XiaoMi-AI文件搜索系统
World File Search System任务性能
频率特异性遗传刺激的基因座二核诱导运动皮层中与任务相关的可塑性
ceruleus（LC）是新皮质去甲肾上腺素的主要来源，已知它参与了包括感觉知觉，注意力和学习在内的各种大脑功能。先前的研究表明，LC刺激与感觉经验配对可以诱导感觉新皮层和海马中的任务依赖性可塑性。然而，LC激活是否同样影响负责运动计划和生产的机动运动皮质区域中的神经表示。在这项研究中，我们测试了对LC与运动性能配对的光遗传学刺激是否足以诱导与体型皮质运动图中的任务相关的可塑性。男性和女性Th-cre +大鼠接受了一项熟练的杠杆压榨任务的训练，该任务强调了使用近端前肢肌肉的使用，并使用病毒方法在去甲肾上腺素能LC神经元中选择性地表达CHR2。一旦动物达到了标准的行为表现，他们就接受了五次训练课程，其中正确的任务性能与在3、10或30 Hz时交付的LC的光遗传学刺激配对。上次刺激会议后，使用皮质内微刺激进行运动皮质图。我们的结果表明，在10 Hz时与LC刺激搭配的杠杆螺栓在3或30 Hz时且不伸出运动图的扩展，代表了与任务相关的近端FL肌肉的代替。这些发现表明，LC的阶段性训练对激活具有足够的能力，可诱导Agranular运动皮层中的经验依赖性可塑性，并且该LC驱动的可塑性高度依赖于LC激活的时间动力学。
主要抑郁症患者的初步结果
SMA。这项研究的目的是验证和扩展该方案对半球和下肢。为此，使用RNTMS使用20 Hz（120％静息运动阈值（RMT））的22名健康受试者（35.5±15.06,15女性）的手工敲击任务性能（35.5±15.06,15女性）绘制了两个半球的SMA区域。具有诱导误差的点在相应的MRI上标记，并确定了SMA热点。对于此热点，还进行了双人纤维敲击任务和九孔PEG测试（NHPT）。此外，下肢使用20 Hz（140％RMT）的脚趾敲击任务映射。在22个健康受试者中，上肢的SMA映射中有18个成功（12个双性恋，6个单位）。与基线相比，刺激期间的平均固定式攻击得分显着降低（25.38 TAP）（29.70； p <0.01）。双人纤维敲击导致刺激过程中的水龙头（28.30抽头）与单一敲击相比（p <0.01）。与基线相比，在刺激过程中可以观察到NHPT的完成时间的显着增加（基线：13.4S，刺激：16.1s; P <0.01）。对于下肢，至少一个半球的22名受试者中有20个受试者可以引起可复制的错误。本研究验证并扩展了基于RNTMS的方案，以在SMA上绘制上肢和下肢运动功能。经颅磁刺激（TMS）关键字：补充运动区域，重复TMS，映射，运动功能因此，可以进一步使用该方案来更好地了解功能性SMA组织，并可能有助于改善该地区研究类别和技术和技术和方法中病变患者的术前计划临床研究：10。
早期生活应力偏见会响应负面反馈并增加杏仁核的体积和对后期生活压力的脆弱性
