XiaoMi-AI文件搜索系统
World File Search System对偶
单位对偶四元数有向图、形成控制和一般加权有向图
我们研究有向图中的多智能体编队控制问题。相对配置用单位对偶四元数 (UDQ) 表示。我们将这种加权有向图称为单位对偶四元数有向图 (UDQDG)。我们证明，当且仅当对偶四元数拉普拉斯算子与底层有向图的无加权拉普拉斯算子相似时，所需的相对配置方案在 UDQDG 中是合理的或平衡的。提出了直接法和单位增益图法来解决一般单位加权有向图的平衡问题。然后，我们研究了一般非单位加权有向图的平衡问题。报告了 UDQDG 的数值实验。
使用原始/对偶模型对 3D 建筑物进行建模和分析...
虽然 CityGML 允许我们表示 3D 城市模型，但它在需要空间分析和/或实时修改的应用中的使用受到限制，因为目前存储元素之间拓扑关系的可能性相当有限，而且通常没有得到利用。我们在本文中介绍了一种新的拓扑数据结构，即对偶半边 (DHE)，它允许我们表示 3D 建筑物（包括其内部）和周围地形的拓扑。它基于同时存储 3D 空间中的图形及其对偶图并将两者链接起来的想法。我们提出了欧拉型运算符来逐步构建 3D 模型（用于在更新对偶结构的同时向模型添加各个边、面和体积），我们还提出了导航运算符来从给定点移动到所有连接的平面或多面体。DHE 还允许我们将属性存储到任何元素。我们已经实施了 DHE 并使用不同的 CityGML 模型对其进行了测试。我们的技术使我们能够处理重要的查询类型，例如在灾难管理规划中查找距离给定房间最近的外部出口。由于结构是局部可修改的，因此每当特定路径不再可用时，模型都可以进行调整。提议的 DHE 结构为日益流行的 CityGML 模型增加了重要的分析价值。
egecentric 3D手姿势估计的单一对偶视图改编
对准确的3D手姿势估计的追求是理解以自我为中心视力领域的人类活动的基石。大多数现有估计方法仍然依赖单视图像作为输入，从而导致潜在的局限性，例如，深度有限的视野和义务。解决这些问题，添加另一个相机以更好地捕获手的形状是实践方向。然而，现有的多视图手姿势姿势方法具有两个主要缺点：1）重新训练的多视图注释，这些注释是备用的。2）在测试过程中，如果相机参数/布局与训练中使用的相同，则模型将变为inpapplicable。在本文中，我们提出了一种新颖的单算观看改编（S2DHAND）解决方案，该解决方案将预先训练的单视估计器适应双视图。与现有的多视图训练方法相比，1）我们的适应过程是无监督的，消除了对多视图注释的需求。2）此外，我们的方法可以处理带有未知相机参数的Arbitarary双视图对，从而使该模型适用于不同的相机设置。具体来说，S2DHAND建立在某些立体声约束上，包括两种视图之间的成对跨视图共识和转换的不变性。这两个立体声约束以互补的方式使用来进行伪标记，从而允许可靠的适应性。评估结果表明，在内部和跨数据库设置下，S2DHAND在任意摄像机对上实现了重大的实现，并且胜过具有领先性能的现有适应方法。项目页面：https：//github.com/ut-vision/s2dhand。
人们是否在认知上与人工智能互动？人工智能辅助对偶然学习的影响
当人们在做出艰难决定时得到建议时，他们通常会在当下做出更好的决定，同时也会在此过程中增加他们的知识。然而，这种偶然学习只有当人们在认知上参与他们所收到的信息并深思熟虑地处理这些信息时才会发生。人们如何处理他们从人工智能那里得到的信息和建议，他们是否深入参与其中以实现学习？为了回答这些问题，我们进行了三项实验，实验中要求个人做出营养决策，并收到模拟的人工智能建议和解释。在第一个实验中，我们发现，当人们在做出选择之前同时得到建议和解释时，他们会做出比没有得到这种帮助时更好的决定，但他们没有学习。在第二个实验中，参与者首先做出自己的选择，然后才看到人工智能的建议和解释；这种情况也导致决策得到改善，但没有学习。然而，在我们的第三个实验中，参与者只得到了人工智能的解释，但没有得到任何建议，必须自己做出决定。这种情况既带来了更准确的决策，也带来了学习收益。我们假设，在这种情况下，学习收益是由于更深入地参与了做出决策所需的解释。这项研究提供了迄今为止最直接的一些证据，表明将解释与人工智能生成的建议结合起来可能不足以确保人们谨慎地参与人工智能提供的信息。这项研究还提出了一种实现偶然学习的技术，从某种意义上说，它可以帮助人们更仔细地处理人工智能的建议和解释。
人们是否在认知上与人工智能互动？人工智能辅助对偶然学习的影响
