XiaoMi-AI文件搜索系统
World File Search System图像合成
无监督图像配准可提高心脏和脑图像分析的性能和可解释性
摘要：磁共振成像 (MRI) 通常会招募多个序列（本文定义为“模态”）。由于每种模态都旨在提供不同的解剖和功能临床信息，因此不同模态之间的成像内容存在明显差异。模态间和模态内仿射和非刚性图像配准是临床成像中必不可少的医学图像分析过程，例如，在成像之前，需要在不同的 MRI 模态、时间阶段和切片之间获取和临床评估生物标志物。尽管在实际临床场景中通常需要仿射和非刚性图像配准，但尚未使用单一无监督模型架构进行广泛研究。在我们的工作中，我们提出了一种无监督深度学习配准方法，可以同时准确地模拟仿射和非刚性变换。此外，逆一致性是基本模态间配准属性，深度学习配准算法并未考虑该属性。为了解决逆一致性问题，我们的方法执行双向跨模态图像合成以学习模态不变的潜在表示，并涉及两个因式分解变换网络（每个编码器-解码器通道一个）和一个逆一致性损失以学习保持拓扑的解剖变换。总体而言，我们的模型（名为“FIRE”）在多模态脑 2D 和 3D MRI 以及模态内心脏 4D MRI 数据实验中表现出比参考标准基线方法（即使用 ANTs 工具箱实现的对称归一化）更好的性能。我们专注于解释模型数据组件，以增强模型在医学图像配准中的可解释性。在计算时间实验中，我们表明 FIRE 模型在节省内存的模式下运行，因为它可以在训练阶段直接学习保持拓扑的图像配准。因此，我们展示了一种高效且通用的配准技术，该技术在临床环境中的多模态图像配准中具有优势。
生成ai
I。在短短几年的时间里，引起媒体的产生就取得了巨大的进步。一方面，随着生成对抗网络（GAN）和最近的扩散模型（DM）的出现，光真相得到了迅速改善。另一方面，媒体发电的便捷性和灵活性达到了前所未有的水平。由大型语言模型（LLMS）提供动力，文本到图像合成工具允许用户通过简单的文本说明随意从头开始创建图像（见图1）。生成的AI为从娱乐，医疗保健到资助和制造的许多行业提供了许多机会[1]。但是，它可用于各种非法目的，尤其是为了加强虚假宣传和政治宣传[2]，[3]。现在可以比以往任何时候都更快地实现此类目标，并以最少的人为干预，并且结果极为现实，并且与特定的叙述相符。这对我们的社会构成了严重威胁，并证明了对自动化工具的越来越多的关注，这些工具将合成图像与自然图像区分开来。在这种情况下，可以实现两个略有不同的目标：i）检测提供了一个全球分数，评估正在测试的图像是合成的概率； ii）归因进一步走了一步，旨在追踪用于合成图像的特定生成模型。通过提供有关生成过程的更多具体信息，归因于验证检测输出并提高其解释性。早期生成的AI方法可能会引入某些视觉上不一致，例如阴影和反射图像中的不对称性。然而，最近的可以实现一个未经证实的现实主义水平，这些水平是基于视觉伪像的检测方法，并推动发现无形的痕迹。 一种可能性是依靠生成过程留下的微妙的法医痕迹。 实际上，每个生成模型都会留下一种人工指纹，该指纹取决于模型架构，合成过程的细节，甚至在训练数据集上。可以实现一个未经证实的现实主义水平，这些水平是基于视觉伪像的检测方法，并推动发现无形的痕迹。一种可能性是依靠生成过程留下的微妙的法医痕迹。实际上，每个生成模型都会留下一种人工指纹，该指纹取决于模型架构，合成过程的细节，甚至在训练数据集上。
![arxiv：2412.03315v1 [cs.cv] 2024年12月4日](/simg/8\8a22007559c8d24d5220854d990bac95efecaebf.webp)
arxiv：2412.03315v1 [cs.cv] 2024年12月4日
地面和卫星跨视图图像合成最近引起了极大的关注，因为它在虚拟现实，仿真，跨视图匹配和数据增强等中的潜在应用。任务是从给定的观点和两个视图之间的相对姿势合成目标视图图像。综合的信息不仅可以在视图之间表现出几何固定的场景结构，而且还保持了对现实世界数据的高视觉保真度。跨视图图像综合是一项非常明显的挑战，并且本质上不可能学习任务。此组合性主要源于急剧的观点变化，这导致图像内容和视觉特征的最小视野（FOV）重叠，severe遮挡和较大的差异。跨视图中的初步作品主要依赖于条件生成的对抗网络[20]。其中一些专注于在给定的卫星贴片上生成圆形的地面视图，采用高级语义或上下文进行监督[19、24、25、42、54]。最近的搜索[14，22，33]进一步证明，将3D几何形状纳入学习过程可以显着提高生成的地面视图图像的质量。但是，所有这些作品都将任务作为确定性的图像到图像翻译，而地面和卫星跨视图合成本质上是一个概率的一对一问题。使用视觉模型的卓越力量，例如剪辑[23]，大多数最近的研究都遵循文本图像生成的道路。扩散模型已成为深层生成模型的强大新家庭，并实现了生成任务的最新结果，尤其是在图像发生[3，7，40]中。最近的潜在扩散模型（LDM）[3]使任何提示中的高质量图像的概率生成，使其成为对地面和卫星交叉综合任务中不确定性进行建模的最佳选择。Zero123 [17]通过将图像剪辑编码和频率嵌入式相机姿势串联来准备带有相机姿势信息的图像条件的方法。然后将其用作调节表示预训练
