XiaoMi-AI文件搜索系统
World File Search System单任务
脑电神经反馈训练可以降低有意识的运动控制并提高单任务和双任务心理运动表现
摘要 人们认为，人类的运动控制可以通过重复而实现自动化，从而促进一致执行并降低双任务成本。然而，疾病或常规运动模式的限制等意外情况会促进有意识的运动控制，从而降低运动熟练程度并使双任务情况更加困难。本实验评估了脑电图神经反馈训练是否可以减少有意识的运动控制的不利影响。25 名参与者在单任务和双任务（步行 + 连续七次）条件下，在 30 分钟的神经反馈训练之前和之后，戴着腿部支架完成了计时起立行走任务以解除其常规运动的自动化。在三次实验室访问中，医生开了三种不同类型的神经反馈。我们假设，与相反（增加中枢 EEG α 功率）或假神经反馈训练相比，降低辅助运动区上方头皮部位中枢 EEG α 功率的训练将有利于提高表现。结果显示，当参与者接受降低中枢脑电图 α 功率的训练时，他们在单任务和双任务的两个方面的表现在前测到后测之间都有所提高。相反或假神经反馈训练没有好处。中介分析显示，双任务运动表现的改善是由认知表现的改善所介导的。这表明神经反馈方案是有益的，因为它有助于减少对运动任务的有意识控制。这些发现可能对康复和高性能（例如精英运动）领域具有重要意义；神经反馈可以用来帮助缓解个人在有意识地进行运动控制时可能出现的问题。
通过多任务预测药物-靶标相互作用...
在药物发现中，识别靶蛋白和分子之间的结合至关重要。当每个任务的信息量较小时，多任务学习方法已被引入以促进任务之间的知识共享。然而，多任务学习有时会降低整体性能或在各个任务的性能之间产生权衡。在本研究中，我们提出了一种通用的多任务学习方案，通过组选择和知识提炼，不仅可以提高平均性能，还可以最大限度地减少个体性能的下降。根据配体靶标组之间的化学相似性来选择组，并将同一组中的相似靶标一起训练。在训练过程中，我们应用教师退火的知识提炼。多任务学习模型由单任务学习模型的预测引导。这种方法的平均性能高于单任务学习和经典多任务学习。进一步的分析表明，多任务学习对于低性能任务特别有效，知识提炼有助于模型避免多任务学习中单个任务性能的下降。
limt：语言信息多任务视觉世界模型
摘要：机器人增强学习的最新成功涉及学习专业的单任务代理。但是，能够执行多个任务的机器人在现实世界应用程序中可能更有价值。多任务加强学习由于样本复杂性的提高和潜在矛盾的任务目标而可能非常具有挑战性。以前关于此主题的工作由无模型方法主导。即使学习专门的单任务代理，后者也可能是非常低效的样本效率。在这项工作中，我们专注于基于模型的多任务增强学习。我们提出了一种学习多任务视觉世界模型的方法，利用预训练的语言模型来提取语义上有意义的任务表示。世界模型和政策使用这些表示形式来推理动态和行为的任务相似性。我们的结果突出了对世界模型使用语言驱动的任务代表的好处，以及基于模型的多任务学习而不是更常见的无模型范式的明显优势。
基于多任务学习的锂离子电池的多国家在线估计
摘要：基于深度学习的状态估计锂电池广泛用于电池配件系统（BMS）设计。但是，由于板载计算资源的限制，多个单州估计模型更难在实践中部署。因此，本文提出了一个多任务学习网络（MTL），将多层特征提取结构与分离的专家层相结合，用于联合估算液管电池的电荷状态（SOC）和能源状态（SOE）。MTL使用多层网络来提取功能，将任务共享与任务特定参数分开。基础LSTM最初提取时间序列特征。由任务特定和共享专家组成的分离的专家层提取了特定于多个任务的不同任务和共享功能的特征。不同专家提取的信息通过门结构融合。任务是根据特定和共享信息处理的。