的一部分。该项目的目的是为没有神经科学和信号分析领域专业知识的音乐家和艺术家开发一种数字乐器 [16]。换句话说，BBDMI 的主要目标是通过提供用户友好的界面来处理从采集到特征选择和声音映射的信号处理，从而创建一个灵活而富有创意的平台来试验电生理信号。本文的结构如下。我们首先介绍当前研究的相关工作。接下来，我们将详细描述我们的系统架构、遇到的技术挑战以及与音乐界的潜在相关性。然后，我们将展示我们的修补工作流程、信号处理模块以及在用户研究和音乐会期间开发的映射策略。最后，我们将总结如何改进系统的想法、可能的未来方向以及我们公共存储库的链接。在文中，我们使用术语 ExG 来指代肌电图 (EMG) 和脑电图 (EEG)。
朝着用户感知的交互式虚拟代理：生成多模式
虚拟代理充当XR平台中的重要接口。，生成虚拟代理行为通常依赖于预先编码的动作或基于物理的反应。在本文中，我们提出了一个基于学习的多模式行为生成框架，该框架适应用户的原位行为，类似于人类在现实世界中彼此之间的影响。通过利用内部收集的二元对话行为数据集，我们培训了一个跨性变量自动编码器（CVAE）模型来实现虚拟剂的用户生成的行为。与大型语言模型（LLM）一起，我们的方法可以同时产生虚拟药物的言语和非语言反应行为。我们的比较用户研究证实了我们的方法优于基于图形的基线基线技术，尤其是在以用户为中心的标准方面。对我们结果的彻底分析强调了虚拟代理相互作用的真实性质以及VR交互期间的用户参与度的增强。
AISpace2：用于学习和教授人工智能的交互式可视化工具
AIspace 是一套用于学习和教授基本 AI 算法的工具。AIspace 的原始版本是用 Java 编写的。算法和可视化之间没有明确的区分；对于学生来说，修改底层算法太复杂了。它的下一代产品 AIspace2 是基于 AIPython 构建的，AIPython 是开源 Python 代码，旨在尽可能接近伪代码。AISpace2 在 JupyterLab 中可视化，保留了简单的 Python 代码，并使用 AIPython 中的钩子来实现算法的可视化。这允许学生查看和修改 Python 中的高级算法，并以图形形式可视化输出，旨在更好地帮助他们建立对 AI 概念和算法的信心和舒适度。到目前为止，我们有用于搜索、约束满足问题 (CSP)、规划和贝叶斯网络的工具。在本文中，我们概述了这些工具，并根据用户反馈给出了一些评估。
用于作战联合人机智能的交互式 OODA 流程
使用“观察-调整-决策-行动”（OODA）框架进行战略思考的一个关键优势是，它提供了一种系统的方法来了解另一个代理的决策过程，无论是合作的还是对抗的。事实上，当前的 OODA 概念支持理解人类决策过程，以支持有关人类作战人员和以人为本的行动的敏捷和竞争性决策。然而，未来基于人机协作的军事决策依赖于支持联合人机智能的技术和交互概念，而不仅仅是人类的能力。这需要新的 OODA 概念。在此，我定义了一个机器 OODA 循环，考虑了使其与人类 OODA 循环相似和不同的特征。我考虑如何将人工智能和认知建模的进步融入机器导向阶段，为机器提供比人类独特的优势，因为机器可以将对人类操作员的理解和预测与对机器行为和数据分析的预测结合起来。此外，我建议有效的人机合作应该由人机联合决策行动过程支持，概念化为交互的 OODA 循环。对交互的人机 OODA 过程的考虑为支持有效操作人机决策的系统的设计原则和架构提供了概念指导。
AI驱动的交通符号分类与交互式GUI集成
*1助理教授of Electronics and Communication Engineering, MMEC Belagavi, Karnataka, India ---------------------------------------------------------------------***--------------------------------------------------------------------- Abstract - Traffic sign recognition plays a pivotal role in the development of autonomous vehicles and advanced driver- assistance systems (ADAS), significantly enhancing road safety.该项目利用卷积神经网络（CNN）的力量准确地对流量标志进行分类。德国交通标志识别基准（GTSRB）数据集，其中包含在各种条件下捕获的43个交通标志类别的图像，用于模型培训和评估。通过调整大小，归一化和单热编码对图像进行预处理，从而确保与CNN体系结构的兼容性。为了提高模型鲁棒性，采用了旋转，变焦和换档等数据增强技术，从而创建了一个丰富的数据集用于培训。所提出的CNN体系结构包括多个卷积，汇总和辍学层，从而实现有效的特征提取和分类。该模型是使用Adam Optimizer训练的，并在单独的测试集上进行了评估，从而实现了高精度并在现实世界中证明其有效性。结果表明，数据增强显着增强了概括，辍学层的使用减少了过度拟合。该项目以成功部署流量标志识别系统的结论，能够以高精度识别流量标志，从而铺平了将AY集成到实时流量监控和ADA中。这项成就标志着朝着更安全的自主驾驶技术迈出的重要一步。