2020/2021课程 - 计算机工程< / div>
ECSE 307 Linear Systems & Control (4 cr, P - ECSE 206, ECSE 210) ECSE 335 Microelectronics (4 cr, P - ECSE 331) ECSE 343 Numerical Methods in Engineering (3 cr, P- ECSE 205, COMP 250, MATH 263) ECSE 403 Control (4 cr, P - ECSE 307) ECSE 408 Communication Systems (4 cr, P - ECSE 205, ECSE 308）ECSE 412离散时间信号处理（3 CR，P -ECSE 206）ECSE 415简介。计算机视觉（3 CR，P -ECSE 205，ECSE 206或ECSE 316）ECSE 416 TELECOM。计算机视觉（3 CR，P -ECSE 205，ECSE 206或ECSE 316）ECSE 416 TELECOM。网络（4 CR，P -ECSE 205，ECSE 308或ECSE 316，COMP 250）ECSE 420并行计算（3 Cr，P -ECSE 427）ECSE 422容错计算（3 CR，P -ECSE 324，COMP 250，COMP 250，COMP 250）ECSE 428软件工程实践（3 Cr，P -ecse 335）ECSE 335） ECSE 321或COMP 303）ECSE 435混合信号测试技术（3 CR，P -ECSE 206，ECSE 335）ECSE 436信号处理硬件（3 Cr，P -ECSE 206，ECSE 324，ECSE 324，ECSE 325，ECSE 325）ECSE 437软件交付303）ECSE 446现实图像合成（3 CR，P -ECSE 202，ECSE 205，COMP 250）ECSE 450电磁兼容性（3 Cr，P -ECSE 222，ECSE 331，ECSE 331，ECSE 353或ECSE 353或ECSE 354或ECSE 354） 353) ECSE 501 Linear Systems (3 cr, C - ECSE 500 or permission from the instructor) ECSE 508 Multi-Agent Systems (3 cr, P - ECSE 205 or equivalents) ECSE 510 Filtering & Prediction for Stochastic Systems (3 cr, P - ECSE 500, ECSE 509 oe equivalents) ECSE 516 Nonlinear and Hybrid Control Systems (3 cr, P - ECSE 500 and ECSE 501 or等效物）ECSE 544计算摄影（4 CR，P -ECSE 205和ECSE 206）ECSE 551*工程师的机器学习（4 Cr -P -P -comp 250和ESCE 205或MATH 323; c- ESCE 443或ESCE 543或数学247）
生成人工智能研究的机会
●什么是genai：AIGC是通过获取人类的指示，从中获得含义以及使用该目标信息来创建内容根据其知识和理解来创建的。大规模模型近年来在AIGC中具有重要意义，因为它们可以提取出色的意图，从而可以提取更好的生成结果。随着数据和模型大小的增加，模型可以学习的分布变得更加广泛，对现实变得更加真实，从而创建了更高质量和更现实的内容。本调查对随着时间的推移的生成模型的发展进行了详尽的分析，并概述了它们从单峰到多模式相互作用的AIGC中的基本元素和当前的发展。我们从非模式的角度提供了生成任务以及相关的文本和图像模型。II。 AI和生成的历史：生成AI，也称为生成建模，是人工智能（AI）的一个分支，致力于创建能够生成类似于给定数据集的新数据的模型。 该领域的历史悠久数十年，由于深度学习和神经网络的发展，近年来取得了重大进步。 以下是生成AI的历史的详细概述：2010年代见证了生成AI的重大突破，这在很大程度上是由深度学习进步所驱动的。 AutoCododers（VAE）由Kingma和Welling在2013年推出，为学习潜在数据表示提供了一个概率框架。 生成对抗网络（GAN），由Ian Goodfellow等人提出。II。AI和生成的历史：生成AI，也称为生成建模，是人工智能（AI）的一个分支，致力于创建能够生成类似于给定数据集的新数据的模型。该领域的历史悠久数十年，由于深度学习和神经网络的发展，近年来取得了重大进步。以下是生成AI的历史的详细概述：2010年代见证了生成AI的重大突破，这在很大程度上是由深度学习进步所驱动的。AutoCododers（VAE）由Kingma和Welling在2013年推出，为学习潜在数据表示提供了一个概率框架。生成对抗网络（GAN），由Ian Goodfellow等人提出。在2014年，基于对抗性训练引入了一种新颖的生成建模方法。gan由两个神经网络组成，一个发电机和一个歧视器，在最小值游戏框架中同时训练有素，在该框架中，生成器学会了生成逼真的数据，而歧视器则学会区分真实数据和生成数据。gan在生成高质量的图像，音频，文本和其他类型的数据方面取得了显着成功，从而导致艺术生成，图像合成和数据增强的广泛应用
