XiaoMi-AI文件搜索系统
World File Search System图形用户界面
在图形用户界面（GUI）
在本文中，我们将讨论在图形用户界面中认知科学研究的用法。在界面设计领域，基于实际认知科学研究缺乏准则。我们打算通过关注林业和林业经营者（尤其是他们的视觉认知工作负载）如何影响他们的学习过程，注意力跨度和决策来探索这一领域。我们将检查操作接口，其中最终生产取决于操作员的工作效率和与计算机接口的协作。使用认知科学研究中的信息，我们将设计图形用户界面作为现有树收割机界面的替代方法。通过旨在减少操作员的认知任务负荷，本文探讨了将认知科学研究纳入人类计算机界面（HCI）设计的可能性。
空中交通管制信息系统的现代图形用户界面框架
空中交通管制员用于观察大量具有不一致用户界面的不同系统。在本文中，我们介绍了一种客户端服务器架构的设计，以将这些系统集成为一个提供同质图形用户界面的系统。该框架的主要目标是适应灵活性、快速原型设计能力，能够在项目早期阶段让管制员参与进来，并简单应用用户界面设计原则来优化态势感知。除其他外，我们在本文中总结的这些原则包括使用颜色、动画和形状。与使用传统的桌面应用程序开发工具包不同，所展示系统的图形用户界面基于 QtQuick 构建，这是一个通过声明性语言创建任意用户体验的库，无需进行持续编译。在本文中，我们详细讨论了该技术的优点和缺点，并说明了我们使用它的动机。我们解释了系统的设计，并结合了额外的实施细节，并展示了使用它创建的几个原型，以展示其可能性。这些原型是根据项目适应性工作和来自世界不同地点的控制器的可用性印象进行评估的，所提出的系统将在不久的将来安装。所提出的框架提供了较低的适应时间和灵活的应用用户界面设计隐喻的能力，这使其非常适合预期用途。在这方面，QtQuick 被证明是该系统的坚实基础。
空中交通管制信息系统的现代图形用户界面框架
空中交通管制员用于观察大量具有不一致用户界面的不同系统。在本文中，我们介绍了一种客户端服务器架构的设计，以将这些系统集成为一个提供同质图形用户界面的系统。该框架的主要目标是适应灵活性、快速原型设计能力，能够在项目早期阶段让管制员参与进来，并简单应用用户界面设计原则来优化态势感知。除其他外，我们在本文中总结的这些原则包括使用颜色、动画和形状。与使用传统的桌面应用程序开发工具包不同，所呈现系统的图形用户界面基于 QtQuick 构建，QtQuick 是一个通过声明性语言创建任意用户体验的库，无需不断编译。在本文中，我们详细讨论了该技术的优点和缺点，并说明了我们使用它的动机。我们解释了系统的设计，并结合了其他实施细节，并展示了使用它创建的几个原型，以展示其可能性。这些原型是根据项目适应性工作和来自世界不同地点的控制器的可用性印象进行评估的，这些地点将在不久的将来安装所提出的系统。所提出的框架提供了较低的适应时间和灵活的应用用户界面设计隐喻的能力，这使其非常适合预期用途。在这方面，QtQuick 被证明是该系统的坚实基础。
重新设计图形用户界面以供使用... - DiVA 门户
与计算机的各种可能的交互是一个不断发展的话题，计算机的使用比以往任何时候都更加普遍。在手头有常规用例和交互的情况下，从用户的角度进行设计并非易事。为军事环境中的用户进行设计可能更加困难，因为所述用户的工作环境要求很高。本论文旨在研究如何重新设计现有的 GUI 以减少在越野车和户外天气中操作软件的环境挑战性环境的影响。为了重新设计 GUI，我们执行了以用户为中心的设计过程。该过程通过使用情境访谈和亲和图的方法来收集和分析数据，从而更深入地了解用户的问题和需求。在定义了重新设计的不同关键元素后，开发了一个原型。第一个原型由军事环境之外的软件经验丰富的用户评估。根据用户的反馈，创建了该软件的另一个开发版本，并由该软件的当前用户在军事环境中进行访谈来评估。评估表明，用户认为 GUI 的重新设计将有助于缓解软件使用环境中的挑战性问题，并提高工作质量。
用于个性化听力学诊所助听器处方的图形 - 用户界面
助听器配件通常是基于基于人群的处方（例如DSLV5和NAL-NL2）进行的。虽然对基线拟合有效，但这些处方并未考虑到个人的听力偏好，尤其是在可能引起个人感兴趣的嘈杂的音频环境中，从而导致听力下降和助听器满意度降低。本文提出了一个图形 - 用户界面（GUI）软件工具，称为助听器放大的个性化（PHAP），用于个性化助听器配件。此GUI结合了一种先前开发的多波段贝叶斯机器学习方法，可通过配对的音频比较达到个性化设置。通过独立地对每个频段进行建模，此方法可大大减少训练时间，从而使该工具实现个性化。通过以时间效率的方式简化个性化过程，开发的GUI提供了一种将用户偏好纳入配件的有效方法，并为更广泛地采用听力学诊所的个性化助听器配件铺平了道路。
