XiaoMi-AI文件搜索系统
World File Search System人工制品
棱镜对准数据集：什么参与性-NIPS论文
人类反馈是大语言模型（LLMS）的一致性的核心。但是，关于方法，域（Who），人（WHO）和目标（到什么目的）的方法（如何），反馈过程的开放问题仍然存在。为了浏览这些问题，我们介绍了P rism，该数据集绘制了来自75个国家 /地区的1,500名不同参与者的偏好，并在8,011个现场对话中以21 llms的方式表示偏好。使用P RISM，我们贡献了（i）更广泛的地理和人口参与反馈； （ii）两个国家的人口普查代表样本（美国，美国）； （iii）与详细参与者概况相关的个性化评级，允许样本人工制品的个性和归因。我们针对具有价值和有争议的问题的主观和多元文化观点，我们期望人际关系和跨文化分歧。我们在三个案例研究中使用P RISM来证明需要仔细考虑人类提供哪些对齐数据的需要。
使用Mobilenet ...
摘要：人工智能（AI）的扩散导致了生物识别安全性和数字内容验证的显着进步，但它也实现了复杂的威胁，例如欺骗攻击和深层操纵。安全的视觉项目通过将Mobilenet和Resnext模型集成到统一系统中来解决这些双重挑战。Mobilenet用于实时反欺骗检测，专注于眼睛眨眼和微妙的面部运动等可感性提示，而Resnext则专门识别特定于深层特异性人工制品，包括纹理不一致和照明异常。通过对ASVSPOOF，FaceForensics ++和DeepFake检测挑战（DFDC）等各种数据集进行培训，该系统可实现强大的性能和概括性。集成体系结构提供高精度（97.8％）和实时处理功能（每帧50ms），使其适合于生物识别访问控制，在线身份验证和媒体真实性验证中的应用。本文讨论了未来增强功能的方法，性能指标和潜力，包括多模式集成和持续学习框架，以确保系统随着新兴威胁而演变。
快速预测电池性能
摘要：在这项研究中，我们研究了人工神经网络作为一种潜在有效方法，以确定具有不同孔隙率的锂离子电池电极的速率能力。锂离子电池的性能在很大程度上取决于其电极的Mi-Crasstructure（即层厚度和孔隙率）。将微观结构定制到特定应用程序是电池开发的关键过程。然而，使用实验或模拟的微观结构和速率性能之间的复杂相关性是耗时且昂贵的。我们的方法提供了一种快速的方法，可以通过在电极横截面的微观结构图像上使用机器学习来预测电池电极的速率。我们训练多个模型，以根据Bateries的微观结构来预测特定能力，并通过使用可解释的人工智能（XAI）方法来研究微观结构的决定性部分。我们的研究表明，即使是相对小的神经网络架构也能够提供最新的预测结果。除此之外，我们的XAI研究表明，这些模型在忽略当前的人工制品的同时使用了易于理解的人类特征。
从为人类服务的人工智能到为世界和宇宙服务的人工智能
人类当然是一种特殊的物种，但人类并非超自然的。人类是自然的一部分，是动物界和生态系统的成员。人类并不是唯一具有道德相关属性的物种，例如形成偏好、体验快乐和痛苦或拥有值得过的生活的能力。事实上，考虑到这些和其他因素，一些人主张所有生物（Taylor 1986）、生态系统（Rolston 1988）甚至非生物环境（Milligan 2015）都具有内在的道德价值。同样，人类创造的人工制品（包括人工智能）也可能具有内在的道德价值。对于未来更先进的人工智能形式，例如大脑模拟（Sandberg 2014），这种情况尤其可能存在。这些不同的具体立场都对科学和道德辩论持开放态度。不应争论的是，人类并不是唯一具有内在道德意义的实体，这意味着人类应该因其自身而受到重视，而不仅仅是因其对人类的价值。
了解CHI的LLM化：通过系统的文献评论，解开LLM在CHI上的影响
大型语言模型（LLM）已被定位为革命HCI，不仅可以重塑我们研究的接口，设计模式和社会技术系统，还可以重塑我们使用的研究实践。迄今为止，对HCI中LLM的吸收几乎没有了解。我们通过对2020 - 24年与LLMS互动的153篇Chi论文进行系统的文学评论来解决这一差距。我们分类法：（1）应用LLM的域； （2）LLM在HCI项目中的作用； （3）贡献类型； （4）公认的局限性和风险。我们通过经验和人工制品的贡献发现了10个不同领域的LLM工作。作者在五个不同的角色中使用LLM，包括作为研究工具或模拟用户。仍然，作者经常提高有效性和可重复性问题，并压倒性地研究封闭的模型。我们概述了通过LLM和LLM上改善HCI研究的机会，并为研究人员提供指导性问题，以考虑与LLM相关工作的有效性和适当性。
母校StudiorumUniversitàdiBologna Archivio ...
