XiaoMi-AI文件搜索系统
World File Search System单任务
![arXiv:2305.08264v1 [cs.CL] 2023 年 5 月 14 日](/simg/g:\will\search\icon\source\2\224978bf81ee1923c87510f0608af411428da40d.webp)
arXiv:2305.08264v1 [cs.CL] 2023 年 5 月 14 日
我们提出了 MatSci-NLP，一种用于评估自然语言处理 (NLP) 模型在材料科学文本上的性能的自然语言基准。我们根据公开的材料科学文本数据构建基准，涵盖七种不同的 NLP 任务，包括命名实体识别和关系分类等传统 NLP 任务，以及特定于材料科学的 NLP 任务，例如与创建材料合成程序有关的合成动作检索。我们研究了在 MatSci-NLP 上在不同科学文本语料库上预训练的各种基于 BERT 的模型，以了解预训练策略对理解材料科学文本的影响。鉴于材料科学领域高质量注释数据的稀缺，我们使用有限的训练数据进行微调实验，以促进在 MatSci-NLP 任务中的推广。我们在这种低资源训练环境中进行的实验表明，在科学文本上预训练的语言模型比在一般文本上训练的 BERT 表现更好。Mat-BERT 是一种专门针对材料科学期刊进行预训练的模型，通常在大多数任务中表现最佳。此外，我们提出了一种用于 MatSci-NLP 多任务学习的统一文本到模式，并将其性能与传统微调方法进行了比较。在对不同训练方法的分析中，我们发现我们提出的受问答启发的文本到模式方法始终优于单任务和多任务 NLP 微调方法。代码和数据集是公开可用的 1 。
脑科学
摘要：我们最近报告称，随着年龄的增长，在时间和空间任务之间重新集中注意力变得越来越困难，这可能会影响驾驶等日常活动 (Callaghan 等人，2017)。在这里，我们调查了重新集中注意力的困难在多大程度上延伸到模拟驾驶等自然环境中。在连续模拟驾驶期间，对五个年龄组 (18-30 岁；40-49 岁；50-59 岁；60-69 岁；70-91 岁) 的总共 118 名参与者进行了比较，他们反复从因前方交通而刹车 (一项空间集中但时间复杂的任务) 切换到阅读高速公路路标 (一项空间分布更分散的任务)。将顺序任务 (切换) 性能与单任务性能 (仅限路标) 进行比较，以计算与年龄相关的切换成本。研究人员对 34 名参与者（18-30 岁组 17 名，60 岁以上组 17 名）进行了脑电图记录，以探索驾驶时重新聚焦注意力的神经振荡特征随年龄变化的情况。我们确实观察到了与年龄相关的注意力重新聚焦障碍，表现为反应时间切换成本增加以及 θ 和 alpha 频率调节不足。我们的研究结果强调虚拟现实 (VR) 和神经 VR 是未来心理学和老年学研究的重要方法。
基于GNN的多代理增强学习范式
摘要 - 机器学习（ML）任务是当今边缘计算网络中的主要工作量之一。现有的Edge-云调度程序将所需资源数量分配给每个任务，而最佳利用有限的边缘资源来完成ML任务。本文提出了Tapfinger，这是一种用于边缘群集的分布式调度器，可通过协作任务放置和精细元素的多资源分配来最大程度地减少ML任务的总完成时间。要学习任务不确定的资源敏感性和启用分布式计划，我们采用了多代理增强学习（MARL），并提出了几种技术以使其有效，包括MARL Backbone作为MARL Backbone，是Actor网络中的量身定制的任务选择阶段，以及Bayes theerem'theerem'orem and Ingess-Ingem and Ingem schem schem schem schem schem。我们首先实施一个单任务调度版本，该版本每次最多都有一个任务。然后我们将其推广到多任务调度案例，其中同时安排了一系列任务。我们的设计可以减轻扩展的决策空间，并产生快速收敛到最佳的调度解决方案。使用合成和测试床的ML任务痕迹进行了广泛的实验表明，与最先进的调度程序相比，Tapfinger的平均任务完成时间最高可减少54.9％，并提高资源效率。
脱机多任务表示增强学习
