XiaoMi-AI文件搜索系统
World File Search System学习的
限制：基于增强学习的基于触发器的安全框架
摘要 - 具有触发动作功能的事物（IoT）平台的信息（IoT）平台允许事件条件通过创建一系列交互来自动触发IoT设备中的操作。对手利用这种互动链将虚假事件条件注入物联网中心，从而在目标IoT设备上触发未经授权的操作以实现远程注入攻击。现有的防御机制主要集中于使用物理事件指纹对事件交易的验证，以实施安全策略以阻止不安全的事件交易。这些方法旨在提供防止注射攻击的离线防御。最新的在线防御机制提供了实时防御，但是对攻击推断对物联网网络的推断影响的可靠性限制了这些方法的概括能力。在本文中，我们提出了一个独立于平台的多代理在线防御系统，即限制，以应对运行时的远程注射攻击。限制允许国防代理在运行时介绍攻击动作，并利用强化学习来优化符合IoT网络安全要求的国防政策。实验结果表明，防御代理有效地采取了针对复杂和动态远程注射攻击的实时防御动作，并通过最小的计算开销来最大化安全增益。索引术语 - 事物的内部，触发器平台，重新注射攻击，强化学习，深度复发Q网络，多代理系统。
使用机器学习的基于手语解释器-IJRPR
耳聋是一种全球状况，影响了约4.66亿人，其中包括约3400万儿童。聋哑人在日常生活中面临许多挑战，尤其是在沟通，教育，就业和社会化等领域。普遍的误解是聋人无法交流；但是，许多人依靠手语作为其主要互动手段。手语是一种丰富而复杂的语言，配有其自身的语法和语法，在不同的文化和地区各不相同。认识到聋人社区内的多样性对于培养所有个人的包容性和可访问的社会至关重要，无论其听力状态如何。尽管有手语的重要性，但聋人与不使用手语的人之间有效的沟通有很大的差距。这个差距会导致误解，社会隔离以及获得基本服务的有限访问。为了解决这个问题，我们介绍了Slingo，这是一款创新的基于应用程序的手语解释器，旨在弥合听力受损的个人和非手语用户之间的沟通鸿沟。Slingo利用高级机器学习技术和计算机视觉实时检测和解释手语手势。该系统包括两个主要组成部分：图像捕获系统和机器学习模型。图像捕获系统利用设备的摄像头来捕获用户的手移动，而机器学习模型则处理这些图像以准确解释符号并在屏幕上显示其含义。Slingo系统的多功能性允许在各种环境中使用它，包括教育机构，工作场所和公共场所，从而促进听力障碍的个人与不使用手语的人之间有效的沟通。通过增强沟通可及性，Slingo旨在改善听力障碍者的生活质量，并促进各种环境中更大的包容性。本文将探讨Slingo的发展，功能和潜在应用，并强调其在应对聋人社区所面临的沟通挑战方面的重要性。
具有成本效益的主动激光扫描系统，用于深度感知深度学习的实例分段
摘要：家禽业在全球农业中起关键作用，家禽是蛋白质的主要来源，并为经济增长做出了重大贡献。但是，该行业面临着与重复性且苛刻的劳动密集型任务相关的挑战。自动化已成为提高运营效率并提高工作条件的关键解决方案。具体来说，机器人的操纵和对象的处理在工厂中变得无处不在。但是，存在挑战以预先识别和引导机器人处理一堆具有相似纹理和颜色的物体。本文着重于开发旨在自动化鸡的机器人解决方案的视觉系统，该机器人解决过程是一种基本的，但在家禽加工中是一种基本但身体上剧烈的活动。为了解决通用实例分割模型在识别重叠对象中的限制，开发了一种具有成本效益的双重活性激光扫描系统来生成对象上的精确深度数据。将经过良好的深度数据生成与RGB图像集成在一起，并将其发送到实例分割模型以进行单个鸡检测和识别。这种增强的方法显着改善了该模型在处理涉及重叠鸡的复杂场景中的性能。具体而言，RGB-D数据的集成将模型的平均平均精度（MAP）检测准确性提高了4.9％，并显着改善了中心偏移 - 本研究中引入的定制度量标准，以量化地面真相蒙版中心与预测的面具中心之间的距离。精确的中心检测对于开发未来的机器人控制解决方案至关重要，因为它可以确保在鸡肉重定过程中准确抓住。中心偏移量从22.09像素（7.30 mm）降低到8.09像素（2.65 mm），证明了该方法在缓解闭塞挑战和增强视觉系统的可靠性方面的有效性。
使用加固学习的调节DNA序列设计
顺式调节元件（CRE），例如启动子和增强子，是直接调节基因表达的相对较短的DNA序列。CRE的适应性，通过其调节基因表达的能力来衡量，高度取决于Nu-Cleotide序列，尤其是特定的基序被称为转录因子结合位点（TFBSS）。设计高素质CRE对于治疗和生物工程应用至关重要。当前的CRE设计方法受两个主要缺点的限制：（1）他们通常依靠迭代优化策略来修改现有序列并易于局部Optima，并且（2）他们缺乏序列优化的生物学先验知识的指导。在此过程中，我们通过提出一种生成方法来解决这些局限性，该方法杠杆化的增强学习（RL）以微调预先训练的自动回旋（AR）模型。我们的方法通过得出基于综合推理的奖励来模拟激活剂TFBS并去除阻遏物TFBS，从而结合了数据驱动的生物学先验，然后将其集成到RL过程中。我们在两个酵母媒体条件下的启动子设计任务和三种人类细胞类型的增强剂设计任务中评估了我们的方法，这表明了其产生高素质CRE的能力，同时保持序列多样性。该代码可在https://github.com/yangzhao1230/taco上找到。
