XiaoMi-AI文件搜索系统
World File Search System任务性能
previs：可视化的可读性评估
摘要 - 我们开发并验证了一种仪器，以衡量数据可视化中感知的可读性：previs。研究人员和从业人员可以轻松地使用此工具作为评估的一部分，以比较不同视觉数据表示的可读性。我们的工具可以补充有关用户任务性能的受控实验的结果，或在开发新技术时在深入的定性工作中提供其他数据。尽管可读性被认为是数据可视化的基本质量，但到目前为止，在视觉表示的背景下还没有对构造的统一定义。因此，研究人员通常缺乏确定如何要求人们评估其可视化可读性的指导。为了解决这个问题，我们进行了一个严格的过程，以开发针对视觉数据表示的主观可读性的第一个验证工具。我们的最终仪器由4个维度的11个项目组成：可理解性，可理解性清晰度，数据值的可读性和数据模式的可读性。我们将调查表作为文档提供，其中包含OSF.IO/9CG8J的实施指南。除了该工具之外，我们还讨论了研究人员以前如何评估可视化的可读性，以及对视觉数据表示中感知可读性的因素的分析。
低地球轨道卫星对意外和故意碎裂事件的恢复能力
人们普遍认为，随着这种大型（或巨型）星座中卫星数量的增加，扩散式 LEO 星座的“弹性”会单调增加。本文结合使用分析和蒙特卡罗工具研究了多种场景，以评估意外或故意随机碎片事件（可能发生在星座的一部分）对星座其余部分产生的短期影响。结果表明，增加卫星数量可能会显著增加因碎片事件而导致的后续碰撞事件数量。因此，大型 LEO 星座可能会因相关的 SST、SSA 和 STM 活动而给所有星座带来重大成本，也可能对其他附近星座造成重大后续碰撞风险。用预期碎片增长来表征这种成本对于了解未来的 SST、SSA 和 STM 要求以及设计更具弹性的星座非常重要。我们建议进一步研究这些工具，以评估高度扩散的星座对任务性能弹性的影响，以及故意针对的动能碎裂事件的碰撞风险和弹性后果。
适应低资源语言的开源大型语言模型：土耳其语的案例研究
尽管具有英语主导性的大语言模型的进步，但低资源语言仍需要进一步的开发才能增强全球可访问性。代表这些语言的主要方法是单语和多语言预读。单语言预告片由于硬件要求而昂贵，而且多语言模型在语言中通常具有不平衡的性能。这项研究通过调整大型语言模型（接受英语培训）来探讨一种替代性，从而探讨了低资源语言。我们评估各种策略，包括持续的培训，教学微调，特定的微调和词汇扩展。结果表明，持续的训练可以证明语言理解，如困惑得分所反映，而特定于任务的调整通常会增强下游任务的性能。但是，扩展词汇并没有显示出实质性的好处。此外，虽然较大的模型通过几次调整来改善任务性能，但在适应时，多语言模型的形式比单语的同行更糟。
人工智能的进步与潜在影响之间
我们将系统的任务性能以及系统开发和部署过程中产生的时间和资源成本纳入总体框架，从而重新构建对人工智能进展的分析。这些成本包括：数据、专家知识、人工监督、软件资源、计算周期、硬件和网络设施以及（什么样的）时间。这些成本分布在系统的生命周期中，可能对不同的开发人员和用户提出不同的要求。我们提出的多维性能和成本空间可以缩减为一个效用指标，用于衡量系统对不同利益相关者的价值。即使没有单一的效用函数，也可以通过人工智能是否扩展帕累托曲面来一般性地评估人工智能的进步。我们将这些类型的成本标记为人工智能进步中被忽视的维度，并使用四个案例研究对其进行探索：Alpha*（围棋、国际象棋和其他棋盘游戏）、ALE（Atari 游戏）、ImageNet（图像分类）和虚拟个人助理（Siri、Alexa、Cortana 和 Google Assistant）。这种更广泛的人工智能进步模型将带来评估人工智能系统潜在社会用途和影响的新方法，并为未来的进步设定里程碑。
人类认知控制的闭环增强和神经解码
认知控制是能够扣留默认的，有力的响应，而有利于更适合自适应的选择。控制缺陷在精神障碍中很常见，包括抑郁，焦虑和成瘾。因此，一种改善认知控制的方法可能在很少有效治疗的疾病中广泛有用。在这里，我们证明了通过人类直接脑刺激对认知控制的一个方面的闭环增强。，我们在接受颅内癫痫监测的参与者执行认知控制/冲突任务时刺激了内部胶囊/纹状体。刺激增强了性能，并且背胶囊/纹状体刺激的影响最大。然后，我们开发了一个框架来检测控制失误并刺激响应。这种闭环方法比开环刺激产生了更大的行为变化，每单位能量的性能变化略有改善。最后，我们使用与现有闭环大脑植入物兼容的功能直接从少量电极的活动中解码了任务性能。我们的发现是一种基于直接修复潜在的认知缺陷的新方法来治疗严重精神障碍的概念证明。
布局概念的自动化和机器人技术开发...