通过彼此共享学习知识，对多个任务进行了同时培训以提高性能。SOC和SOE在松下数据集上进行了估算，并在LG数据集上测试了该模型的泛化性能。这两个任务的平均绝对误差（MAE）值为1.01％和0.59％，均方根误差（RMSE）值分别为1.29％和0.77％。对于SOE估计任务，与单任务学习模型相比，MAE和RMSE值分别降低了0.096％和0.087％。结果显示了该方法的有效性和优势。与其他多任务学习模型相比，MAE和RMSE值的MTL模型分别降低了高达0.818％和0.938％。与单任务学习模型相比，对于SOC估计任务，MAE和RMSE值分别降低了0.051％和0.078％。MTL模型还胜过其他多任务学习模型，在MAE和RMSE值中分别达到高达0.398％和0.578％的降低。在模拟在线预测的过程中，MTL模型消耗了4.93毫秒，这比多个单任务学习模型的组合时间少，几乎与其他多任务学习模型相同。
在竞争性视听任务条件下，神经 α 振荡和瞳孔大小差异性地指示认知需求
图 1. 实验设计。A：试验设计。听觉和视觉刺激同时呈现。听觉间隙检测任务：参与者必须在白噪声 7 秒内检测到间隙（间隙可能发生在 4-6 秒的时间窗口内）。对于“困难”条件，间隙持续时间单独滴定至 75% 正确。对于“简单”条件，间隙持续时间加倍。多物体跟踪任务：参与者观看 16 个移动点，并被要求在移动点场景中跟随最初提示的（红色）点。7 秒后，点停止移动，三个点被标记为绿色，并标为 1、2 和 3。参与者必须决定三个点中的哪一个是提示点。参与者必须跟随一个（简单）或五个（困难）点。分析集中在 3-4 秒的时间窗口（间隙前窗口；此外，由于其反应缓慢，还关注 5-6 秒的瞳孔大小窗口）。 B：单任务会话（左）和双任务会话（右）的设计。在单任务会话中，参与者分别执行听觉和视觉任务（但始终呈现视听刺激）。在双任务条件下，参与者同时执行这两项任务。C：假设示意图。如果生理测量指标独立于模态来指示认知需求，则难度增加的影响在各种模态之间应该是相同的（左图）。或者，难度增加的影响可能在不同的感官模态之间有所不同（右图）。
步行过程中的能量优化涉及隐式处理
步态适应对新的环境，设备或身体的变化，可以由能量消耗的持续优化驱动。然而，能量优化是否涉及隐式处理（自动发生，并以最少的认知注意力发生），显式处理（有意识地使用邀请策略有意识地发生）或两者结合尚不清楚。在这里，我们使用了双任务范式来探测在步行过程中能量优化中隐式和明确过程的贡献。为了创建我们的主要能量优化任务，我们使用了下LIMB外骨骼将人们的能量最佳步骤频率转移到低于正常优选的频率。我们的次要任务旨在从优化任务中引起明确的关注，是听觉音调歧视任务。我们发现，添加此次要任务并不能阻止步行过程中的能量优化。我们的双任务实验的参与者将其步骤频率调整为Optima的量，并以与我们以前的单任务实验中的参与者相似的速度。我们还发现，当参与者适应能量Optima时，在语调歧视任务上的表现并没有恶化。当外骨骼改变能量最佳步态时，精度得分和反应时间保持不变。调查回答表明，双重任务参与者在很大程度上不知道适应过程中对步态的变化，而单任务参与者更加了解他们的步态变化，但并未利用这种明确的意识来改善步态适应性。共同表明能量优化涉及隐式处理，从而使注意力资源可以针对步行过程中其他认知和运动目标。
涉及感觉运动控制的多任务处理过程中的错误相关电位：脑机接口的 ERP 和离线解码研究