多模式用户界面上的日记
摘要：视觉材料是一种广泛用于刺激创造力的工具。本文探讨了视觉刺激支持新手与多模式数字音乐界面的创造性参与的潜力。对24名参与者进行了一项实证研究，以比较图形分数的抽象和文字形式对新手创造性参与的影响，以及是否了解或未了解该分数中符号的含义对创意参与都有任何影响。结果表明，当没有了解参与者的设计时，抽象的视觉刺激可以为创造性参与提供有效的脚手架。发现提供有关视觉刺激的信息既具有优势又具有缺点，这在很大程度上取决于刺激的视觉风格。被告知字面视觉刺激的含义有助于参与者做出解释和获得灵感，同时获得有关抽象刺激的信息导致沮丧。定性数据表明，两种形式的视觉刺激都支持创意参与度，但在创作过程的不同阶段，并且提出了描述性模型来解释这一点。这些发现突出了视觉刺激在音乐制作过程中支持创造性参与的好处 - 一个多模式互动域通常涉及几乎没有视觉活动或没有视觉活动。
分布稳健图形的图形
通过优化模型的最坏情况性能，基于分布的强大优化（DRO）图形网络方法改善了建议系统的脱离（OOD）概括。但是，这些研究未能考虑嘈杂样本在训练数据中的影响，这导致概括能力降低和准确性降低。通过实验和理论分析，本文表明，当前基于DRO的图形建议方法为噪声分布分配了更大的权重，从而导致模型参数学习由其主导。当模型过于关注训练数据中的噪声样本时，它可能会学习无关紧要或含义的较小功能，这些功能无法推广到OOD数据。为了应对这一挑战，我们为O OD推荐（DRGO）设计了D iStribution Rubust G Raph模型。具体来说，我们的方法首先采用简单有效的扩散范式来减轻潜在空间中的嘈杂效应。此外，在DRO目标函数中引入了熵常规项，以避免在最坏情况下分布中的极端样品权重。最后，我们提供了DRGO的概括误差结合的理论证明，以及对我们的方法如何对嘈杂的样本效应的理论分析，这有助于从理论角度更好地理解所提出的框架。我们在四个数据集上进行了广泛的实验，以评估我们的框架的有效性，以针对三个典型的分布变化进行评估，结果证明了其在独立和相同分布分布（IID）和OOD中的优势。我们的代码可在https://anonymon.4open.science/r/drgo-fed2上找到。
图形神经网络的图形聚类
图形神经网络（GNNS）已在许多图分析任务（例如节点分类和链接预测）上实现了最新结果。然而，图形群集等图形上的重要无监督问题已证明对GNN的进步具有更大的抵抗力。图形聚类的总体目标与GNN中的节点合并相同 - 这意味着GNN池方法在聚类图方面做得很好？令人惊讶的是，答案是否 - 在简单的基准（例如应用于学习的表示上的K均值）良好工作的情况下，循环的GNN合并方法通常无法恢复群集结构。我们通过仔细设计一组实验来进一步研究，以研究图形结构和属性数据中不同的信噪情景。为了解决这些方法在聚类中的性能不佳，我们引入了深层模块化网络（DMON），这是一种受群集质量模块化量度启发的无监督的汇总方法，并显示了它如何处理现实世界图的挑战性聚类结构的恢复。同样，在现实世界数据上，我们表明DMON产生的高质量群集与地面真相标签密切相关，从而获得了最先进的结果，比各个不同指标的其他合并方法提高了40％以上。关键字：图形聚类，图形神经网络，随机块模型
自然用户界面和智能个性化
当系统根据用户自然的手势进行操作时，易用性会得到优化。多点触控技术就是这种情况，该技术用于触摸屏设备或语音识别。多点触控允许屏幕或其他表面在用户触摸时启用系统的操作。10 触摸图标进行选择或说出命令都是相当自然的手势。但是，像使用四根手指更改屏幕视图这样的手势（例如 Apple 产品）可能不那么自然。11 这是 NUI 的一个缺点；有时它们要求用户快速从新手变成专家并学习新的手势才能操作系统。由于这个潜在的缺点，NUI 开发人员必须牢记潜在用户的能力和现有技能，并避免在设计中加入无意的人为手势。
图形摘要
我们的目的是将离散事件模拟作为晶粒生长的细胞自动机模型的有效和数值准确的计算方法。为此，我们为两个知名模型开发了两个简单但相关的模拟器。我们的第一个模拟器实现了Raabe [1，2]以离散事件形式引入的概率细胞自动机。此细胞自动机以过渡概率模拟生长速率，如果计算以固定步骤进行，则构成伯努利过程。由于步长趋于零，因此此伯努利过程趋向于泊松过程。在此示例中，我们展示了离散事件模拟如何以其极限（即作为泊松过程）实现该模型，从而消除了Bernoulli近似中的数值错误。同时，我们在时间步进模型中演示了一个加速度，该模型随着时间阶梯式模型的缩小而增加。我们的第二次模拟是晶粒生长的偏心平方模型的离散事件实现[3，4]。通常会通过离散的时间模拟实现此模型，为此，必须选择时间步。一个大的时间步骤以增加错误的成本来改善执行时间，这表现为同时捕获事件的形式，这些事件不会发生在物理