具有提高越野能力的小型移动机器人布局的新概念的发展是由于各个领域的许多现代挑战和趋势。首先，在不断增加的城市化和越来越多的城市物体（例如步骤，楼梯和不平坦的表面）的背景下，可以有效地使用高流量移动机器人在各种环境中执行任务。其次，与在自主系统中的应用扩展相关，例如在运输，医学和研究领域，小型移动机器人的出现成为这一开发的组成部分。能够穿透难以到达的地方并在有限空间的条件下移动的能力使他们能够执行难以使用传统方法解决的任务。第三，在提高对各个领域任务性能效率和速度的要求，包括生产和维护，高流量移动机器人布局的开发可以极大地促进常规操作并确保更有效地利用资源。总而言之，开发了小型移动机器人布局的新概念，旨在增加交通，满足现代社会的要求，并为改善各个行业的自主系统提供了广泛的机会[1-4]。
通过多任务预测药物-靶标相互作用...
在药物发现中，识别靶蛋白和分子之间的结合至关重要。当每个任务的信息量较小时，多任务学习方法已被引入以促进任务之间的知识共享。然而，多任务学习有时会降低整体性能或在各个任务的性能之间产生权衡。在本研究中，我们提出了一种通用的多任务学习方案，通过组选择和知识提炼，不仅可以提高平均性能，还可以最大限度地减少个体性能的下降。根据配体靶标组之间的化学相似性来选择组，并将同一组中的相似靶标一起训练。在训练过程中，我们应用教师退火的知识提炼。多任务学习模型由单任务学习模型的预测引导。这种方法的平均性能高于单任务学习和经典多任务学习。进一步的分析表明，多任务学习对于低性能任务特别有效，知识提炼有助于模型避免多任务学习中单个任务性能的下降。
在脑电图中同时保护多种隐私...
摘要 - 大脑计算机界面（BCI）可以在大脑和外部设备之间进行直接通信。脑电图（EEG）是非侵入性BCIS中首选的输入信号，因为它的便利性和低成本。基于EEG的BCI已成功地用于许多应用中，例如神经康复，文本输入，游戏等。但是，脑电图信号固有地带有丰富的个人信息，需要保护隐私。本文表明，可以轻松地从脑电图数据中推断出多种类型的私人信息（用户身份，性别和BCI体验），从而对BCIS构成严重的隐私威胁。为了解决此问题，我们设计了扰动，将原始的脑电图数据转换为受隐私保护的脑电图数据，这些数据掩盖了私人信息，同时保持主要的BCI任务性能。实验结果表明，受隐私保护的脑电图数据可以显着降低用户身份，性别和BCI经验的分类准确性，但几乎不会影响基于EEG的BCIS BCI的初级BCI任务的分类准确性。
机器和人类视觉的图像压缩具有空间频率适应
摘要。机器和人类视力（ICMH）的图像压缩近年来引起了人们的关注。现有的ICMH方法受到高训练和存储开销的限制，这是由于特定于任务的网络设计的大量设计。为了解决此问题，在本文中，我们为ICMH（名为Adapt-ICMH）开发了一种新颖的基于轻量级适配器的调整框架，可以更好地平衡任务性能和比特率与减少的开销。We propose a spatial-frequency modulation adapter (SFMA) that simultaneously eliminates non-semantic redundancy with a spatial modulation adapter, and enhances task-relevant frequency com- ponents and suppresses task-irrelevant frequency components with a fre- quency modulation adapter.所提出的适配器是插件播放的，并且与几乎所有现有的学到的图像压缩模型兼容，而不会损害预训练模型的性能。实验表明，适应性ICMH始终在各种机器视觉任务上的现有ICMH框架较少，并且较少的微调参数和降低的计算复杂性。代码将在https://github.com/qingshi9974/eccv2024-adpaticmh上发布。
![arxiv：2406.13469v2 [CS.CL] 2025年1月11日](/simg/g:\will\search\icon\source\1\1e5e60d2b5ca061a90604b4697de9dfdbf8d5623.webp)
arxiv：2406.13469v2 [CS.CL] 2025年1月11日
本文探讨了编码器和解码器语言模型在词语自然语言理解（NLU）任务上的性能，并广泛着重于语言语言。在扫描基准的基础上构建，最初仅限于评估编码器模型，我们将评估框架扩展到包括解码器模型。我们介绍了一种在NLU任务上进行评估解码器模型的方法，并将其应用于丹麦语，瑞典语，挪威，冰岛，法罗语，德语，德语，荷兰语和英语的语言。通过一系列的演出和分析，我们还解决了有关编码器和解码器模型的比较性能，NLU任务类型的影响以及跨语言资源的变化的问题。我们的发现表明，尽管参数的数量级较少，但编码器模型比解码器模型可以实现明显更好的NLU表现。此外，我们通过UMAP分析研究了解码器与任务性能之间的相关性，从而阐明了解码器和编码器模型的独特功能。本研究有助于更深入地了解NLU任务中的语言模型范例，并为多语言环境中的模型选择和评估提供了有价值的见解。