电气工程课程 - 2024 年秋季
COMP 370 数据科学概论 3 P - COMP 206, COMP 250 或 ECSE 250 COMP 549 脑启发人工智能 3 P - MATH 222, MATH 223, MATH 323 COMP 551*** 应用机器学习 4 P - MATH 323 或 ECSE 205 或同等学历 COMP 559 计算机动画基础 4 P - MATH 222, MATH 223, COMP 206, COMP 250 COMP 562 机器学习理论 4 P - MATH 462 或 COMP 451 或（COMP 551, MATH 222, MATH 223, MATH 324）或 ECSE 551 ECSE 310 计算热力学 3 P - ECSE 200, ECSE 205, ECSE 222 ECSE 325 数字系统 3 P - ECSE 324 ECSE 405 天线 3 P - ECSE 206, ECSE 354 ECSE 412 离散时间信号处理 3 P - ECSE 206 ECSE 415 简介。计算机视觉 3 P - ECSE 205，（ECSE 206 或 ECSE 316）ECSE 420 并行计算 3 P - ECSE 427 ECSE 421 嵌入式系统 3 P - ECSE 324 ECSE 422 容错计算 3 P - ECSE 324 和（ECSE 250 或 COMP 250）ECSE 423 光子学基础 3 P - ECSE 354 ECSE 424 人机交互 3 P - （ECSE 324 和 ECSE 250）或（ECSE 324 和 COMP 250）或（COMP 251 和 COMP 273）ECSE 425 计算机架构 3 P - ECSE 324 ECSE 427 操作系统 3 P - （ECSE 324 或 COMP 273）ECSE 430光子器件与系统 3 P - ECSE 354，MIME 262 ECSE 431 VLSI CAD 简介。 3 P - ECSE 324、ECSE 331 ECSE 435 混合信号测试技术 3 P - ECSE 206、ECSE 335 ECSE 436 信号处理硬件 3 P - ECSE 206、ECSE 324、ECSE 325 ECSE 446 真实图像合成 3 P - （ECSE 205 和 ECSE 250）或（ECSE 202 和 ECSE 205 和 COMP 250）ECSE 450 电磁兼容性 3 P - ECSE 222、ECSE 331、（ECSE 353 或 ECSE 354）ECSE 451 EM 传输和辐射 3 P - ECSE 354 ECSE 460 电气设备 3 P - ECSE 464 ECSE 463 * 电力发电 3 P - （ECSE 362 或ECSE 461) ECSE 464 电力系统分析 3 P - ECSE 362 ECSE 465** 电力电子系统 3 P - ECSE 331、ECSE 362 ECSE 466 配电系统 3 P - ECSE 362 ECSE 467 电力通信 3 P - ECSE 464 ECSE 468 电力工业 3 P - ECSE 362 ECSE 469 电力保护 3 P - ECSE 464 ECSE 472 电路仿真和建模基础知识 3 P - ECSE 206、ECSE 331； ECSE 597 不能参加 ECSE 500 系统数学基础 3 ECSE 501 线性系统 3 C - ECSE 500 或获得讲师许可 ECSE 507 优化与最优控制 3 P -（ECSE 343 或 ECSE 543 或 ECSE 501 或 COMP 540 或 MATH 247 或获得讲师许可） ECSE 508 多智能体系统 3 P - ECSE 205 或同等学历 ECSE 509 概率与随机信号 2 3 P -（ECSE 206 或 ECSE 316），ECSE 205 ECSE 510 随机系统的过滤与预测 3 P - ECSE 500、ECSE 509 或同等学历 ECSE 516 非线性和混合控制系统 3 P - ECSE 500、ECSE 501 或同等学历 ECSE 519 半导体纳米结构与纳米光子器件 3 P - ECSE 354，(ECSE 433 或 ECSE 533) ECSE 521 数字通信 1 3 P - ECSE 408 或 ECSE 511；C- ECSE 509 ECSE 526 人工智能 3 P - ECSE 