XiaoMi-AI文件搜索系统
World File Search System区分任务
瞳孔活动指数：测量认知能力
摘要 提出了一种新颖的眼动追踪瞳孔直径振荡频率测量方法，用于捕捉被认为是认知负荷指标的内容。所提出的度量标准称为瞳孔活动指数，在一项实验中，参与者在注视中心目标（复制先前工作的要求）的同时执行简单和困难的心算任务，结果表明，该指标可以区分任务难度与认知负荷（如果可以假设隐含的因果关系）。本文的贡献是双重的：提供了对所提出的测量方法计算的完整文档，可以将其视为现有专有认知活动指数 (ICA) 的替代方案。因此，研究人员可以复制实验并构建自己的软件来实现此测量。其次，ICA 的几个方面以更数据敏感的方式进行处理，目的是提高测量的性能。
瞳孔活动指数 - OSF
摘要 提出了一种新颖的眼动追踪瞳孔直径振荡频率测量方法，用于捕捉被认为是认知负荷指标的内容。所提出的度量标准称为瞳孔活动指数，在一项实验中，参与者在注视中心目标（复制先前工作的要求）的同时执行简单和困难的心算任务，结果表明，该指标可以区分任务难度与认知负荷（如果可以假设隐含的因果关系）。本文的贡献是双重的：提供了对所提出的测量方法计算的完整文档，可以将其视为现有专有认知活动指数 (ICA) 的替代方案。因此，研究人员可以复制实验并构建自己的软件来实现此测量。其次，ICA 的几个方面以更数据敏感的方式进行处理，目的是提高测量的性能。
在自适应人机协作中
人类可以在协作任务（例如打篮球）中快速适应新伙伴，因为他们知道任务的哪些基本技能（例如如何运球、如何投篮）可以传给新伙伴。人类还可以通过延续他们已经开发的惯例（例如举起手势传球）来快速适应与相同伙伴的类似任务，而无需从头开始学习协调。为了与人类无缝协作，AI代理也应该快速适应新伙伴和新任务。然而，目前的方法并没有试图区分任务固有的复杂性和合作伙伴使用的惯例，更普遍的是，很少有人关注利用惯例来适应新环境。在这项工作中，我们提出了一个学习框架，以原则性的方式将规则依赖表示与惯例依赖表示区分开来。我们表明，在某些假设下，我们的规则依赖表示是跨合作伙伴的最佳响应策略分布的充分统计数据。通过这种表示分离，我们的代理能够快速适应新伙伴，并以零次方式与旧伙伴协调新任务。我们通过三个复杂程度各异的协作任务实验验证了我们的方法：情境多臂老虎机、积木放置任务和纸牌游戏 Hanabi。
输入细胞注意力机制降低循环神经网络的消失显着性
最近，为提高深度神经网络的可解释性，人们使用显著性来表征输入特征对模型预测的重要性。在循环神经网络 (RNN) 上使用基于显著性的方法进行可解释性研究主要针对语言任务，而它们对时间序列数据的适用性尚不明确。在本文中，我们分析了基于显著性的 RNN 方法，包括经典和门控单元架构。我们表明，RNN 显著性会随着时间的推移而消失，导致对显著特征的检测仅偏向于后续时间步骤，因此无法可靠地检测任意时间间隔内的重要特征。为了解决这个显著性消失问题，我们提出了一种新颖的 RNN 单元结构（输入单元注意力†），它可以扩展任何 RNN 单元架构。在每个时间步骤，输入单元注意力使用固定大小的矩阵嵌入，而不是只查看当前输入向量，矩阵的每一行都关注来自当前或之前时间步骤的不同输入。使用合成数据，我们表明，输入单元注意 RNN 生成的显着性图能够忠实地检测重要特征，无论它们在时间上发生如何。我们还将输入单元注意 RNN 应用于神经科学任务，该任务分析执行各种任务的人类受试者的功能性磁共振成像 (fMRI) 数据。在这种情况下，我们使用显着性来表征大脑区域（输入特征），这些区域的活动对于区分任务很重要。我们表明，标准 RNN 架构只能在 fMRI 数据的最后几个时间步骤中检测重要的大脑区域，而输入单元注意模型能够跨时间检测重要的大脑区域活动，而不会在后面的时间步骤中产生偏差。