XiaoMi-AI文件搜索系统
World File Search System任务性能
使用目光注视训练自适应肌电接口
肌电接口在消费者和健康应用中前景广阔，但目前它们受到不同用户之间性能差异和任务间通用性差的限制。为了解决这些限制，我们考虑在操作过程中不断适应的接口。尽管当前的自适应接口可以减少受试者之间的差异，但它们在任务之间的通用性仍然很差，因为它们在训练期间使用了特定于任务的数据。为了解决这一限制，我们提出了一种新范式，使用自然眼球注视作为训练数据来调整肌电接口。我们招募了 11 名受试者，使用从前臂肌肉测量的高密度表面 EMG 信号在 2D 计算机光标控制任务上测试我们提出的方法。我们发现我们的凝视训练范式和当前的任务相关方法之间的任务性能相当。这一结果证明了
大脑，思想和机器中的语言
长期以来一直认为只有人类才能产生和理解语言。，但现在，人造语言模型（LMS）首次实现了这一壮举。在这里，我们调查了新的购买LMS在大脑中如何实现语言的问题。我们讨论为什么先验，LMS可能会与人类语言系统共享相似之处。然后，我们总结证据表明，LMS代表语言信息与人类的语言信息相似，以使相对准确的大脑编码和在语言处理过程中进行编码。最后，我们检查了哪些LM属性（您的架构，任务性能或培训）对于捕获人类对语言的神经反应至关重要，并审查了LMS的研究，例如在计算机模型生物体中，用于测试有关语言的假设。这些正在进行的调查使我们更加接近理解我们理解句子并用语言表达思想的能力的代表和过程。
egomimic：通过以自我为中心视频
缩放人与机器人数据。为了研究人类和机器人数据源对性能的缩放效果，我们为cont进行了其他数据收集。对象中的孔任务。如图8，对2小时的机器人数据和1小时人类数据进行了训练，对3个小时的机器人数据（128 vs 74分）进行了训练。值得注意的是，一个小时的人类数据可产生1400个演示，而一个小时的机器人数据中只有135个演示。这些结果证明了自我有效利用人类数据收集效率的能力，从而产生了更明显的缩放效应，从而实质上可以提高任务性能，而不是仅靠机器人数据而实现的目标。我们注意到，在2小时的机器人数据下，在2小时的机器人数据中，egomimic优于ACT，因此一些改进归因于体系结构。
AFTI/F-16 数字飞行控制系统... - CORE
尽管异步计算机操作的研究并非 AFT1 计划的主要目标，但研究异步计算机操作已成为一项主要活动。异步架构概念的初衷是提高 EM1 免疫力和整个系统的容错能力。人们认为，随着设计的成熟，对异步操作（可测试性、数据一致性和不确定操作）的担忧将得到缓解。在设计和鉴定 DFCS 方面投入了大量工程努力，并且对异步计算机操作有了更多的了解。尽管在鉴定过程中投入了大量精力和改进，但对可测试性的担忧仍然存在，因为在飞行测试中发生了与异步操作相关的异常。异步操作，加上解耦控制和双重故障/操作能力的复杂性，导致设计任务增加、鉴定期延长和可测试性边际降低。在扩展包络线后，对 DFCS 的任务性能进行飞行测试评估未发现任何与异步操作相关的新异常。
大脑、思维和机器中的语言
长期以来，人们一直认为只有人类才能创造和理解语言。但现在，人工语言模型 (LM) 首次实现了这一壮举。在这里，我们调查了 LM 在语言如何在大脑中实现的问题上提供的新思路。我们讨论了为什么 LM 可能与人类语言系统具有先验相似性。然后，我们总结了证据表明 LM 以与人类足够相似的方式表示语言信息，从而能够在语言处理过程中实现相对准确的大脑编码和解码。最后，我们研究了哪些 LM 属性（它们的架构、任务性能或训练）对于捕捉人类对语言的神经反应至关重要，并回顾了使用 LM 作为计算机模型生物来测试语言假设的研究。这些正在进行的研究使我们更接近于理解我们理解句子和用语言表达思想的能力背后的表征和过程。
大脑、思维和机器中的语言
