XiaoMi-AI文件搜索系统
World File Search System传递性
可解释的人工智能（XAI）用于气候危害...
摘要人工智能（AI）纳入地球科学的整合已在空间建模和气候引起的危害评估的变革时代迎来了。这项研究探讨了可解释的AI（XAI）的应用，以解决传统的“ Black-Box” AI模型的固有局限性，从而强调了高风险领域（例如自然危害管理）中的透明度和可解释性。通过分析水文学危害（包括干旱，洪水和滑坡），这项工作突出了XAI提高预测准确性并促进可行见解的潜力越来越大。该研究综合了XAI方法论的进步，例如注意力模型，Shapley添加说明（SHAP）和广义添加剂模型（GAM）及其在空间危害预测和缓解策略中的应用。此外，该研究确定了数据质量，模型可传递性和实时解释性的挑战，这为将来的研究提出了途径，以增强XAI在决策框架中的效用。这一综合概述有助于在XAI采用XAI方面的弥合差距，在快速的环境变化时代，可以实现强大，透明和道德的方法来进行气候危害评估。
研究文章转移具有输出权重对准的极限学习机
极限学习机（ELM）是模式识别和机器学习中的快速且有效的神经网络模型，当标记的训练样本不足以使其下降。转移学习通过使用不同但相关域中的大量标记样本来帮助目标任务学习可靠的模型。在本文中，我们提出了一台具有知识传递性的监督极限学习机器，称为“转移极限学习机器”，具有输出权重对齐（telm-Owa）。首先，它通过对齐由来自源和目标域标记的样品训练的ELM的输出权重矩阵来减少域之间的分布差异。其次，将域间ELM输出权重矩阵之间的近似值添加到目标函数中，以进一步实现知识的跨域转移。tirdly，我们将目标函数视为最小平方问题，并将其转换为标准的ELM模型，以便有效地解决。最后，通过对16组图像数据集和6组文本数据集进行了分类实验对所提出算法的效果进行了验证，结果证明了我们方法相对于其他ELM模型和转移学习方法的竞争性能。
通过几何阻抗控制
摘要 - 本文提出了一种差异几何控制方法，该方法利用了SE（3）组不变性和等效性，以提高学习机器人操纵任务中涉及与环境相互作用的可传递性。所提出的方法是基于利用最近提出的几何阻抗控制（GIC）与学习变量阻抗控制框架相结合的，在该框架中，增益计划策略是从专家辩护中以监督的学习方式培训的。几何一致的误差向量（GCEV）被馈送到神经网络以实现增益计划策略。我们证明，使用GCEV的GIC和学习表示在任意SE（3）转换（即翻译和旋转）下仍然不变。此外，我们表明，相对于空间框架表示，所提出的方法是均等的。对我们提出的控制和学习框架与配备笛卡尔错误矢量增益计划策略的著名的笛卡尔太空学习阻抗控制的比较，证实了我们所提出的方法的出色学习转移性。索引术语 - 几何阻抗控制，SE（3）等效性和剩余不变性，可变阻抗控制，接触式操纵任务
强化学习可以解锁大型语言模型中的隐藏危险吗？
大型语言模型（LLMS）在自然语言任务中表现出了令人印象深刻的能力，但是由于他们在互联网文本中的培训，它们的安全性和道德仍然有争议。为了解决这些问题，已撤消对齐技术，以提高LLM的公共可用性和安全性。然而，通过这些模型产生有害内容的潜力似乎仍然存在。本文探讨了越狱LLM的概念 - 通过对抗触发器来避免其对齐。预先使用的方法，例如软嵌入提示，手动制作的提示和基于梯度的自动提示，由于其对模型访问的要求以及生产低的手动制作提示，使其在黑盒模型上取得了有限的成功，这使它们容易被阻止。本文使用强化学习引入了一种新颖的方法，以优化副词触发器，仅需要推理API访问目标模型和小型替代模型。我们的方法利用了基于Bertscore的奖励功能，可以增强对抗性触发器在新的黑盒模型上的可传递性和有效性。我们证明，这种方法改善了以前未经测试的语言模型的对抗触发器的性能。
太棒了！开发和使用瑞士军刀......