智能系统通常可以理解为由人类和人工制剂，计算和物理人工制品以及调节均质组件之间相互作用的机构和规范组成的社会技术系统。智能社会技术系统的设计要求非平凡的社会和组织概念和技术，通常是从代理和多代理系统（MAS HESEFORTH）领域进行的[54]。特别，协议技术[55]可以在旨在促进智能系统中促进合作和协作活动（例如对话，谈判，论证）中促进合作和协作活动之间的智能互动。鉴于他们与MAS的长期联系[12，49]，基于逻辑的技术在这种情况下可以发挥作用，尤其是在处理互动时（包括人与人之间的人对代理和代理商对代理人）[52]。更具体地说，基于逻辑的协议技术可以作为推理和代理对话的一般框架，在这种情况下，论证扮演着核心角色
基于人工智能的转型项目 - 角色
ibistm，法国Courbevoie，A BRASTRATS用于集成数据科学（AHMM4IDS）的应用的多性性/整体数学模型支持企业的转换项目（简单地项目）。AHMM4IDS使用各种数学模型（MM），这些模型将数据科学（DS），AI-Subdomains，信息通信系统（ICS）组件与项目转换的资源一起进行。转换的资源可以是服务（和人工制品），成功因素（或校准变量），业务流程（和场景），混合方法，AI模型和足够的企业体系结构（EA）模型（EAM）。MMS，基于混合方法的服务，人工制品和EAM可用于建立包括DS Technics/功能，数据平台的访问（和管理）的DS模式集（DSP），算法函数，绘制概念，无限制的服务；建模和实施决策过程（DMP）相关的基础架构，数据存储，组件模型和最终用户的集成。DSPS的集成和自动化DMP的集成，项目的有效性检查和GAP分析（GAPA）；所有这些都需要适应的接口才能访问企业，项目，数据存储，ICS，EAMS，人工智能（AI）服务和其他类型的资源。另一方面，DSP通过使用项目和AI组件与其他人进行通信；还可以使用各种媒体类型格式，例如可扩展的标记语言（XML）格式以及许多其他形式。导入（或导出）DSS的内容和结构与其他项目的伪像和组件相结合，以为各种AI-Subdomains提供DSP。1。k eywords数据科学，人工智能，多性数学模型，业务和共同转型项目，企业架构，人工智能，定性和定量研究以及关键的成功因素/领域。a troduction ai-subdomains包括Bigdata，机器学习（ML），深度学习（DL）等。AHMM4ID用于Project的AI-Subsystems的完整性检查，算法的集成，GAPA，财务分析，风险管理，以及许多其他类型的战略性DMP相关操作。DSP使用MMS（AHMM4ID是一组MMS），因此可以与混合研究方法相互关联的内存数据集（IDS）。这些方法主要基于定性和相关的定量方法。RDS在特定的统计案例中采用了变革性企业范围的视图，而不仅仅是DS的用法；它还促进了支持定性启发式决策树（HDT）的中央推理引擎的DSP。知道项目很复杂并且失败率很高[1]。
使用物理引导的对抗网络生成破裂标本的人工位移数据
抽象的数字图像相关性（DIC）已成为监视和评估开裂标本的机械实验的宝贵工具，但是由于固有的噪声和人工制品，通常很难自动检测裂纹。机器学习模型在使用DIC测量的，插值的全景位移作为基于卷积的分割模型的输入中检测裂纹路径和裂纹尖端非常成功。仍然需要大数据来训练此类模型。但是，由于实验昂贵且耗时，科学数据通常很少。在这项工作中，我们提出了一种直接生成类似于实际插值DIC位移的破裂标本的大量人工位移数据的方法。该方法基于生成对抗网络（GAN）。在训练期间，鉴别器以衍生的von Mises等效菌株的形式接收物理领域知识。我们表明，与经典的无指导GAN方法相比，这种物理学引导的方法在样品的视觉质量，切成薄片的Wasserstein距离和几何得分方面会带来改善的结果。
有影响力的数字技术教练：确定他们的特点和能力，同时界定他们的角色
数字技术教练 (DTC) 通常支持教师将技术融入课堂和教学计划，并提供持续的员工发展。为了提高效率，教练往往具有特定的教学指导特征和教育指导能力。我们调查了这些特征和能力是否适用于有效的 DTC，同时观察了他们的技术熟练程度、他们与其他教育工作者的互动以及他们为教师专业学习 (PL) 过程提供支持的方式。三位 DTC 带领来自同一学区的 80 多名 K-12 教师参加课堂辅导课程、协作计划会议、PL 课程和会议演示。按照通用定性方法，分析了多种数据源，包括实地笔记、人工制品和转录访谈。通过检查详细说明他们的角色及其对教师同事学习的影响的数据，很明显这些 DTC 具备有效教学教练的特征和能力。重要的是，这项研究通过记录这些特征和能力不仅对教学教练，而且对 DTC 的适用性，阐明他们的作用，并解释他们对教师 PL 的影响，丰富了有关有效教练的文献。
拟人化和AI炒作-UCL Discovery
人类对拟人化的天生倾向。我们不禁以独特的人类方式思考非人类，在非人类中“看到”类似人类的特征，并做出相应的反应[1]。，但是这些推论可能会产生误导。推断我们回家时很高兴见到我们是很安慰的，也许很自然。这样的推论对于我们的宠物狗来说似乎是合理的。，但对我们的宠物岩石来说却不太如此。随着复杂的AI的出现，技术人工制品的拟人化已经变得广泛[2，3]。这不是最不重要的，因为这种技术通常被设计为像人类一样。的确，在许多情况下，这就是推动他们成功的原因。流行的基于LLM的Convertion App replika获得了知名度，因为它对用户感到与人交谈的感觉。replika用户认为他们的replika具有某些人类属性，例如情感的能力（例如，爱情，欲望，狂热，善良和悲伤）。这部分是因为聊天机器人伴随着类似人类的头像。，这也是因为它有能力维持人级对话并使用第一人称代词，Ben Schneiderman和Micheal Muller对[4]批评了GPT-4。