长期以来，人们一直认为只有人类才能创造和理解语言。但现在，人工语言模型 (LM) 首次实现了这一壮举。在这里，我们调查了 LM 在语言如何在大脑中实现的问题上提供的新思路。我们讨论了为什么 LM 可能与人类语言系统具有先验相似性。然后，我们总结了证据表明 LM 以与人类足够相似的方式表示语言信息，从而能够在语言处理过程中实现相对准确的大脑编码和解码。最后，我们研究了哪些 LM 属性（它们的架构、任务性能或训练）对于捕捉人类对语言的神经反应至关重要，并回顾了使用 LM 作为计算机模型生物来测试语言假设的研究。这些正在进行的研究使我们更接近于理解我们理解句子和用语言表达思想的能力背后的表征和过程。
用于海上巡逻的无人驾驶飞行器：人为因素问题
Robyn Hopcroft、Eleanore Burchat 和 Julian Vince 空中作战部 国防科学技术组织 DSTO-GD-0463 摘要 本文献综述概述了与无人机 (UAV) 操作相关的人为因素问题。特别是，考虑了这些问题与采购用于海上巡逻和响应行动的高度自主、高空长航时 (HALE) 无人机的关系。在高度自动化的无人机系统中，最佳任务性能将要求操作员和自动化系统的角色互补。因此，解决了可能阻碍两者之间合作的因素，并提出了缓解潜在问题的建议。然后讨论转向人机界面 (HMI) 的设计，提供有关已建立的 HMI 设计原则和与操作员与飞机分离有关的问题的信息。最后部分涵盖了飞行期间控制权移交的空中交通管理程序、数据链路延迟及其对团队动态的影响、机组人员的选择以及无人机机组人员角色的划分。发布限制已批准公开发布
表示评估自我监督学习
自我监督学习（SSL）旨在学习没有标签的数据的界限。尽管具有di-verse SSL体系结构，但投影头始终在改善下游任务性能中起着重要作用。在这项研究中，我们系统地研究了投影头在SSL中的作用。我们发现投影头靶向统一方面，该方面将样品映射到统一的分配中，并使编码器能够专注于提取语义特征。借鉴了这种见解，我们在SSL模型中提出了一个表示评估设计（RED），其中建立表示和投影向量之间的快捷方式连接。我们对各种数据集上不同体系结构（包括SIMCLR，MOCO-V2和SIMSIAM）进行的广泛实验表明，Red-SSL在下游任务中始终优于其基线对应物。此外，红色SSL学到的表示形式表现出与以前看不见的增强和分发数据相比的较高鲁棒性。
通过基于课程的强化学习获得肌肉骨骼技能
有效的肌肉骨骼模拟器和强大的学习算法提供了计算工具，以应对理解生物运动控制的大范围。我们为首届神经玻璃舞的获奖解决方案利用了一种反映人类技能学习的方法。使用一种新型的曲调学习方法，我们训练了一个经常性的神经网络，以控制人类手的逼真模型，并用39个肌肉在手掌上旋转两个baoding球。与人类受试者的数据一致，即使没有明确偏向低维解决方案，该政策使少数运动学协同作用。但是，通过选择性地灭活控制信号的部分，我们发现比传统协同分析所建议的更大的尺寸有助于任务性能。总的来说，我们的工作说明了肌肉骨骼物理引擎，增强学习和神经科学的界面上的新兴可能性，以促进我们对生物运动控制的理解。
生命周期物流支持工具 - NASA
描述 空军最大化作战效能的能力取决于在整个系统生命周期内建立和维护后勤支持基础。后勤健康评估旨在补充空军的采购支持 (AS) 工具包和独立后勤评估 (ILA) 工具。LHA 为采购和支持社区提供了一种标准、可定制、用户友好的工具，用于报告并确保可以识别并集成到早期项目决策中的长期支持和可用性考虑因素。最终，LHA 增强了系统在有支持结构的情况下投入使用的潜力，并优化了作战人员满足任务性能要求的能力。LHA 为空军提供了评估国防项目后勤健康状况的能力，从概念到处置。LHA 通过提供日常机制来评估和衡量采购和维持物流规划和执行情况，填补了物流领域的空白。LHA 是一个独立的决策支持模块，可通过空军的系统度量和报告工具 (SMART) 访问。