早期的压力（EL）或逆境，特别是在儿童时期忽视和虐待的形式，与成年后的精神和身体健康状况不佳有关。然而，这些关系是由EL本身的后果还是其他经常与EL同时发生共发生的暴露的后果介导的。为了解决这个问题，我们在大鼠中进行了一项纵向研究，以隔离EL对与焦虑和抑郁有关的区域脑体积和行为表型的影响。我们使用了慢性ELS的重复母体分离（RMS）模型，并在整个成年期进行了行为测量，包括概率逆转学习（PRL），对渐进率任务，蔗糖偏好，新颖性偏好，新颖性反应性，新颖的反应性以及对高架的焦虑行为进行响应。我们的行为评估与磁共振成像（MRI）相结合，以定量三个时间点的区域脑体积：立即在RMS之后，成年后不进一步压力，并且成年后期后期有进一步的压力。我们发现RMS引起了持久的，性二态的偏见，对PRL任务的负面反馈做出了反应。RMS还放慢了PRL任务的响应时间，但没有直接影响任务性能。rms动物也对第二种压力源具有独特的敏感，该压力源不成比例地损害其性能，并减慢了对PRL任务的反应。MRI显示RMS动物的杏仁核体积较大。尽管对“抑郁症状”和“焦虑症”行为的常规测试缺乏影响，但这些行为和神经生物学效应仍然持续到成年，并且缺乏任何Anhedonia的证据。我们的发现表明ELS具有长期的认知和神经行为效应，与成年后的压力相互作用，并且可能与理解人类焦虑和抑郁的病因有关。
训练时间的视觉变压器的结构修剪
基于注意力的变压器已成为实现自然语言处理和计算机视觉等任务的强大范式。但是，与卷积网络相比，变压器通常会显示更高的计算成本和参数计数。这种效率低下会阻碍将变压器部署到资源约束设备（例如边缘设备）上。结构化的修剪技术提出了一个有前途的方向，可以压缩变形金刚的边缘计算方案。本文研究了修剪技术以在视觉变压器中诱导结构化的稀疏性，从而减少了计算要求，同时最大程度地减少准确性降解。目标是为有效的视觉变压器推理开发方法。结构化的修剪在训练时间时通过解决一个优化问题来学习对单个网络组合的重要性得分，该问题试图最大程度地提高任务性能，同时最大程度地减少模型中参数的数量。随后，重要性得分转化为二进制掩码，这些面具修剪不重要的结构，例如特定线性层输出二 - 段或整个注意力头。为了促进诱发稀疏模式的规律性，提出了各种面具分享策略，以使相关构件元素的修剪决策对夫妇进行修剪决策。规律性至关重要，因为由于特定的变压器的特定连接模式，完全独立性排除了某些蒙版组件的去除，从而导致模型实际部署在硬件上时，导致压缩率较低。经验结果表明，在图像分类任务中，组件完全独立的掩蔽优于平衡准确性和稀疏性的共享策略。仍然是实验表明，通过共享和独立面具的混合，提出的修剪方案成功地压缩了视觉变压器的90％，精度仅为4％或70％的压缩率，精度下降小于1％。
海洛因使用障碍个体抑制性控制受损的神经特征
海洛因成瘾对社会造成了毁灭性的损失，对其神经生物学鲜为人知。对药物的过度显着性归因于非降水提示/增强剂，并具有抑制性控制的降低，是药物成瘾的常见机制。尽管抑制性控制变化通常在跨滥用药物的前额叶皮层（PFC）中最高，但海洛因成瘾患者（IHUDS）的模式仍然未知。我们使用了一项停止信号FMRI任务，以满足最新共识指南，以绘制41个IHUD和24岁和性别匹配的健康对照（HCS）的抑制性控制。与HCS相比，尽管停止信号响应时间（SSRT；经典抑制性控制MEA）的群体相似性，IHUDS表现出受损的目标检测敏感性（在停止试验中进行误解的命中比例与错误警报的比例； P = 0.003）。此外，IHUD在成功与失败的停止过程中表现出右下PFC（APFC）和背外侧PFC（DLPFC）活性（标志性的抑制性控制对比度）。左下DLPFC/补充运动区域（SMA）活性与较慢的SSRT有关，专门在IHUD和左下APFC活动中，所有参与者的目标灵敏度较差（P，0.05校正）。重要的是，在抑制性控制过程中，左下SMA和APFC活性分别与较短的时间相关联和依赖性的严重程度较高（P，0.05校正）。这种神经性robehavioral抑制性控制缺陷可能会导致海洛因成瘾中的自我控制失误，构成了预先研究和干预工作以增强恢复的目标。一起，结果表明，在认知控制区域（例如APFC，DLPFC，SMA）中，抑制性控制期间的感知敏感性较低，并且与任务性能和海洛因使用严重程度的严重程度指标有关。