tadah！代码提供了一个多功能平台，用于开发和优化机器学习间的原子质潜力（MLIP）。通过集成综合描述符，它允许对系统交互的细微表示，并具有独特的截止函数和交互距离。tadah！支持贝叶斯线性回归（BLR）和内核脊回归（KRR），以增强模型的准确性和不确定性管理。关键特征是其超参数优化周期，迭代精炼模型体系结构以提高可传递性。这种方法结合了构图的限制，将预测与实验和理论数据保持一致。tadah！提供了一个用于LAMMP的接口，从而使MLIP在分子动力学模拟中的部署。它专为广泛的可及性而设计，支持桌面和HPC系统上的并行计算。tadah！利用模块化的C ++代码库，利用编译时间和运行时多态性来灵活性和效率。神经网络支持和预定义的粘结方案是潜在的未来发展，以及塔达！仍然对社区驱动的功能扩展开放。综合文档和命令行工具进一步简化了MLIP的开发和应用。
图理论大脑连通性措施研究与恐惧和愤怒相关的音乐节奏的神经相关性
大脑连接性估计是通过在整个皮质上的短（2秒）和长（6秒）的脑电图分析中使用功能和有效的连通性估计器获得的。在测试中，通过频段特定的脑网络网络测量识别离散的情绪和休息状态，然后与5倍的交叉验证的长期短期记忆网络进行了深入分类。逻辑回归建模也已经进行了介绍，以提供强大的性能标准。通常，通过在伽马中使用部分定向连贯性获得最佳结果（31。5-60。5 Hz）较短的脑电段的子频段。尤其是恐惧和愤怒的准确性为91.79％。因此，我们的假设得到了所有结果的支持。总而言之，与恐惧相比，愤怒的特征在于γ波段中较低的模块化外，愤怒的特征是增加了局部效率和局部效率。局部效率是指功能性大脑分离起源于大脑在本地交换信息的能力。传递性指的是与神经种群相互联系的大脑的总体概率，从而揭示了存在紧密连接的皮质区域的存在。模块化量化了大脑可以分配到功能性皮质区域的状态。总而言之，提出了PDC
在扩散模型中探索低维子空间的可控图像编辑
最近，扩散模型已成为强大的生成模型类别。尽管他们成功，但对他们的语义空间的理解仍然有限。这使得在没有其他培训的情况下，获得精确且脱节的图像生成，尤其是以无监督的方式而挑战。在这项工作中，我们从有趣的观察中提高了对它们的语义空间的理解：在一定范围的噪声水平中，（1）扩散模型中学习的后均值预测指标（PMP）是局部线性的，（2）其Jacobian的单数矢量位于其低度语义语义下集中。我们提供了坚实的理论基础，以证明PMP中的线性和低级别的合理性。这些见解使我们能够提出一种无监督的，单步的，无训练的LO W-rank Co n-trollable图像编辑（LOCO编辑）方法，用于在扩散模型中精确局部编辑。LOCO编辑确定了具有良好属性的编辑说明：同质性，可传递性，合成性和线性性。Loco编辑的这些属性从低维语义子空间中受益匪浅。我们的方法可以进一步扩展到各种文本到图像扩散模型（T-Loco Edit）中的无监督或文本监督编辑。最后，广泛的经验实验证明了Loco编辑的有效和效率。可以在项目网站上找到代码和ARXIV版本。1
that.pdf-kílta语言
这是一种个人语言。我的意思是，它距离心脏是一两步。它旨在表达我自己的利益，除了我自己的语言美学意义外，还有很少的考虑因素在这里发挥作用。合理性也是一种美学选择。虽然该语言的核心力学旨在是自然主义的，并且涉及历史过程，但并未使用任何深刻的历史方法创建它。kílta是一种基本的SoV语言，使用convermbs，带有真正的形容词，并带有真正的形容词，并具有丰富的单词派生系统。该语言对传递性非常严格，并在子句之间进行常规主题和对象下降。，尽管有几种标记未来时态的方法，但它更加全神贯注。运动事件是动词框架的，依赖于convermbs的方式。它使用辅助动词不仅用于时态和方面，包括一些副词（“几乎”），以及捐助者和自动生产者。话语粒子也引起了很多关注，并且具有适度的意识形态清单。主要的努力已经用于创建词汇。是词汇示例推动了语法的大量核心发展。词汇之后，是针对某些概念，概念隐喻和有关特定词的简短论文的侧重于需要更长的介绍的简短论文，而不是通常的词典输入的一部分。
缩小导航中的视力与动作之间的差距
连续环境（VLN-CE）中的视觉和语言导航的现有方法通常结合了离散环境的方法预测指标。与使用低级操作的直接训练相比，这将导航操作简化为视图选择任务，并显着提高导航性能。但是，VLN-CE代理仍然远离真正的机器人，因为它们的视觉感知和执行动作之间存在差距。首先，离散视觉环境的VLN-CE代理主要是通过高级视图选择训练的，这使他们忽略了低级动作运动中关键的空间推理。第二，在这些模型中，现有的Waypoint预测因素忽略了对象语义及其与可传递性有关的属性，这在指示动作的可行性时可能会提供信息。为了解决这两个问题，我们引入了一个低级动作解码器，该解码器联合训练了具有高级动作预测，使当前的VLN代理可以学习并将所选的视觉视图扎根至低级控制。此外，我们通过利用包含丰富语义信息并根据人类对行动可行性的先验知识明确掩盖障碍来增强当前的路点预测指标。从经验上讲，与高级和低级作用的强基础相比，我们的代理可以改善导航性能指标。
用变异适配器改善夹子的零弹性概括
摘要。预先训练的视觉模型（VLMS）的出色概括能力使下游零镜头任务的微调VLM是流行的选择。尽管在基础类的专业性中取得了令人鼓舞的表现，但大多数现有的微调方法都遭受了新颖类的特征混乱，导致不满意的可转移性。为了解决这个问题，我们提出了一种称为基于及时的变分适配器（PVA）的分裂和争议方法，该方法通过分开基础和新样本来明确减少预测偏差。指定，我们设计了两个具有可学习的文本令牌的变异适配器，以使共享潜在空间中每种模态的潜在表示。一旦受过训练，我们就可以使用潜在特征的相似性度量，即将混乱任务转换为两个独立的样本（一个用于基本类别，另一个用于新颖的类别）。此外，为了提高新颖类的可传递性，我们通过残留连接进一步完善了具有全局特征的学习适配器的输出特征。我们对广义零射门学习和交叉传输的学习进行了广泛的实验，以证明我们的方法的优势，并在四个流行的基准上建立新的最先进的方法。