XiaoMi-AI文件搜索系统
World File Search System制来
通过基于脑电图的人类意图预测和警觉控制来协调人机协作
在共享工作空间的人机协作场景中，人们非常希望获得的性能提升被对人类安全的高要求所抵消，机器人驱动器的速度和扭矩被限制在不会伤害人体的水平。特别是对于具有灵活人类行为的复杂任务，保持安全的工作距离和有效协调任务变得至关重要。在这方面，一种既定的方法是响应当前人体姿势的反应伺服。然而，这种方法没有利用对人类行为的预期，因此无法及时对快速的人体动作做出反应。为了尽快调整机器人的行为，尽早预测人类的意图成为一个至关重要但难以实现的因素。在这里，我们采用了一种最近开发的脑机接口 (BCI)，它可以检测人类明显注意力的焦点作为即将发生的动作的预测指标。与其他类型的 BCI 相比，将刺激直接投射到工作空间有助于无缝集成到工作流程中。此外，我们还展示了如何利用大脑反应的信噪比来调整机器人运动速度以适应人类的警觉或警觉水平。通过在物理机器人实验中分析该自适应系统的性能和安全裕度，我们发现所提出的方法可以提高协作效率和安全距离。
Maya：利用形式控制来混淆电力侧通道
由于信息通过功耗泄露，计算机的安全面临风险。攻击者可以使用高级信号测量和分析从此侧信道恢复敏感数据。为了解决这个问题，本文介绍了 Maya，这是一种简单有效的电源侧信道防御方法。其理念是使用形式控制以应用程序透明的方式重新塑造计算机消耗的功率——防止攻击者了解正在运行的应用程序的任何信息。借助形式控制，即使运行时条件发生不可预测的变化，控制器也可以可靠地将功耗保持在接近所需目标函数的位置。通过智能地选择目标函数，控制器可以使功率遵循任何所需的形状，看似携带活动信息，但实际上与应用程序无关。Maya 可以在特权软件、固件和硬件中实现。我们在三台机器上仅使用特权线程来抵御基于机器学习的攻击，并展示了其有效性和易于部署性。Maya 已经挫败了新开发的远程电源攻击。
雇用有指导的实习和学徒制来培养HPC培训和教育
在高性能计算中的位置很难填补，尤其是在运营区域内的站点可靠性工程师的位置。在劳伦斯·伯克利国家实验室（LBNL）的国家能源研究科学计算中心（NERSC）上，运营团队使用复杂的冷却生态系统管理HPC计算设施，并充当广泛的区域网络运营中心。因此，该职位需要在四个特定领域的技能集：系统管理，存储管理，设施管理和广泛的区域网络。这些技能在任何教育计划中均不完整；因此，新毕业生将需要大量的培训，然后才能在所有领域熟练。与硅谷的接近性相邻，在寻找合格的候选人方面增加了另一个挑战。NERSC已在交易中采用学徒计划采用了一种新的方法。该计划需要实习生或学徒在实习或学徒期限期间履行里程碑，并通过不断的评估，反馈，指导和动手工作，使候选人能够证明他们不断增长的技能，最终会导致赢得职业职业职位。
β2-AR阻断通过调节NRF2介导的防御机制来增强MEK1/2对HNSCC的影响
摘要β2-肾上腺素能受体（β2-AR）是G蛋白偶联受体（GPCR），参与许多癌症的发展，其中包括HNSCC。在本竞赛中，β2-AR信号传导与通常被TK受体激活的不同途径（例如PI3K和MAPK）相互作用。因此，TK封锁是HNSCC患者中最采用的治疗策略之一。在我们的研究中，我们使用选择性抑制剂ICI118,551（ICI）研究了β2AR阻断在HNSCC细胞系中的影响，并与MAPK抑制剂U0126结合使用。我们发现ICI导致p38和NF-KB致癌途径的阻塞，也强烈影响ERK和PI3K途径。与U0126的合作构成对细胞活力和途径改变的协同作用。有趣的是，我们发现β2-AR阻滞会影响NRF2-KEAP1稳定性及其核易位，从而导致ROS急剧增加和氧化应激。我们的结果通过TCGA数据集分析确认，表明NFE2L2基因通常在HNSC中过表达，并且与较低的存活率相关。在我们的系统中，PI3K途径抑制作用最终导致促进生存自噬，这是癌细胞通常采用的一种机制，以较少对疗法的反应。在HNSC中通常上调的MTOR表达在患有疾病疾病的患者中降低。众所周知，MTOR具有强大的自噬抑制作用，因此其下调促进了促生寿命自噬，并具有相关的增加复发率。我们的发现的亮点在第一次的HNSCC细胞增殖和耐药性中的β2-AR和相关途径的关键作用是一种有价值的治疗分子靶标。
正念通过增强对阿尔法波段神经活动的控制来改善脑机接口性能
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2020 年 4 月 13 日发布。；https://doi.org/10.1101/2020.04.13.039081 doi：bioRxiv preprint
通过逃避噬菌体抗性机制来改善噬菌体疗法
可穿戴传感器提供了巨大的机会，可以识别各种应用的活动和感兴趣的事件。但是，当前系统的主要局限性是，在系统配置的任何更改中，需要对经过特定传感器进行训练的机器学习算法，例如添加新的传感器。在本文中，我们的目标是为新传感器训练Ma-Chine学习算法，以识别现有传感器可检测的活动和观察结果。我们创建了一种域适应方法，可以将训练算法从已知的可穿戴传感器扩展到新传感器，从而消除了对机器学习算法进行手动培训的需求。具体来说，我们提出的方法消除了在新传感器上捕获取代量的数据的必要性。我们提出了用于人类活动识别的随机特征的概念，并设计了深神网络的新结构，以近似特征的后验分布。此近似通过使用新传感器的有限的未标记数据来对齐新传感器的特征空间，以便可以将先前定义的分类器与新传感器一起使用。实验结果表明，与基于确定性特征的典型卷积神经网络相比，（ii）我们的框架优于最先进的域适应算法，与典型的卷积神经网络相比，与典型的卷积神经网络相比，（i）随机特征对加性噪声更强大。与训练新传感器的模型相比，使用有限的未标记培训数据训练新的传感器时，它也可以提高10％。