使用加固学习的调节DNA序列设计
对应原则指出，经典力学从适当的限制中源自量子力学。然而，除了这个启发式规则之外，信息理论的观点表明，经典的力学是量子现实的压缩，较低信息的表示。量子力学通过叠加，纠缠和相干性来编码更多的信息，这些信息由于反应，相位平均和测量而丢失，将系统降低到经典概率分布。使用kolmogorov的复杂性来量化此转变，其中经典系统需要信息（n）位的信息，而量子描述仅需要O（2 n），显示复杂性的指数降低。进一步的合理性来自Ehrenfest的定理，该定理可确保量子期望值遵守牛顿的定律和路径的整体抑制，从而消除了当S≫≫时消除了非经典轨迹。因此，我们认为，我们认为经典力学是一种有损的，计算上降低的量子物理学的编码，而不是系统的量子相关性丧失，我们认为经典力学是一种有损的，计算上的编码。
在在线耦合校正中应用加固学习的存储环
在现代同步加速器的光源中，保持光束稳定性对于确保高质量合成子辐射性能至关重要。光源稳定性受电流，梁位置和光束尺寸的稳定性的控制。梁的尺寸稳定性在几微米的顺序上需要改进，以进行将来的实验。增强学习（RL）为实时梁大小反馈系统提供了有希望的方法。RL框架由一个智能代理组成，该智能代理与环境相互作用，以最大程度地基于状态观察和行动来最大化累积重组。在一个点上的梁尺寸测量和垂直分散是RL环境的观察，可以沿存储环呈现光束尺寸分布。通过模拟和实际实验设置，我们证明了PPO算法的功效，该算法适应了控制光束稳定性和校正耦合方面的离散作用空间。在实际操作中应用了模拟环境中的超参数的进一步优化。该方法可在在线，实时校正耦合错误方面有了显着改进，与传统方法相比，提供了更快，更适应性的解决方案。
基于机器学习的预测肠道梗阻手术后早期并发症：多中心回顾性研究
背景：早期并发症会增加肠道梗阻手术后的院内住院和死亡率。重要的是要确定足够早期肠梗阻患者的术后早期并发症的风险，这将允许进行先发制化的个性化增强治疗，以改善肠梗阻患者的预后。基于机器学习的风险预测模型有助于早期诊断和及时干预。目的：本研究旨在根据机器学习算法在肠道梗阻手术后的患者早期并发症构建在线风险计算器。方法：从2013年4月至2021年4月，共有396例接受肠梗阻手术的患者在一个独立的医疗中心被录取为培训队列。总体而言，使用了7种机器学习方法来建立预测模型，其性能通过接收器操作特征曲线（AUROC），准确性，灵敏度，特异性和F 1 -SCORE评估。最佳模型通过2个独立的医疗中心进行了验证，这是一个公开可用的围手术期数据集，该数据集信息丰富的外科手术患者数据集（INSPIRE）以及由上述3个数据集组成的混合队列，分别涉及50、66、48和164例。Shapley添加性解释是测量的，以识别危险因素。我们可视化随机森林模型，并创建了一个基于Web的在线风险计算器。结果：训练队列中术后并发症的发生率为47.44％（176/371），而4个外部验证队列中的发病率为34％（17/50），56.06％（37/66）（37/66），52.08％（25/48）和48.17％（48.17％（79/164），术后并发症与8个项目特征有关：死亡率和发病率枚举的生理严重程度评分（螺母生理评分），胶体输注的量，诱导麻醉前的休克索引，ASA（美国麻醉学会）分类，分类，中性粒细胞的毛茸茸的百分比，在毛茸茸的情况下，育龄和年龄，以及年龄，年龄，以及年龄，均为年龄。随机森林模型的总体表现最佳，AUROC为0.788（95％CI 0.709-0.869），准确性为0.756，灵敏度为0.695，特异性为0.810，F 1秒速度为0.727，为0.727。随机森林模型还达到了验证1中的0.755（95％CI 0.652-0.839），在验证1.817（95％CI 0.695-0.913）中，较高的AUROC在验证队列中，验证队列2，类似的AUROC，类似的AUROC（95％COH）（95％COH）（95％COH）。验证队列4。
使用机器学习的老年人的可视化风险预测系统开发：基于Charls
肌肉减少症已成为老年人的重要健康问题，其特征是肌肉质量降低，肌肉力量降低和逐渐的身体机能下降（1，2）。这种退化性状况严重限制了移动性，增加了跌倒和断裂的风险，并可能导致生活质量下降和死亡率较高（3）。在中国，随着迅速衰老的过程，肌肉减少症的流行率仍然很高，对医疗保健系统和家庭护理承担了重大负担（4）。迅速确定高风险的人并采用科学干预措施，例如增加蛋白质摄入和增强的体育锻炼，可以帮助维持健康的肌肉状况并降低肌肉减少症的风险（5，6）。随着大数据和人工智能的快速发展，基于健康数据的机器学习模型显示出疾病风险评估的巨大潜力（7，8）。
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。
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。