324 ECSE 532 计算机图形学 4 P - ECSE 324 ECSE 534 模拟微电子学 3 P - ECSE 335 ECSE 543 电气工程中的数值方法 3 P - ECSE 324、ECSE 331、ECSE 251 ECSE 544 计算摄影 4 P - ECSE 205、ECSE 206 ECSE 551*** 工程师机器学习 4 P - (ECSE 250 或 COMP 250) 和 (ECSE 205 或 MATH 323); C- ECSE 343 或 ECSE 543 或 MATH 247 ECSE 552 深度学习 4 P - （ECSE 551 或 COMP 551） ECSE 554 应用机器人 4 P - ECSE 205、COMP 206、ECSE 250、（ECSE 343 或 MATH 247）或同等学历 ECSE 556 网络生物学中的机器学习 4 P - 讲师许可 ECSE 562* 低碳发电工程 4 P - （ECSE 362 或 ECSE 461） ECSE 563 电力系统运行与规划 3 P - ECSE 362 ECSE 565** 电力电子学概论 3 P - ECSE 335、ECSE 362 ECSE 575 异构集成系统 3 P - ECSE 335 或讲师许可 PHYS 346 专业 量子物理学 3 P - PHYS 230、PHYS 232 或 PHYS 251 PHYS 434 光学 3 C - PHYS 342 或 PHYS 352，或经导师许可
ee-7.pdf
COMP 370 数据科学概论 3 P - COMP 206、COMP 250 或 ECSE 250 COMP 549 脑启发人工智能 3 P - MATH 222、MATH 223、MATH 323 COMP 551*** 应用机器学习 4 P - MATH 323 或 ECSE 205 或同等学历 COMP 559 计算机动画基础 4 P - MATH 222、MATH 223、COMP 206、COMP 250 COMP 562 机器学习理论 4 P - MATH 462 或 COMP 451 或（COMP 551、MATH 222、MATH 223、MATH 324）或 ECSE 551 ECSE 310 计算热力学 3 P - ECSE 200、ECSE 205、ECSE 222 ECSE 325 数字系统 3 P - ECSE 324 ECSE 405 天线 3 P - ECSE 206, ECSE 354 ECSE 412 离散时间信号处理 3 P - ECSE 206 ECSE 415 简介。计算机视觉 3 P - ECSE 205，（ECSE 206 或 ECSE 316）ECSE 420 并行计算 3 P - ECSE 427 ECSE 421 嵌入式系统 3 P - ECSE 324 ECSE 422 容错计算 3 P - ECSE 324 和（ECSE 250 或 COMP 250）ECSE 423 光子学基础 3 P - ECSE 354 ECSE 424 人机交互 3 P - （ECSE 324 和 ECSE 250）或（ECSE 324 和 COMP 250）或（COMP 251 和 COMP 273）ECSE 425 计算机架构 3 P - ECSE 324 ECSE 427 操作系统 3 P - （ECSE 324 或 COMP 273) ECSE 430 光子器件与系统 3 P - ECSE 354，MIME 262 ECSE 431 VLSI CAD 简介。3 P - ECSE 324、ECSE 331 ECSE 435 混合信号测试技术 3 P - ECSE 206、ECSE 335 ECSE 436 信号处理硬件 3 P - ECSE 206、ECSE 324、ECSE 325 ECSE 446 真实图像合成 3 P - （ECSE 205 和 ECSE 250）或（ECSE 202 和 ECSE 205 和 COMP 250）ECSE 450 电磁兼容性 3 P - ECSE 222、ECSE 331、（ECSE 353 或 ECSE 354）ECSE 451 EM 传输和辐射 3 P - ECSE 354 ECSE 460 电器 3 P - ECSE 464 ECSE 463 * 发电 3 P - （ECSE 362 或 ECSE 461) ECSE 464 电力系统分析 3 P - ECSE 362 ECSE 465** 电力电子系统 3 P - ECSE 331, ECSE 362 ECSE 466 配电网络 3 P - ECSE 362 ECSE 467 电网行为 3 P - ECSE 464 ECSE 468 工业电力 3 P - ECSE 362 ECSE 469 电网保护 3 P - ECSE 464 ECSE 472 电路仿真与建模基础 3 P - ECSE 206, ECSE 331; ECSE 597 无法参加 ECSE 500 系统数学基础 3 ECSE 