人类通过感知和应对错误来实现高效的行为。错误相关电位 (ErrP) 是在感知错误时发生的电生理反应。有人提出利用 ErrP 来提高脑机接口 (BCI) 的准确性，利用大脑的自然错误检测过程来提高系统性能。然而，外部和环境因素对 ErrP 可检测性的影响仍然不太清楚，特别是在涉及 BCI 操作和感觉运动控制的多任务场景中。在此，我们假设感觉运动控制的困难会导致多任务处理中的神经资源分散，从而导致 ErrP 特征的减少。为了检验这一点，我们进行了一项实验，其中指示参与者将球保持在板上的指定区域内，同时尝试通过运动想象控制显示屏上的光标。BCI 以 30% 的随机概率提供错误反馈。根据感觉运动控制的难度，我们采用了三种场景——无球（单任务）、轻量球（简单任务）和重量球（困难任务）——来描述 ErrP。此外，为了研究多任务对 ErrP-BCI 性能的影响，我们离线分析了单次试验分类准确度。与我们的假设相反，改变感觉运动控制的难度不会导致 ErrP 特征发生显著变化。然而，多任务会显著影响 ErrP 分类准确度。事后分析显示，在单任务 ErrP 上训练的分类器在困难任务场景下准确度降低。据我们所知，这项研究是首次在离线框架内研究在涉及感觉运动控制和 BCI 操作的多任务环境中 ErrP 是如何被调节的。尽管 ErrP 特征保持不变，但观察到的准确度变化表明，在实现基于 ErrP 的实时 BCI 之前，需要设计考虑任务负荷的分类器。
利用适应性定制技术集中注意力
每位参与者的得分都用于定制他们随后的游戏，以便他们都能在适合其能力的难度级别上玩游戏。一些 60 至 85 岁的成年人被要求在多任务模式下每周玩三个小时的 NeuroRacer，持续四周。与此同时，其他人只以单任务模式玩游戏，有些人根本不玩。在月底，与其他组相比，玩“手势和驱动”版本的人显著提高了他们在游戏中的多任务处理能力以及其他认知控制功能，如工作记忆和持续注意力。游戏多任务处理的改善在实验后持续了令人印象深刻的六个月，表明大脑中的前额叶认知控制系统是灵活的，可以重新训练，即使在老年人群体中也是如此。
在多任务深度加强学习中共享知识
我们研究了在任务之间共享表示形式的好处，以便在多任务增强学习中有效利用深层神经网络。我们利用这样的假设，即从不同的任务中学习，共享共同的属性，有助于概括它们的知识，从而导致更有效的功能与学习一项任务相比。直觉上，当通过增强学习算法使用时，由此产生的功能集提供了性能优势。我们通过提供理论保证来强调在任务之间共享表示形式的条件，从而将近似值近似值的近似时间限制扩展到多任务设置的条件，从而证明了这一点。此外，我们通过提出三种强化学习算法的多任务扩展来补充我们的分析，我们对广泛使用的强化学习基准进行了经验评估，该基准在样本效率和绩效方面显示了对单任务处理的显着改善。
学习大脑实验室
任务切换相关的儿童和成人神经独特性的降低：共同点和差异。Schwarze, SA、Bonati, S.、Cichy, RM、Lindenberger, U.、Bunge, S. 和 Fandakova, Y. URL PDF 强化任务切换训练和单任务训练对儿童认知控制的行为和神经表现有不同的影响。Schwarze, SA、Laube, C.、Khosravani, N.、Lindenberger, U.、Bunge, SA 和 Fandakova, Y. URL PDF 任务切换期间的前额叶连接有助于还是阻碍儿童的表现？Schwarze, SA、Laube, C.、Khosravani, N.、Lindenberger, U.、Bunge, SA 和 Fandakova, Y. URL PDF 核心数字系统的神经关联有助于青少年的数学成就。 Abreu-Mendoza, R.、Zarabozo-Hurtado, D.、Chamorro, Y.、Vasquez, P.、Matute, E. 和 Fandakova, Y. URL PDF