离线增强学习的最新进展（RL）（Levine等人，2020年）使用预采用的数据集为现实世界中的培训政策开辟了可能的可能性（Kalashnikov等人。，2018年； Rafailov等。，2021; Kalashnikov等。，2021），自然语言处理（Jaques等人，2019年），教育（De Lima and Krohling，2021年），电力供应（Zhan等人，2022）和医疗保健（Guez等人，2008年； Shortreed等。，2011年； Wang等。，2018年；基利安等人。，2020）。虽然大多数离线RL研究都集中在单任务问题上，但是在许多实际情况下，多个任务是相关的，并且通过利用所有可用数据共同学习多个任务是有益的（Kalashnikov等人。，2018年； Yu等。，2021，2022; Xie and Finn，2022）。在这种情况下，一种流行的方法是多任务表示学习，该代理的目的是通过在相关任务之间提取共享的低维表示功能来解决问题，然后在此通用表示上使用简单功能（例如线性）来解决每个任务（Caruana，1997; Baxter，2000）。尽管多任务表示学习取得了经验成功，尤其是在增强学习在降低样品复杂性方面的功效方面的实现（Teh等人，2017年； Sodhani等。，2021; Arulkumaran等。，2022），对其的理论理解仍处于早期阶段（Brunskill和Li，2013年； Calandriello等人。，2014年； Arora等。，2020年； Eramo和Al。，2020年；胡和al。，2021; lu和al。，2021; Pacchiano的磨坊，2022年）。虽然
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。
平衡增长项目：单中心协议......
摘要 引言 目前尚不清楚或很少探索前庭系统在正常发育或前庭功能受损儿童的运动和高级 (认知) 表现中的作用。有趣的是，关于儿童前庭、运动和认知功能之间相互作用的论点也可以通过对以运动和/或认知处理困难而闻名的儿童（例如患有神经发育障碍 (NDD) 的儿童）的研究得到支持，因为他们通常表现出类似前庭的特征。因此，为了阐明这种相互作用，并加深对儿童前庭疾病和 NDD 的病理生理学和症状学的理解，开发了平衡成长项目。它包括以下目标：(1) 了解正常发育的学龄儿童的运动技能、认知表现和前庭功能之间的关联，特别关注前庭系统在高级认知技能和运动能力中的附加价值； (2) 研究前庭功能障碍（有/无其他听觉疾病）是否会影响儿童的运动技能、认知表现和运动-认知相互作用； (3) 评估是否可以在患有 NDD 的学龄儿童中发现潜在的前庭功能障碍，并使用广泛的前庭测试电池记录该组儿童前庭功能障碍的发生和特征。 方法与分析为了实现观察性横断面平衡生长研究的目标，制定了单任务和双任务测试方案，将在三组学龄儿童（6-12 岁）中进行：（1）正常发育组（n=140），（2）（听力）前庭障碍儿童（n=30）和（3）患有 NDD 的儿童（n=55）（即自闭症谱系障碍、注意力缺陷/多动障碍和/或发育性协调障碍）。测试方案由几个定制测试和已经存在的经过验证的测试组成，包括前庭评估、广泛的运动评估、八项神经认知测试、认知-运动相互作用评估，还包括其他
认知工作负荷的综合评估滞后效应
技术的进步改变了安全关键任务中的工作动态。如今，许多系统都为操作员提供了通过将子任务转移给自动化技术来减轻复杂任务负担的选项。自适应自动化的目标是消除操作员启动/关闭自动化的需要，而是让子任务的自动控制实时适应操作员的需求。然而，自动化的每一次变化也会产生任务需求转变，这已被证明会对认知工作量指标产生意想不到的影响。自适应自动化系统需要准备好考虑操作员的工作量历史，以动态调整系统如何有效地帮助操作员。本研究的主要目的是研究认知工作量历史对最近经历的认知工作量感知的影响（即滞后）。本研究旨在通过任务控制的自动化交接来引发滞后效应，使用单-双-单任务呈现方法产生低-高-低任务需求序列。设计了两个可变需求计划序列来模拟高水平和低水平的认知需求条件。通过比较第一个和第二个低需求期，可以确定高需求期是否显著影响了第二个低需求期的认知工作量指标，表明存在滞后影响。本研究的结果表明，数据中没有出现滞后效应。多元分析表明，虽然高需求和低需求条件之间存在显著差异，但两个低需求期之间没有出现无法用其他因素解释的显著差异。这表明第二个低需求期没有受到前一个高需求期的显著影响。这些发现表明，滞后影响可能与动态自适应自动化任务卸载和重新加载条件不太相关。鉴于本研究的结果，对于滞后效应，资源耗竭假说或努力调节假说都无法提供显著的支持。需要做更多的工作来检查需求转变不太明显的任务中的滞后效应。
在...
