XiaoMi-AI文件搜索系统
World File Search System任务流
Qbit学习，量子教学法和代理AI导师
2例如：想象一个高中代数1级。要进行一次任务，学生必须完成有关动物人口增长的一系列数学问题。代数老师是班级的主要讲师，但是对于这项任务，生物学老师给了一些关于人口增长的生物学的教训，以便学生在综合任务中学习两者。想象现在是用户体验设计的大学水平课程。用户角色是用户体验以人为本设计的一种常见工具，但是使用古兰经教学法，讲师指导学生将角色重新构想是对多种可能的情况，任务流和疼痛点的叠加，从而使用户研究数据更具包容性。
实现基于 GUI 的交互式任务学习代理中有效的人机协作
我们认为，该领域的一个关键问题是促进交互式任务学习 (ITL) 过程中的人机有效协作。一方面，以人工智能为中心的任务流探索和程序综合技术通常缺乏透明度，无法让用户了解内部流程，并且它们几乎无法让用户控制任务完成过程以反映他们的个人偏好。另一方面，由于用户的指令通常不完整、模糊、含糊不清甚至不正确，因此需要机器智能。因此，系统需要提供足够的帮助来指导用户提供有效的输入以表达他们的意图，同时保留用户的代理、信任和对过程的控制。虽然在混合主动交互 [5] 和演示界面 [16] 的早期基础工作中已经讨论了相关的设计原则，但将这些想法融入实际系统的设计和实施中仍然是一个有趣的挑战。
学习学习而不会忘记使用
持续学习（CL）是指通过在保留先前学习的经验的同时容纳新知识来不断学习的能力。虽然这个概念是人类学习固有的，但当前的机器学习方法很容易覆盖以前学习的作品，因此忘记了过去的经验。相反，应选择性地和仔细地更新模型参数，以避免不必要的遗忘，同时最佳利用先前学习的模式以加速未来的学习。由于很难手工制作有效的更新机制，因此我们提出了元学习基于变压器的优化器来增强CL。此元学习优化器使用ATTENITION来学习跨任务流的模型参数之间的复杂关系，并旨在为当前任务生成有效的重量更新，同时防止对先前遇到的任务的灾难性遗忘。在基准数据集上进行评估，例如SplitMnist，RotatedMnist和SplitCifar-100，即使在较小的标记数据集中，也肯定了所提出的方法的疗效，即使在连续学习框架内集成了元学习优化器的优势。