501 线性系统 3 C - ECSE 500 或获得讲师许可 ECSE 507 优化与最优控制 3 P -（ECSE 343 或 ECSE 543 或 ECSE 501 或 COMP 540 或 MATH 247 或获得讲师许可） ECSE 508 多智能体系统 3 P - ECSE 205 或同等学历 ECSE 509 概率与随机信号 2 3 P -（ECSE 206 或 ECSE 316），ECSE 205 ECSE 510 随机系统的过滤与预测 3 P - ECSE 500、ECSE 509 或同等学历 ECSE 516 非线性和混合控制系统 3 P - ECSE 500、ECSE 501 或同等学历 ECSE 519 半导体纳米结构与纳米光子器件 3 P - ECSE 354，（ECSE 433 或 ECSE 533）ECSE 521 数字通信 1 3 P - ECSE 408 或 ECSE 511； C- ECSE 509 ECSE 526 人工智能 3 P - ECSE 324 ECSE 532 计算机图形学 4 P - ECSE 324 ECSE 534 模拟微电子学 3 P - ECSE 335 ECSE 543 电子工程中的数值方法 3 P - ECSE 324、ECSE 331、ECSE 251 ECSE 544 计算摄影 4 P - ECSE 205、ECSE 206 ECSE 551*** 工程师机器学习 4 P - （ECSE 250 或 COMP 250）和（ECSE 205 或 MATH 323）； C- ECSE 343 或 ECSE 543 或 MATH 247 ECSE 552 深度学习 4 P - （ECSE 551 或 COMP 551） ECSE 554 应用机器人 4 P - ECSE 205、COMP 206、ECSE 250、（ECSE 343 或 MATH 247）或同等学历 ECSE 556 网络生物学中的机器学习 4 P - 讲师许可 ECSE 562* 低碳发电工程 4 P - （ECSE 362 或 ECSE 461） ECSE 563 电力系统运行与规划 3 P - ECSE 362 ECSE 565** 电力电子概论 3 P - ECSE 335、ECSE 362 ECSE 575 异构集成系统 3 P - ECSE 335 或讲师许可 PHYS 346 专业 量子物理 3 P - PHYS 230、PHYS 232 或 PHYS 251 PHYS 434 光学 3 C - PHYS 342 或 PHYS 352，或经讲师许可
CEGEP 入学资格
COMP 549 受大脑启发的人工智能 3 P - MATH 222、MATH 223 和 MATH 323；或同等学历。 COMP 551*** 应用机器学习 4 P - MATH 323 或 ECSE 205 或同等课程 COMP 559 计算机动画基础 4 P - MATH 222、MATH 223、COMP 206、COMP 250 COMP 562 机器学习理论 4 P - MATH 462 或 COMP 451 或（COMP 551、MATH 222、MATH 223 和 MATH 324）或 ECSE 551。ECSE 310 计算热力学 3 P - ECSE 200、ECSE 205、ECSE 222 ECSE 325 数字系统 3 P - ECSE 324 ECSE 405 天线 3 P - ECSE 206、ECSE 354 ECSE 412 离散时间信号处理 3 P - ECSE 206 ECSE 415介绍。计算机视觉 3 P - ECSE 205，（ECSE 206 或 ECSE 316）ECSE 420 并行计算 3 P - ECSE 427 ECSE 421 嵌入式系统 3 P - ECSE 324 ECSE 422 容错计算 3 P - ECSE 324 和（ECSE 250 或 COMP 250）ECSE 423 光子学基础 3 P - ECSE 354 ECSE 424 人机交互 3 P - （ECSE 324 和 ECSE 250）或（ECSE 324 和 COMP 250）或（COMP 251 和 COMP 273）ECSE 425 计算机架构 3 P - ECSE 324 ECSE 427 操作系统 3 P - （ECSE 324 或 COMP 273）ECSE 430光子器件与系统 3 P - ECSE 354，MIME 262 ECSE 431 VLSI CAD 简介。 