神经影像学研究越来越多地使用面向网络的分析来了解健康和分散个体的人脑。神经科学研究提供了证据，表明这些神经回路在解释人口之间的大脑功能差异方面起着至关重要的作用[1]。青少年脑认知发展（ABCD）研究[2]是美国脑发育和儿童健康的最大和长期研究。它为多样化的人群提供了广泛的大脑发展数据集，包括fMRI和丰富的生物学和行为调查结果。此数据集提供了一个机会，可以探索与错综复杂的大脑联系和丰富的行为数据之间的关系。最近有一种趋势是使用源自神经成像数据（例如fMRI）来预测各种临床结果的脑网络。然后分析这些模型以确定功能性脑网络与临床结果之间的潜在相关性。例如，Li等人。[3]提出了一个GNN模型来预测临床靶标，然后发现了特定于任务的神经系统标志物。此外，Chen等人。[1]在ABCD研究中为每个行为任务构建了单个模型，并分析了这些模型以捕获各种行为的关系。我们没有在这项工作中训练每个任务的单个模型，而是通过多任务学习（MTL）同时培训35个任务以及来自ABCD研究中7327个样本的休息状态功能性脑网络。MTL是一个框架，使多个学习任务能够共享其知识，从而改善了概括。所使用的骨干模型是脑网络跨前来[4]。MTL模型体系结构的概述如图1：大脑网络变压器将大脑网络转换为图形级别的嵌入，然后将其馈入每个预测目标的不同特定任务完全连接的网络（FCN）中。使用ADAM优化器对所有目标进行了端到端训练，并应用了平方误差以计算损失和评估性能。此外，我们为比较训练了35个单独的大脑网络变压器，一个用于每个任务。我们将35个任务包括在ABCD研究中，分为3个类别（域）：认知预测（15个任务），人格预测（9个任务）和心理健康预测（11个任务）。我们的实验结果表明，MTL的性能明显优于单任务mod-
侯增光简历
出版物（部分近期出版物） [1] Wang, J., Shi, L., Wang, W., Hou, ZG , “Efficient braincoding based on adapted EEG channel selecting and transformation”, IEEE Trans on Emerging Topics in Computational Intelligence, 2022, vol.6, pp. 1314-1323. [2] Wang, C., Peng L., Hou, ZG , et al., “A Hierarchical architecture for multisymptom assessment of early Parkinson's disease via wearable sensor”, IEEE Trans on Cognitive and Developmental Systems, 2022, 14(4), pp. 1553-1563. [3] Fan, C.、Peng, L.、Wang, T.、Yang、Zhou, X、Hou, ZG，“R-GAN：基于时间循环生成对抗网络的多会话未来 MRI 预测”，IEEE Trans on Medical Imaging，2022，41(8)，第 1925-1937 页。[4] Ni, Z.、Bian, G、Zhou, X、Li, R 和 Hou, ZG，“空间挤压推理和低秩双线性特征融合用于手术图像分割”，IEEE Journal of Biomedical and Health Informatics，2022，26(7)，第 3209-3217 页。[5] Zhou, X.、Xie, X.、Liu, S.、Feng, Z.