XiaoMi-AI文件搜索系统
World File Search System博士论文
博士论文药代动力学-药效学建模...
联合药物疗法是成功治疗多种疾病的关键，在这些疾病中单一疗法效果不够好或出现了耐药性。因此，开发新的药物组合是主要关注点。固定剂量组合也是如此，近年来批准的固定剂量组合有所增加。开发固定剂量组合通常需要进行大规模析因设计研究以验证组合的疗效。随着对药物个性化的更多关注，需要为患者提供几种剂量水平的固定剂量组合。对于析因设计研究，这将导致非常昂贵的临床试验。为了降低开发成本并指导药物开发，必须验证现有工具并开发新工具。然而，用于分析固定剂量组合的此类基于模型的工具还处于起步阶段。
巴黎高科大学博士论文 -Theses.fr
我们描述了一种评估移动激光测量的准确性和/或精密度的新方法。这是基于城市场景的线性实体的提取和比较。配对段之间计算的平均距离（即修改后的 Hausdorff 距离）用于相对于现有参考对云进行评分。对于边缘的提取，我们提出了一种检测通过 RANSAC 算法找到的平面段之间的交叉点的方法，该算法通过相关组件的分析进行丰富。我们还在考虑一种通过同样基于线性元素的刚性配准来校正移动激光读数的方法。最后，我们研究边缘的相关性来推导移动系统外参标定的参数。我们在作为 TerraMobilita 项目一部分获得的模拟数据和实际数据上测试我们的方法。
TH`ESE（博士论文） - Theses.fr
评审团 James Herman OLIVER 先生 爱荷华州立大学教授、校长 Guillaume MOREAU 先生 南特中央理工学院教授 报告员 Fr´ed´eric NOEL 先生 格勒诺布尔教授 INP 报告员 Fernando DE LA ROSA 先生 洛斯大学教授安第斯山脉报告员 Fr´ed´eric MERIENNE 先生 教授、工艺美术审查员 Jose 先生Tiberio HERNANDEZ 洛斯安第斯大学教授 考官卢如丁先生 艺术与工艺客座教授 女士Florence DANGLADE 艺术与手工艺教授 客座 Pablo Figueroa 先生 洛斯安第斯大学教授 客座
计算机科学中的博士论文提高了从人类反馈中学习的样本效率
随着人工智能的快速发展，该技术已从工业和实验室环境中转移到了日常人的手中。一旦AI和机器人代理人被安置在日常家庭中，就需要考虑到人类的需求。使用诸如从人类反馈（RLHF）中学习的方法，代理可以通过学习奖励功能或直接基于其回馈来优化策略来学习理想的行为。与互联网规模数据受益的视觉模型和大型语言模型（LLM）不同，RLHF受到提供的反馈量的限制，因为它需要额外的人为努力。在本文中，我们研究了如何减少人类提供的反馈数量，以减轻奖励功能而不会降低估计值时减轻负担。我们从基于偏好的学习角度来解决反馈的信息和效率之间的基本权衡。在这方面，我们介绍了可以分为两组的多种方法，即在没有额外的人类努力的情况下提高反馈质量的隐式方法，以及旨在通过使用其他反馈类型来大幅增加信息内容的明确方法。为了暗中提高偏好反馈的效率，我们研究如何利用主动学习（AL）来通过从差异自动编码器（VAE）中从差异化表示中挑选出差异的群集来提高样品的多样性。此外，我们还利用了优先对对通过在VAE的潜在空间上插值执行数据综合之间的独特关系。虽然隐式方法具有不需要额外努力的好处，但它们仍然遭受单独提供的信息提供的有限信息。对轨迹的偏好的一个局限性是没有折扣，这意味着如果首选轨迹，则为整个轨迹是首选，导致休闲混乱。因此，我们引入了一种称为“亮点”的新形式的反馈形式，该反馈使用户可以在轨迹上显示，哪一部分是好的，哪一部分不好。此外，利用LLMS创建了一种让人通过自然语言解释其偏好的方法，以推断出哪些部分是首选的。总的来说，本论文远离了互联网规模数据的假设，并展示了我们如何从人类较少的反馈中实现一致性。
计算机科学博士论文：通过人类反馈提高强化学习的样本效率
随着人工智能的快速发展，这项技术已经走出工业和实验室，进入了人们的日常生活。一旦人工智能和机器人代理进入日常家庭，它们就需要能够考虑人类的需求。借助诸如强化学习人类反馈 (RLHF) 之类的方法，代理可以通过学习奖励函数或直接基于其反馈优化策略来学习理想的行为。与受益于互联网规模数据的视觉模型和大型语言模型 (LLM) 不同，RLHF 受限于所提供的反馈量，因为它需要额外的人力投入。在本论文中，我们研究如何减少人类提供的反馈量，以减轻他们在估计奖励函数时的负担，同时又不降低估计值。我们从基于偏好的学习角度研究了反馈的信息量和效率之间的根本权衡。为此，我们介绍了多种方法，这些方法可以分为两类：隐式方法，无需额外的人力投入即可提高反馈质量；显式方法，旨在通过使用更多反馈类型来大幅增加信息量。