3 P - ECSE 324、ECSE 331 ECSE 435 混合信号测试技术 3 P - ECSE 206、ECSE 335 ECSE 436 信号处理硬件 3 P - ECSE 206、ECSE 324、ECSE 325 ECSE 446 真实图像合成 3 P - （ECSE 205 和 ECSE 250）或（ECSE 202 和 ECSE 205 和 COMP 250）ECSE 450 电磁兼容性 3 P - ECSE 222、ECSE 331、（ECSE 353 或 ECSE 354）ECSE 451 EM 传输和辐射 3 P - ECSE 354 ECSE 460 电气设备 3 P - ECSE 464 ECSE 463 * 电力发电 3 P - （ECSE 362 或ECSE 461) ECSE 464 电力系统分析 3 P - ECSE 362 ECSE 465** 电力电子系统 3 P - ECSE 331、ECSE 362 ECSE 466 配电系统 3 P - ECSE 362 ECSE 467 电力通信 3 P - ECSE 464 ECSE 468 电力工业 3 P - ECSE 362 ECSE 469 电力保护 3 P - ECSE 464 ECSE 472 电路仿真和建模基础 3 P - ECSE 206、ECSE 331 ECSE 500 系统数学基础 3 ECSE 501 线性系统 3 C - ECSE 500 或获得讲师许可 ECSE 507 优化与最优控制 3 P - （ECSE 343 或 ECSE 543 或 ECSE 501 或 COMP 540 或获得讲师许可）ECSE 508 多智能体系统 3 P - ECSE 205 或同等学历 ECSE 509 概率与随机信号 2 3 P - （ECSE 206 或 ECSE 316），ECSE 205 ECSE 510 随机系统的过滤与预测 3 P - ECSE 500，ECSE 509 或同等学历 ECSE 516 非线性和混合控制系统 3 P - ECSE 500，ECSE 501 或同等学历 ECSE 519 半导体纳米结构与纳米光子器件 3 P - ECSE 354，(ECSE 433 或 ECSE 533) ECSE 521 数字通信 1 3 P - ECSE 408；C- ECSE 509 ECSE 526 人工智能 3 P - ECSE 324 ECSE 532 计算机图形学 4 P - ECSE 324 ECSE 543 电气工程中的数值方法 3 P - ECSE 324、ECSE 331、ECSE 251 ECSE 544 计算摄影 4 P - ECSE 205 和（ECSE 206 或 ECSE 316）ECSE 551*** 工程师机器学习 4 P - （ECSE 250 或 COMP 250）和（ECSE 205 或 MATH 323）； C- ECSE 343 或 ECSE 543 或 MATH 247 ECSE 552 深度学习 4 P - （ECSE 551 或 COMP 551） ECSE 554 应用机器人 4 P - ECSE 205、COMP 206、ECSE 250 和（ECSE 343 或 MATH 247）或同等学历。 ECSE 556 网络生物学中的机器学习 4 ECSE 557 自主智能系统伦理学简介 3 P - （ECSE 202 或 ECSE 250 或 COMP 250）和（ECSE 205 或 MATH 323）或经讲师许可； C - COMP 451 或 COMP 551 或 ECSE 551 或经讲师许可
人工智能与人类交互舒适度研究
[1] Michael Ahn、Anthony Brohan、Noah Brown、Yevgen Chebotar、Omar Cortes、Byron David、Chelsea Finn、Keerthana Gopalakrishnan、Karol Hausman、Alex Herzog 等人。2022 年。尽我所能，不要照我说的做：为机器人可供性奠定语言基础。arXiv 预印本 arXiv:2204.01691 (2022)。[2] Chris Baker、Rebecca Saxe 和 Joshua Tenenbaum。2011 年。贝叶斯心智理论：建模联合信念-愿望归因。在认知科学学会年会论文集，第 33 卷。[3] Chris L Baker、Noah D Goodman 和 Joshua B Tenenbaum。2008 年。基于理论的社会目标推理。在认知科学学会第三十届年会论文集。 Citeseer，1447–1452。[4] Chris L Baker 和 Joshua B Tenenbaum。2014 年。使用贝叶斯心理理论对人类计划识别进行建模。计划、活动和意图识别：理论与实践 7 (2014)，177–204。[5] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2021 年。特征扩展奖励学习：重新思考人类输入。在 2021 年 ACM/IEEE 人机交互国际会议论文集上。216–224。[6] Andreea Bobu、Marius Wiggert、Claire Tomlin 和 Anca D Dragan。2022 年。通过学习特征在奖励学习中诱导结构。国际机器人研究杂志 (2022)，02783649221078031。[7] Mustafa Mert Çelikok、Tomi Peltola、Pedram Daee 和 Samuel Kaski。