XiaoMi-AI文件搜索系统
World File Search System后续训练
活动悬崖估计的半监督分子学习框架
机器学习（ML）实现了准确，快速的分子性能预测，这与药物发现和材料设计有关。假设相似的分子表现出紧密的特性，他们的成功基于其心脏相似性的原理。然而，活动悬崖挑战了这一原理，它们的存在导致了现有ML算法的性能，尤其是基于图的方法的急剧解脱。为了克服低数据表情况下的这一障碍，我们提出了一种新型的半监督学习（SSL）方法，称为Semimol，该方法对众多未注释的数据进行了预测，作为伪信号，以进行后续训练。具体来说，我们引入了一个附加的讲师模型来评估代理标签的准确性和可信度，因为存在伪标记的方法需要概率输出以揭示模型的置信度并且无法应用于回归任务。此外，我们设计了一个自适应课程学习al-gorithm，以逐步移动目标模型以可控的速度进行硬性样本。在30个活动悬崖数据集上进行的广泛实验表明，Semimol显着增强了基于图形的ML架构，并超过了最先进的预处理和SSL基准。
通过训练熟练的目光注视策略，提高航空公司飞行员的视觉扫描和手动飞行性能
摘要：驾驶舱监控不力已被确定为导致航空事故的重要因素。因此，改进飞行员的监控策略有助于提高飞行安全性。在两个不同的环节中，我们在全飞行模拟器中分析了专业航空公司飞行员的飞行性能和眼球运动。在预训练环节中，20 名飞行员以飞行员飞行 (PF) 的身份执行了手动进近场景，并根据其飞行性能分为三组：不稳定、标准和最准确。不稳定的飞行员对各种仪器的关注不足或过度。他们的视觉扫描模式数量低于设法稳定进近的飞行员。最准确的飞行员表现出更高的感知效率，注视时间更短，对重要主要飞行仪表的注视更多。大约 10 个月后，14 名飞行员返回进行后续训练。他们接受了一项短期培训计划，并执行了与预训练课程类似的手动方法。其中七人（实验组）收到了关于他们自己的表现和视觉行为（即在预训练课程期间）的个人反馈，以及从最准确的飞行员那里获得的各种数据，包括一段眼动追踪视频，其中显示了最准确的飞行员之一的有效视觉扫描策略。另外七人（对照组）收到了有关驾驶舱监控的一般指导。在训练后阶段，实验组的飞行表现更好（与对照组相比），其视觉扫描策略与最准确的飞行员的视觉扫描策略更加相似。总之，我们的结果表明，驾驶舱监控是手动飞行性能的基础，并且可以使用主要基于高度准确的飞行员的眼动示例的训练计划来改进它。
培训需求分析 (TNA) 研究...
1.概述 训练是为装备训练、使用和维护提供必要的师资、程序、方法、技术、教材、设备设施等，是将航空武器装备设计成果转化为实际作战能力的决定性措施，决定着装备能否快速有效地形成战斗力。随着航空武器装备技术的发展，对装备作战能力提出了更高的要求。只有正确、准确的训练需求分析（TNA）才能有效指导后续训练，使军队获得更好的战斗力[1] 。目前，国内军机训练需求分析主要由装备系统设计人员根据装备性能要求的差距，拟定训练内容。基于各系统设计者推测训练需求的方法在训练实践中暴露出训练知识点碎片化、无法实现受训者分级训练、训练内容不适应受训者任务需要等弱点。因此，亟待建立一套科学的训练需求分析方法，将飞机功能、性能、使用、维护等知识与部队实际情况相结合。从而合理设置理论教学与实践课程，适用于用户任务特点，快速提高训练效果。训练需求分析（TNA）是一种设置训练内容和训练目标的方法或技术。该方法主要将任务与受训者分析相结合，将知识点模块化，合理安排训练时间，以准确完成训练任务[2] 。目前，TNA主要应用于民航飞行员训练，收集飞行员在执行任务的各个阶段需要完成的常规任务或应急任务，分析其执行情况，并根据任务要求进行相应的改进。