XiaoMi-AI文件搜索系统
World File Search System子任务
![arXiv:2208.11173v1 [cs.AI] 2022 年 8 月 23 日](/simg/g:\will\search\icon\source\a\acd8361405cf183a29f07fb0516f81acb01ed7b8.png)
arXiv:2208.11173v1 [cs.AI] 2022 年 8 月 23 日
阿尔伯塔计划研究愿景的第二个显著特征可以概括为“时间一致性”。时间一致性意味着对于代理上运行的算法而言，所有时间都是相同的。在训练信息可用或奖励计数多于或少于其他奖励时，不存在特殊的训练期。如果提供训练信息（如通过奖励信号提供），则在每个时间步骤上都会提供。如果代理进行学习或计划，则它会在每个时间步骤上进行学习或计划。如果代理构建自己的表示或子任务，则构建它们的元算法会在每个时间步骤上运行。如果代理可以在环境部分看起来稳定时降低其学习速度，那么当它们开始发生变化时，它也可以在环境部分开始变化时提高其学习速度。我们专注于时间上统一的问题和算法，这使我们对非平稳、持续的环境以及持续学习和元学习的算法产生了兴趣。4
飞行器/任务系统架构 (AV/MSA) 接口...
美国政府 (USG) 希望能够在未来的采购项目中采购独立于飞行器采购的任务系统功能。为了实现这一目标，USG 获得了垂直升力联盟 (VLC) 的支持，以合作开发符合模块化开放系统方法 (MOSA) 原则的接口规范。VLC 协作团队由一群多元化的公司和主题专家 (SME) 组成，这些公司和主题专家涵盖飞机开发商、系统集成商、供应商和学术机构，以就最终产品达成尽可能广泛的共识。本文介绍了 AV/MSA 接口定义 (ID) 的概念。它描述了使用基于模型的系统工程 (MBSE) 工具和流程开发规范的方法，并介绍了每个 AV/MSA ID 任务和子任务的目标和结果。它讨论了 AV/MSA 接口定义在航空项目中的应用，作为更大、更长期的美国陆军 MOSA 转型的一部分，旨在支持下一代飞机设计，用于飞行器 (AV) 和承载飞机航空电子设备的任务系统架构 (MSA)。
中风后运动皮层活性的自调制
实时功能性MRI神经反馈使个人可以自我调节其持续的大脑活动。这可能是与大脑活动模式改变有关的临床疾病中的有用工具。中风后的运动障碍与运动皮层活性的横向降低有关。在这里，我们检查了慢性中风幸存者是否能够使用实时fMRI神经反馈来增加运动皮层活性的横向性，并评估了对运动性能以及大脑结构和功能的影响。我们进行了一项随机，双盲，假手术试验（ClinicalTrials.gov：NCT03775915），其中24个具有轻度至中肢损伤的慢性中风幸存者经历了三个对真实（n = 12）或sham（n = 12）神经反馈的训练日。在神经反馈训练后和1周之前，对大脑结构，大脑功能和上LIMB功能的度量进行评估。此外，在神经反馈训练后1个月重复上LIMB功能的度量。主要结局指标是（i）在整个神经反馈训练期间，在受中风影响的手的运动过程中，运动皮层活性的横向变化； （ii）杰布森·泰勒（Jebsen Taylor）测试（JTT）上受影响肢体的运动性能变化。中风幸存者能够使用实际的神经反馈来增加（p = 0.019）内部运动皮层活性的侧向，但在整个训练日内却不是。对主要行为结果度量没有群体影响，这是所有子任务中的平均JTT性能（p = 0.116）。二级分析发现，与假相比，实际神经反馈组的JTT总体运动子任务的性能有所改善（p = 0.010）。但是，动作研究臂测试或上肢FUGL -MEYER得分没有改善（均为p> 0.5）。此外，在神经反馈训练后1周检测到皮质脊髓束的白色物质不对称性降低（P = 0.008），表明该区域与实际神经反馈更加相似。受影响的皮质脊髓道的变化与参与者的神经反馈性能呈正相关（p = 0.002）。因此，在这里我们证明了慢性中风幸存者能够使用功能性MRI神经反馈与假控制相比自我调节运动皮层活性，并且训练与总体运动性能的改善以及白质结构变化有关。
从工具到伴侣：故事作家希望人工智能作家尊重他们的个人价值观和写作策略
现代大规模语言模型的写作质量接近人类水平。这预示着人工智能写作伴侣的出现，它们将在人类控制下进行人工智能主导的写作，超越仅限于修订和构思支持的传统写作工具。然而，人机合作写作可能会超越共同创作的界限，危及作家的控制权、自主权和所有权。我们对 7 位业余爱好者和 13 位专业作家进行了设计工作簿研究，发现了采用人机合作写作的三组主要障碍。故事作家希望保留对写作的控制权，而不是让人工智能占据主导地位，因为他们 (1) 在将想法转化为文字时优先考虑情感价值，而不是人工智能生成的写作效率；(2) 在具有挑战性的子任务（例如，创造角色和对话）方面有很高的自信和不信任人工智能；(3) 预计人工智能控制机制与他们的写作策略不匹配。我们为尊重故事作家个人价值观和写作方法的人工智能伴侣奠定了基础。
基于时间线分析的飞行员心理负荷预测