拜登-哈里斯政府于 2023 年 10 月 30 日星期一发布了《关于安全、可靠和值得信赖的人工智能的行政命令》，旨在
• 人工智能 (AI)：载于 15 USC 9401(3)：一种基于机器的系统，能够针对一组给定的人类定义目标，做出影响现实或虚拟环境的预测、建议或决策。人工智能系统使用基于机器和人类的输入来感知现实和虚拟环境；通过自动化分析将这些感知抽象为模型；并使用模型推理来制定信息或行动选项。 • 人工智能模型：信息系统的组成部分，它实施人工智能技术，并使用计算、统计或机器学习技术从给定的一组输入中产生输出。 • 双重用途基础模型：一种人工智能模型，它基于广泛的数据进行训练；通常使用自我监督；包含至少数百亿个参数；适用于广泛的环境；并且在对安全、国家经济安全、国家公共卫生或安全或这些事项的任何组合构成严重风险的任务中表现出或可以轻松修改以表现出高水平的性能。 • 生成式人工智能：模拟输入数据的结构和特征以生成衍生合成内容的人工智能模型类别。这可以包括图像、视频、音频、文本和其他数字内容。 • 机器学习：一组可用于训练人工智能算法以提高基于数据的任务性能的技术。 • 人工智能红队测试：一种结构化的测试工作，用于查找人工智能系统中的缺陷和漏洞，通常在受控环境中并与人工智能开发人员合作进行，通常由专门的“红队”执行，他们采用对抗方法来识别缺陷和漏洞，例如人工智能系统的有害或歧视性输出、不可预见或不良的系统行为、限制或与系统滥用相关的潜在风险。
在纸上写作后的大脑活动比平板电脑或智能手机
最近对大学生和近期毕业生的一项研究表明，在一个小时后记住信息时，在物理纸上写作可能会导致更多的大脑活动。研究人员说，与手工写作有关的独特，复杂，空间和触觉信息可能会导致记忆力改善。摘要尚待确定记忆编码的不同输入（例如使用纸质笔记本或移动设备）如何影响检索过程。我们比较了三组参与者，他们阅读了个人时间表上的对话，并使用纸质笔记本（Note），电子平板电脑（平板电脑）或智能手机（电话）在日历上写下了预定的约会。在保留一个小时（包括干扰任务）的保留期之后，我们在检索任务中测试了对这些约会的识别记忆，同时用功能性磁共振成像进行了扫描。我们获得了三个主要结果。首先，笔记组的写作时间表比平板电脑和电话组要短得多，而且票据组的准确性要高得多（即更直接）问题。因为在音符组和平板电脑组之间尽可能地等同于输入方法，因此这些结果表明，音符组的认知过程更深，更固体。第二，在检索阶段的所有参与者的大脑激活都位于双侧海马，前后，视觉皮层和与语言相关的额叶区域中，确认了言语记忆检索过程的参与。第三，在这些区域中，音符组的激活明显高于平板电脑和电话组的激活。这些增强的注释组无法通过一般认知载荷或任务困难来解释，因为整个任务性能在组之间相似。Note组的准确性和激活方面的显着优势表明，使用纸质笔记本促进了实际论文的丰富编码信息和/或空间信息的获取，并且该信息可以用作有效的检索线索，从而导致这些特定地区的更高激活。
优化身体相互适应的框架......