、Hou, ZG，“基于动态扭曲操作的手术技能评估”，IEEE Trans on Medical Robotics and Bionics，vol. 4，第1期，第 50-61 页，2022 年 2 月。[6] Li, R.、Xie, X.、Zhou, X.、Liu, S.、Ni, Z.、Hou, ZG，“透视图像中多导丝端点定位的统一框架，”IEEE Transactions on Biomedical Engineering，第 69 卷，第 4 期，第 1406-1416 页，2022 年 4 月。[7] Gui, M.、Zhou, X.、Xie, X.、Liu, S.、Li, H.、Hou, ZG，“基于新型 Halbach 圆柱体的磁皮肤设计和实验：初步研究”，IEEE Trans on Instrumentation and Measurement，2022 年，第 71 卷，第 1-11 页。 [8] 王建军、王伟、任胜、石伟、侯志刚，“单任务与认知-运动双任务训练的神经相关性”，IEEE 认知与发展系统学报，第 14 卷，第 2 期，第 532-540 页，2022 年 6 月。[9] 王光、胡倩、杨燕、程建军、侯志刚，“半监督深度散列的对抗性二元相互学习”，IEEE 神经网络与学习系统学报，2022 年 8 月，第 33 卷，第 8 期，第 4110-4124 页。[10] 王晨、彭玲、侯志刚等，“使用便携式测量方法评估上肢痉挛
陆军公司运营设施 (COF) 标准
陆军公司运营设施 (COF) 标准描述：公司运营设施 (COF) 陆军标准适用于所有组织和装备表 (TOE) 公司、部队、炮兵或支队级组织，以满足基本指挥和控制、单位补给行动、士兵和单位发放的设备存储、士兵设备维护和检查、部署准备和高科技/美元物品设备（例如，机器人、自主传感器等）单元化单一结构中的存储活动。COF 不适用于分配和配额表 (TDA) 或使用公司管理和供应 (CO A&S) 设施的类似规模的非部署单位。COF 提供完成陆军任务所需的物理空间和全球信息网格 (GIG) 连接。适用性： • 公司作战设施（以下简称 COF）陆军标准适用于所有公司梯队级别组织结构的规划、设计和建设，与组织和装备目标表 (OTOE) 中类似人力的炮兵连、部队或支队同义。• 不适用于未包含准备模块的公司管理和供应 (CO A&S) 设施，也不适用于航空线营（例如，突击直升机、攻击直升机、空中骑兵中队、通用支援航空营、空中开发营）内的航空线公司（公司/部队 A-D），或其他陆军标准中涉及的训练基地公司。• 本陆军标准同样适用于全球现役部队修改后的组织和装备表 (TOE) 单位要求，以及作为独立设施部署的预备役部队 MTOE，而非上述设施。确定这些设施规模的规划标准不适用于预备役部队设施。相反，规划标准受 NG PAM 415-12 和 AR 140-483 或后续出版物的当前版本管辖。• 在创建或开发服务于相同基本功能、任务或目的的新标准或不同标准之前，应最大限度地使用本陆军标准中作为单独项目标识的标准化标准构建块。• 分配和津贴表 (TDA) 组织应使用本陆军标准中的标准化标准构建块来开发 CO A&S 应用程序。由于其独特的使命和在进行需求分析、制定 DD1391 或启动工作/工单任务请求之前，如果未事先咨询 COF 标准化中心 (COS) 或设施设计团队 (FDT)，则 TDA 应用程序不会获得任何准备模块。• 虽然本陆军标准（建筑和规划）中的标准可能会为陆军特种作战部队内的设施决策提供信息，但支持特种作战航空团和其他特种作战航空部队的设施计划由总部、陆军特种作战司令部和司令部副参谋长 - 工程部控制和批准。