摘要 背景：飞机座舱是高度密集的人机交互系统，其设计直接影响飞行安全。目的：为优化复杂飞行任务中的显示界面设计，本研究旨在提出一种动态概念框架和时间线任务分析方法，用于量化心理负荷预测模型中心理负荷的动态时间效应和任务类型影响因素。方法：整合基于注意力资源配置的多因素心理负荷预测模型，建立心理负荷动态预测模型。通过记录嵌入式子任务执行数据、美国国家航空航天局任务负荷指数（NASA-TLX）主观评价和眼动追踪，开展人机工效学仿真实验。结果：结果表明，该预测模型在不同模拟界面和复杂任务下均具有良好的预测精度和有效性，实现了对飞行员心理负荷状态的实时监控。结论：综上所述，可以应用预测模型和实验方法，通过优化显示界面和调整飞行任务，避免飞行员在整个飞行阶段的超负荷。
小即是美：压缩深度神经网络以实现部分域自适应
摘要 — 领域自适应是一种在深度学习 (DL) 时代减轻昂贵的数据标记过程负担的有效方法。一种实际情况是部分域自适应 (PDA)，其中目标域的标记空间是源域标记空间的子集。尽管现有方法在 PDA 任务中取得了不错的效果，但由于目标只是原始问题的一个子任务，因此深度 PDA 模型中存在计算开销的可能性很高。在这项工作中，PDA 和模型压缩无缝集成到统一的训练过程中。通过最小化软加权最大均值差异 (SWMMD) 来减少跨域分布差异，SWMMD 是可微的并在网络训练期间起到正则化的作用。我们使用梯度统计来压缩过度参数化的模型，以根据批量归一化 (BN) 层中的相应缩放因子来识别和修剪冗余通道。实验结果表明，我们的方法可以在各种 PDA 任务上实现与最先进方法相当的分类性能，同时显著减少模型大小和计算开销。
小即是美：压缩深度神经网络以实现部分域自适应
摘要 — 领域自适应是一种在深度学习 (DL) 时代减轻昂贵的数据标记过程负担的有效方法。一种实际情况是部分域自适应 (PDA)，其中目标域的标记空间是源域标记空间的子集。尽管现有方法在 PDA 任务中取得了不错的效果，但由于目标只是原始问题的一个子任务，因此深度 PDA 模型中存在计算开销的可能性很高。在这项工作中，PDA 和模型压缩无缝集成到统一的训练过程中。通过最小化软加权最大均值差异 (SWMMD) 来减少跨域分布差异，SWMMD 是可微的并在网络训练期间起到正则化的作用。我们使用梯度统计来压缩过度参数化的模型，以根据批量归一化 (BN) 层中的相应缩放因子来识别和修剪冗余通道。实验结果表明，我们的方法可以在各种 PDA 任务上实现与最先进方法相当的分类性能，同时显著减少模型大小和计算开销。
Generrna：从头RNA设计的生成预训练的语言模型
RNA的设计在开发RNA疫苗，核酸疗法和创新的生物技术工具中起着至关重要的作用。然而，现有技术在各种任务中都缺乏多功能性，并且经常遭受自动生成的不足。受到蛋白质和分子设计领域的大型语言模型（LLM）的显着成功的启发，我们提出了Generrna，这是RNA生成的第一个大规模的预训练模型，旨在进一步自动化RNA设计。我们的方法消除了对二级结构或其他先验知识的需求，并且能够以稳定的二级结构从头产生RNA，同时确保其与现有序列的独特性。这扩大了我们对RNA空间的探索，从而丰富了我们对RNA结构和功能的理解。此外，对于特定子任务的较小，更专业的数据集，Genernna可以微调。这种灵活性和多功能性使得具有所需特定功能或属性的RNA。在微调代内，我们成功地生成了对靶蛋白的高亲和力的新型RNA序列。genernna可以在以下存储库中免费获得：https：//github.com/pfnet-research/generrna
Oceanplan：在大规模未开发的海洋环境中驾驶的自然语言的层次结构计划和重建
我们通过增强世界的增强表示，开发了一个分层的LLM任务计划和重建框架，以有效地将抽象的人类统一到有形的自主水下汽车（AUV）控制中。我们还挑战了一个整体的重建器，以向所有计划者提供现实世界中的反馈，以进行健壮的AUV操作。尽管已经进行了大量研究来弥合LLMS和机器人任务之间的差距，但他们无法保证在广阔而未知的海洋环境中AUV应用的成功。为了应对海洋机器人技术中的特定挑战，我们设计了一个层次结构计划来制定可执行的运动计划，该计划通过将长途任务分解为子任务，从而实现了计划效率和解决方案质量。同时，Replanner获得实时数据流以解决计划执行过程中的环境不确定。实验验证了我们所提出的框架是否通过自然语言试验为长期持续任务提供了成功的AUV表现。项目Web-网站https://sites.google.com/view/oceanplan。
使用二进制编程支持分布式集成模块化航空电子系统的设计
分布式集成模块化航空电子设备 (DIMA) 是飞机航空电子设备中一个很有前途的概念。飞机系统共享资源，如计算能力、内存和传感器/执行器接口。资源由通用设备提供，这些设备可以安装在飞机的分布式位置。然而，由于规模和复杂性，如果手动进行，有效和最佳地设计此类系统是一项艰巨的任务。通过将架构设计的子任务作为数学优化问题来解决，展示了如何支持这项艰巨的任务。软件映射和设备安装的分配问题都被表述为二进制整数程序。这些用于优化航空电子架构的全部或部分，以实现某些目标，例如质量和运营中断成本，同时考虑所有资源和次要系统要求。提出了一种合适的全局最优求解器来解决由此产生的组合优化问题，这些问题在复杂性和规模上都具有挑战性。通过由四个冗余飞机系统组成的参考架构展示了所提出方法的潜力。与手动映射相比，这揭示了高达 45% 的优化潜力，而计算时间保持在一分钟以下。