人机界面的操作越来越多地被称为双学习者问题，其中人和界面都基于共享信息独立调整其行为，以提高特定任务的联合性能。从人体机界面领域汲取灵感，我们采取不同的视角，并提出了一个框架，用于研究在界面的演变取决于用户的行为并且不需要明确定义任务目标的情况下的协同适应。我们对协同适应的数学描述建立在以下假设之上：界面和用户代理共同适应以最大化交互效率而不是优化任务性能。这项工作描述了人体机界面的数学框架，其中天真的用户与自适应界面交互。界面被建模为从高维空间（用户输入）到低维反馈的线性映射，充当自适应“工具”，其目标是在无监督学习过程之后最大限度地减少传输损耗，并且不知道用户正在执行的任务。用户被建模为非平稳多元高斯生成过程，该过程产生一系列统计上独立或相关的动作。依赖数据用于建模与实现任务规定的某些未知目标有关的动作选择模块的输出。该框架假设，与此明确目标并行，用户正在隐性学习一种合适但不一定是最佳的与界面交互的方式。隐性学习被建模为使用依赖性学习，由作用于生成分布的基于奖励的机制调节。通过模拟，该工作量化了当用户学习操作静态界面与自适应界面时，系统如何根据学习时间尺度演变。我们表明，可以直接利用这个新框架来轻松模拟各种交互场景，以促进对导致联合系统最佳学习动态的参数的探索，并为人机协同适应优于用户适应提供经验证明。
通过能力感知共享超网络学习灵活的异构协调
合作性异构多智能体任务要求智能体以灵活和互补的方式行事，以最大程度地利用其多样化能力。针对这一挑战的基于学习的解决方案涵盖两个端点之间的范围：i）共享参数方法，通过为每个智能体分配一个 ID，在单一架构内编码多样化行为，这种方法样本效率高，但行为多样性有限；ii）独立方法，为每个智能体学习单独的策略，以样本和参数效率为代价实现更大的多样性。先前针对异构多智能体团队学习的研究已经探索了这一范围的中间地带，即为不同类别的智能体学习共享参数或独立策略，从而在多样性和效率之间实现折衷。然而，这些方法仍然没有推理智能体能力对行为的影响，因此不能推广到未知的智能体或团队组成。受到迁移学习和元强化学习最新研究的启发，并在基于特征的任务分配的先前研究的基础上，我们提出了能力感知共享超网络 (CASH)，这是一种用于异构协调的新型软权重共享架构，它使用超网络明确推理持续代理能力和局部观察。直观地说，CASH 允许团队学习共享的决策策略（由共享编码器捕获），这些策略可以通过共享超网络根据团队的个人和集体能力轻松调整。我们在两个异构协调任务和三个标准学习范式（模仿学习、基于价值和策略梯度强化学习）中进行了详细的实验，展示了我们的设计如何与底层学习范式无关。结果表明，CASH 产生了适当多样化的行为，在训练和零样本泛化期间的任务性能和样本效率方面始终优于基线架构。值得注意的是，CASH 仅使用基线使用的 20% 到 40% 的可学习参数就实现了这些改进。我们所有的代码都可以在 https://github.com/kfu02/JaxMARL 上找到。
国防与安全盛大挑战：AI安全 - 要求...
2。模型安全理论和实践保证对AI/ML系统的安全性和鲁棒性需要深入了解模型结构，例如神经网络层，激活功能等以及该结构对模型行为的影响。结构的选择 - 通常是为了追求最佳性能而选择的 - 从攻击易感性到数据暴露风险，可能会具有一系列安全含义。2.1表征，评估和保证我们可以针对潜在的安全问题测试模型结构，并且我们可以以保存（非侵入性）方式进行隐私吗？我们将研究某些组成部分和设计模式的存在（或不存在）是否表示攻击的脆弱性；以及此类分析是否可用于AI/ML模型安全保证。2.2训练进化，深度学习理论的最新突破使人们对复杂模型行为，从第一次初始化和整个优化过程中进行了一些了解。我们的问题是这些工具，例如模型函数近似器神经切线内核（NTK）可用于在训练动力学期间对安全性发表声明。例如，梯度流中是否存在更高或更低的安全性区域？我们可以检测到它们，甚至可以针对高安全性的区域吗？2.3模型反转这是从训练有素的模型函数的预图像中获取表示或样本的能力。我们可以在数学上说什么（大约）解决AI/ML的反问题？2.5稳定性和可信度是模型稳定性是一种良好的信任度量吗？我们可以保证反转稳健性，以及哪些结构性特征可以允许这种保证？2.4灵敏度和攻击检测的几何形状可以使用几何工具（特别是热带几何形状）来表征模型对新数据点的敏感性以及存在邪恶数据的存在，例如有毒样本或对抗性示例？不稳定的模型更容易受到对手的影响？例如，可以定义一个稳定性语句，例如Lipschitz（使用距离距离的度量标准，例如Gromov-Hausdorff），可以用来对安全声明？2.6效率的安全性含义是使非常大的模型可进行，我们经常转向降低复杂性的方法，例如稀疏，替代模型，修剪，定量等。这通常会降低任务性能，