2019 年。具有心智理论的交互式人工智能。arXiv 预印本 arXiv:1912.05284 (2019)。[8] Aakanksha Chowdhery、Sharan Narang、Jacob Devlin、Maarten Bosma、Gaurav Mishra、Adam Roberts、Paul Barham、Hyung Won Chung、Charles Sutton、Sebastian Gehrmann 等人。2022 年。Palm：使用路径扩展语言建模。arXiv 预印本 arXiv:2204.02311 (2022)。[9] Harmen De Weerd、Rineke Verbrugge 和 Bart Verheij。 2013. 了解她知道你知道的事情有多大帮助？一项基于代理的模拟研究。人工智能 199 (2013)，67–92。[10] Jacob Devlin、Ming-Wei Chang、Kenton Lee 和 Kristina Toutanova。2018. Bert：用于语言理解的深度双向变压器的预训练。arXiv 预印本 arXiv:1810.04805 (2018)。[11] Prafulla Dhariwal 和 Alexander Nichol。2021. 扩散模型在图像合成方面击败了 gans。神经信息处理系统进展 34 (2021)，8780–8794。[12] Prashant Doshi、Xia Qu、Adam Goodie 和 Diana Young。2010. 使用经验主义交互式 POMDP 对人类的递归推理进行建模。在第九届自主智能体和多智能体系统国际会议论文集：第 1 卷-第 1 卷。1223–1230。[13] 段佳飞、余志强、谭辉、朱宏远和陈志东。2022 年。具身人工智能调查：从模拟器到研究任务。IEEE 计算智能新兴主题汇刊 (2022 年)。[14] 段佳飞、余志强、谭辉、易立和陈志东。2022 年。BOSS：对象上下文场景中人类信念预测的基准。arXiv 预印本 arXiv:2206.10665 (2022 年)。[15] David Engel、Anita Woolley、Lisa Jing、Christopher Chabris 和 Thomas Malone。2014 年。从眼睛读懂心思还是从字里行间读懂心思？心智理论在线上和面对面时同样能预测集体智慧。PloS one 9 (12 2014)，e115212。https://doi.org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作逆强化学习。神经信息处理系统的进展 29 (2016)。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统的进展 31 (2018)。 [18] 何开明、张翔宇、任少卿和孙健。2016 年。深度残差学习在图像识别中的应用。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33（2020 年），6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。 [21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016 年。协调合作或竞争：社交互动中的抽象目标和共同意图。《认知科学》。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015 年。深度学习。《自然》521，7553（2015 年），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。[25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。org/10.1371/journal.pone.0115212 [16] Dylan Hadfield-Menell、Stuart J Russell、Pieter Abbeel 和 Anca Dragan。2016 年。合作式逆强化学习。神经信息处理系统进展 29（2016 年）。[17] Yanlin Han 和 Piotr Gmytrasiewicz。2018 年。使用交互式 POMDP 在多智能体环境中学习他人的意向模型。神经信息处理系统进展 31（2018 年）。[18] Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun。2016 年。用于图像识别的深度残差学习。IEEE 计算机视觉与模式识别会议论文集。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。 2020. 去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020. 人工智能与对未来的担忧：挪威案例研究。