XiaoMi-AI文件搜索系统
World File Search System代理行
2025 年 2 月 2 日 Janet Petro 代理行政官 国家......
2025 年 2 月 2 日 珍妮特·佩特罗 美国国家航空航天局代理局长 300 Hidden Figures Way, SW 华盛顿特区，20546 亲爱的代理局长佩特罗： 美国人民的丰富多样性和惊人的智力已被证明是现代科学进步的伟大创造引擎之一。每个美国人都应该有机会参与我们国家的科学事业并从中获益。 科学、空间和技术委员会（“委员会”）多年来一直在两党合作的基础上弘扬这些价值观。作为委员会的排名成员，我很自豪能够继承这一传统，倡导为各行各业的美国人提供更多的科学机会。 任何破坏各行各业杰出人士参与科学事业的能力的事物都是对美国科学的威胁。 消除参与科学的障碍应该始终是联邦政府的使命。联邦政府的政策永远不应该是制造这些障碍。特朗普总统的第 14151 1 号行政命令（题为“终止激进和浪费的政府 DEI 项目和偏好”）和第 14173 2 号行政命令（题为“终止非法歧视和恢复择优机会”）全面攻击了联邦政府为所有美国人提供科学机会的能力。通过强迫联邦机构（包括美国国家航空航天局等联邦研究机构）解散其多元化计划并停止对相关研究和项目的资助（仅通过右翼意识形态的试金石来判断），特朗普政府正在危及美国维持一支吸引来自全国各地最优秀、最聪明的人才的 STEM 劳动力队伍的能力。其后果将是可怕的。如果我们设置障碍阻止人们参与科学研究，并让整个美国群体都在努力克服这些障碍，美国就无法继续在科学和创新方面保持领先地位。
2024科学，技术，工程和数学委员会报告（COSTEM）和与Costem相关的代理行动
是由1976年的国家科学与技术政策，组织和优先事项法案建立的，旨在为总统执行办公室内的总统和其他人提供有关经济，国家安全，国土安全，外汇，外汇关系，环境，技术以及其他资源的科学，工程和技术方面的建议。OSTP领导机构间科学和技术政策协调工作，协助管理和预算办公室对预算的联邦研究和发展进行年度审查和分析，并作为总统在联邦政府的主要政策，计划和计划方面的科学和技术分析和判断的来源。更多信息可从http://www.whitehouse.gov/ostp获得。关于本文档，本文件是与国家科学技术委员会（NSTC），STEM委员会（Costem）以及联邦部门和机构协商开发的。它旨在履行许多立法任务和行政措施：
在模拟家庭环境中联合学习社会适当的代理行为
随着社会机器人越来越多地整合到日常生活中，将其行为与社会规范保持一致至关重要。对于他们广泛的开放世界应用程序，探索联邦学习（FL）设置很重要，在这些设置中，单个机器人可以在其中学习其独特的环境，同时还可以从彼此学习。在本文中，我们提出了一种新颖的FL基准，该基准使用多标签回归目标评估不同的策略，每个客户单独学习以预测不同机器人行动的社会适当性，同时也与他人分享他们的学习。此外，通过不同的上下文将培训数据分开，以使每个客户逐渐学习跨环境，我们提出了一种新颖的联合持续学习（FCL）基准，该基准适用于基于FL的方法，以使用最先进的持续学习（CL）方法，以在不同的上下文背景下持续学习社会适当的推动力。联合的平均权重（FedAvg）作为一种强大的FL策略出现，而基于彩排的FCL可以通过上下文分配逐步学习机器人行动的社会适当性。
从分布式和流式演示中学习多代理行为
本文考虑了通过估算其奖励功能和约束来推断出多个相互作用专家行为的问题，在这些奖励功能和约束下，分布式所证明的轨迹被顺序向一组学习者揭示。我们将问题提出为分布式在线双层优化问题，其中外部级别的问题是估计奖励功能，而内部级别的问题是学习约束和相应的策略。我们提出了一种新颖的“来自分布式和流式演示的多代理行为推断”（MA鸟）算法，该算法使学习者可以通过间歇性通信在单个循环中解决外部级别和内部水平问题。我们正式保证分布式学习者就奖励功能，判断和政策达成共识，平均本地遗憾（在在线迭代中）以O（1 /n 1-η1+1 /n 1 +1 /n 1-η1-η2+1 /n）的速度下降，而累积约束违规会增加1 +1 +1 +1 +1 +1 +2 +nη （1/2，1）。
使用状态抽象来计算 AI 代理行为的个性化对比解释
人工智能研究界对开发能够向用户解释其行为的自主系统的兴趣日益浓厚。然而，为不同专业水平的用户计算解释的问题却很少受到研究关注。我们提出了一种解决这个问题的方法，即将用户对任务的理解表示为规划器使用的领域模型的抽象。我们提出了在不知道这种抽象人类模型的情况下生成最小解释的算法。我们将生成解释的问题简化为对抽象模型空间的搜索，并表明虽然整个问题是 NP 难的，但贪婪算法可以提供最佳解决方案的良好近似值。我们通过经验表明，我们的方法可以有效地计算各种问题的解释，并进行用户研究以测试状态抽象在解释中的效用。
认知作为对代理行为的敏感管理
4对于carnapian阐述的粉丝：我们可以考虑认知的挑剔概念（一种不精确的，旧的概念），以及科学的包容性认知（我的分析）的概念（我的分析）是一种陈旧的表达（一种新概念），是在理论上或陈述表达的概念）。模块化分析是阐明剂的非标准形式。通常，显式的扩展可以与其显式的扩展显着相关，但是SMH的确是对现有但非正式的显式的精确表征，因此，为了充分说明它必须描述现存的，有争议的“认知用法”，具有包容性的意义。
认知作为对代理行为的敏感管理
4对于carnapian阐述的粉丝：我们可以考虑认知的挑剔概念（一种不精确的，旧的概念），以及科学的包容性认知（我的分析）的概念（我的分析）是一种陈旧的表达（一种新概念），是在理论上或陈述表达的概念）。模块化分析是阐明剂的非标准形式。一般而言，显式的扩展可以与其显式的扩展显着相差，但是SMH是现有
人工智能安全的代理行为因果分析
本技术报告概述了一种从机械角度研究代理行为的方法。机械解释有助于更深入地理解代理，因为它们描述了控制行为的因果关系——它们解释了代理为什么会这样做。具体来说，应该使用因果分析工具来研究代理行为（Spirtes 等人，2000 年；Pearl，2009 年；Dawid，2015 年）。在此处概述的方法中，分析师进行实验以确认 AI 系统假设的行为结构的存在。具体而言，该方法鼓励提出简单的因果解释，这些解释涉及高级概念（“代理喜欢绿苹果而不是红苹果”），从而抽象出代理的低级（神经）内部运作。