为了隐式地提高偏好反馈的效率，我们研究如何利用主动学习 (AL)，通过变分自编码器 (VAE) 从已学习表征的不同聚类中策略性地选取样本，从而提高样本的多样性。此外，我们利用偏好对之间的独特关系，通过在 VAE 的潜在空间上进行插值来执行数据合成。虽然隐式方法具有无需额外工作量的优势，但它们仍然存在偏好本身所能提供的信息量有限的问题。轨迹偏好的一个局限性是没有折扣，这意味着如果一条轨迹是偏好的，则假设整个轨迹都是偏好的，从而导致偶然的混淆。因此，我们引入了一种称为亮点的新反馈形式，让用户在轨迹上显示哪些部分是好的，哪些部分是坏的。此外，利用 LLM，我们创建了一种方法，让人类通过自然语言解释他们的偏好，以推断哪些部分是偏好的。总体而言，本论文摆脱了互联网规模数据的假设，并展示了如何通过较少的人工反馈实现一致性。
Perin，F。（2024）。用于高级生物制造的多功能多组分（BIO）墨水平台。 [Maastricht大学博士论文，TRE大学
结果表明，可以针对各种生物构图方法（包括基于挤出的基于挤压和微型技术）进行多个链接方法，尽管需要进一步优化以提高生物学兼容性。基于硫醇-IT的点击化学方法提供了完善水凝胶特性的可能性，从而改善了生物学结果。使得成功组织复杂的结构，例如内皮和上皮管，这强调了各种组织工程应用的潜力。
材料科学与工程学博士论文是AI驱动的整体系统，用于优化钢铁废料在钢生产中的使用
钢铁行业目前正在转型过程中，以便将来能够以更环保的方式生产。Sec-Ondary原材料钢废料在这种转变中起着至关重要的作用，因为制造过程中的回收废料在环保和可持续性上。但是，钢铁行业中钢铁废料的使用增加涉及新的挑战。必须更改过程，必须保持产品质量，并且必须管理吞吐量的增加和需求。数字化和AI技术的使用可以帮助优化和自动化新过程。在工业环境中使用AI时，通常会有一个挑战，即没有足够的质量数据。为了缩小这一差距，是通过应用一种新颖的耕作技术创建和使用了新的欧洲废料类别的新数据集。创建，甚至更多此类域数据集的注释需要大量的时间和专家知识。出于这个原因，使用不同类型的增强物来实施一种自我监督的方法，以提取诸如钢废料等内在无序物体的典型细粒结构。这些结果用于控制废料输入以及废料使用情况，从而自动化过程。钢生产过程中使用的废料通常在原点和组成方面有所不同，这使得编译更加困难。编译废料混合物时，钢生产商通常依靠经验或必须进行复杂的试验。实施了一种机器学习方法，可用于模拟和优化不同的废料组合。基于这些模型，开发了一种新的方法来估算不使用其他传感器的标准过程参数中使用的输入材料的化学含量。在异质工业环境中AI模型的整合是一个主要挑战。需要根据需要对环境基础架构进行调整或创建。为了嵌入各种解决方案，合并了不同的Machine学习技术，根据需要建立所需的基础架构，并实施了在线模型和接口供生产性使用。总而言之，本文提出了一个由AI驱动的整体系统，该系统可以融合各种技术，优化钢废料工艺，并自动化废料工作流程，从废料进入到基本氧气炉的结束。
引文 Wijeyeratne, Subodhana。2020. 红日冉冉升起：1920-2003 年日本太空计划中的个人、机构和基础设施。博士论文
使用条款本文从哈佛大学的 DASH 存储库下载，并根据适用于其他发布材料的条款和条件提供，具体规定如下：http://nrs.harvard.edu/urn-3:HUL.InstRepos:dash.current.terms-of-use#LAA
博士论文：用于量子计算应用的低温半导体器件可靠性 (f/m/div)*
我们提供一篇博士论文，研究液氦温度下半导体器件的老化机制。基于电气测量，确定并深入研究了 4.2 K 下的相关物理老化机制。开发或扩展了低温老化模型。过去二十年来，量子计算一直是基础研究中一个非常活跃的领域。在过去的 5 年里，它已经达到了成熟的水平，商业应用触手可及。英飞凌希望通过研究不同的量子系统及其在低温下的电子环境来推动这一发展，以便操纵和读取这些系统。在半导体器件中，许多物理效应会导致器件电气参数的漂移，进而导致整个电路故障。预测这种漂移在整个生命周期中的现象对于确保电路的功能性非常重要。对于量子计算应用，需要研究低温下的退化效应，并分别开发物理模型。
Perin, F. (2024)。用于先进生物制造的多功能多组分（生物）墨水平台。[博士论文，马斯特里赫特大学，特雷弗大学
相关性 过去几十年来，医学取得了巨大进步，提高了全球预期寿命和患者的生活质量。尽管如此，慢性病仍然是一个社会经济负担，也是全球主要的死亡原因之一 [1]。再生医学旨在恢复患病组织的功能，是改善慢性病患者病情的有前途的工具。有一项科学研究一直在探索再生医学方法来治疗导致慢性疾病和死亡的主要原因，例如心血管疾病 [2]、糖尿病 [3] 和癌症治疗 [4]。其中一些新的先进治疗方法目前正处于 II 期临床试验阶段，有望改善全球数百万患者的生活方式 [5]。