在分布式、环境和普适交互中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。2016. 协调合作或竞争：社交互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。 nature 521, 7553 (2015), 436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的信任度更高？个体差异在用户对内容审核的反应中的作用。新媒体与社会 0, 0 (0), 14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978)，515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。在国际机器学习会议上。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021. 零样本文本到图像生成。在国际机器学习会议上。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。在 IEEE 计算机视觉与模式识别会议论文集上。770–778。[19] Jonathan Ho、Ajay Jain 和 Pieter Abbeel。2020 年。去噪扩散概率模型。神经信息处理系统进展 33 (2020)，6840–6851。[20] Kyriaki Kalimeri 和 Ingvar Tjostheim。2020 年。人工智能与对未来的担忧：挪威案例研究。在《分布式、环境和普适交互》中，Norbert Streitz 和 Shin'ichi Konomi（编辑）。Springer International Publishing，Cham，273–284。[21] Max Kleiman-Weiner、Mark K Ho、Joseph L Austerweil、Michael L Littman 和 Joshua B Tenenbaum。 2016. 协调合作或竞争：社会互动中的抽象目标和共同意图。在 CogSci 中。[22] Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton。2015. 深度学习。自然 521，7553（2015），436–444。[23] Maria D. Molina 和 S. Shyam Sundar。0. 对人类的不信任是否预示着对人工智能的更大信任？个体差异在用户对内容审核反应中的作用。新媒体与社会 0, 0 (0)，14614448221103534。https://doi.org/10.1177/14614448221103534 arXiv：https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。 1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。[25] David Premack 和 Guy Woodruff。1978. 黑猩猩有心智理论吗？行为与脑科学 1, 4 (1978), 515–526。https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018. 机器心智理论。国际机器学习会议。PMLR，4218–4227。 [27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本转图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。//doi.org/10.1177/14614448221103534 arXiv:https://doi.org/10.1177/14614448221103534 [24] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 [25] David Premack 和 Guy Woodruff。1978 年。黑猩猩有心理理论吗？行为与脑科学 1, 4 (1978)，515–526。 https://doi.org/10.1017/S0140525X00076512 [26] Neil Rabinowitz、Frank Perbet、Francis Song、Chiyuan Zhang、SM Ali Eslami 和 Matthew Botvinick。2018 年。机器心智理论。国际机器学习会议。PMLR，4218–4227。[27] Aditya Ramesh、Mikhail Pavlov、Gabriel Goh、Scott Gray、Chelsea Voss、Alec Radford、Mark Chen 和 Ilya Sutskever。2021 年。零样本文本到图像生成。国际机器学习会议。PMLR，8821–8831。