当人们在做出艰难决定时得到建议时，他们通常会在当下做出更好的决定，同时也会在这个过程中增加他们的知识。然而，这种偶然的学习只有在人们认知地参与他们所收到的信息并深思熟虑地处理这些信息时才会发生。人们如何处理他们从人工智能那里得到的信息和建议，他们是否深入地参与其中以实现学习？为了回答这些问题，我们进行了三项实验，实验中要求个人做出营养决定，并收到模拟的人工智能建议和解释。在第一个实验中，我们发现，当人们在做出选择之前同时得到建议和解释时，他们会做出比没有得到这种帮助时更好的决定，但他们没有学习。在第二个实验中，参与者首先做出自己的选择，然后才看到人工智能的建议和解释；这种情况也导致决策得到改善，但没有学习。然而，在我们的第三个实验中，参与者只得到了人工智能的解释，但没有得到建议，他们必须自己做出决定。这种情况既带来了更准确的决策，也带来了学习收益。我们假设，在这种情况下，学习的进步是由于人们更深入地参与了做出决定所需的解释。这项研究提供了迄今为止最直接的证据，表明将解释与人工智能生成的建议结合起来可能不足以确保人们谨慎地参与人工智能提供的信息。这项研究还提出了一种实现偶然学习的技术，这意味着可以帮助人们更仔细地处理人工智能的建议和解释。
人们是否与人工智能进行认知互动？人工智能辅助对偶然学习的影响
当人们在做出艰难决定时得到建议时，他们通常会在当下做出更好的决定，同时也会在此过程中增加自己的知识。然而，这种偶然学习只有当人们在认知上参与他们所收到的信息并深思熟虑地处理这些信息时才会发生。人们如何处理他们从人工智能那里得到的信息和建议，他们是否深入参与其中以实现学习？为了回答这些问题，我们进行了三项实验，实验中要求个人做出营养决策，并收到模拟的人工智能建议和解释。在第一个实验中，我们发现，当人们在做出选择之前同时得到建议和解释时，他们会做出比没有得到这种帮助时更好的决定，但他们并没有学习。在第二个实验中，参与者首先做出自己的选择，然后才看到人工智能的建议和解释；这种情况也导致决策得到改善，但没有学习。然而，在我们的第三个实验中，参与者只得到了人工智能的解释，但没有得到任何建议，必须自己做出决定。这种情况既带来了更准确的决策，也带来了学习收益。我们假设，在这种情况下，学习收益是由于更深入地参与了做出决策所需的解释。这项研究提供了迄今为止最直接的证据，表明将解释与人工智能生成的建议结合起来可能不足以确保人们谨慎地参与人工智能提供的信息。这项研究还提出了一种实现偶然学习的技术，从某种意义上说，它可以帮助人们更仔细地处理人工智能的建议和解释。
从引力透镜看量子多体物理学
过去二十年，凝聚态物理、核物理、引力和量子信息等多个原本毫不相关的学科之间出现了惊人的联系，这得益于实验的进步以及全息对偶带来的强大新理论方法。在这篇非技术性评论中，我们介绍了全息对偶与量子多体动力学相关的一些最新进展。这些包括对没有准粒子的强相关相及其传输特性、量子多体混沌和量子信息的扰乱的洞察。我们还讨论了使用量子信息理解全息对偶本身结构的最新进展，包括对偶的“局部”版本以及具有引力对偶的量子多体态的量子误差校正解释，以及这些概念如何有助于证明黑洞蒸发的幺正性。
解决悖论：AdS/CFT 和黑洞信息丢失
本报告回顾了通过 AdS/CFT 对偶的视角理解黑洞动力学和解决黑洞信息悖论的最新进展。从黑洞蒸发和信息的考虑介绍了悖论的起源。回顾了 AdS/CFT 对偶的主要原理，其动机是弦理论中对偶的起源以及 AdS 时空中的标量动力学。应用 AdS/CFT 对偶的全息原理将非引力量子理论转化为高维引力理论，计算蒸发黑洞的霍金辐射的纠缠熵以显示是否遵循幺正佩奇曲线。最后，利用对量子极值曲面演化的最新见解来测试 AdS 2 中的黑洞辐射系统是否遵循幺正性。
生态文明建设对绿色技术创新弹性的影响——基于双重对偶机器学习的证据
生态文明加速发展能否促进绿色创新可持续发展？本文研究了生态文明示范区对绿色创新韧性的影响。基于2011年至2021年中国31个省237个地级市的样本，我们的双重对偶机器学习和空间双重差异模型表明，生态文明示范区显著增强了城市绿色创新韧性。我们的研究结果还揭示了生态文明示范区的空间溢出效应——一个城市生态文明示范区的发展显著提高了周边城市的绿色创新韧性。空间溢出效应在第五年达到最大值。我们对潜在机制的分析表明，生态文明示范区通过数字化、绿色意识和新优质生产力的进步来促进城市绿色创新韧性。我们还对不同地理位置和政策支持水平的异质性进行了分析，结果表明，经济开发区对城市绿色创新韧性的影响主要体现在西部、内陆和政策支持力度较大的地区。本研究的结果为制定国家环境保护政策和计划提供了重要的见解和宝贵的指导。
基于并行局部最小值的相位展开方法……
摘要：考虑数据可靠性，用于相位不连续性重构的对偶残差优化连接提供了更可靠的方案并产生了更稳健的解缠结果。然而，它们的实际实现通常涉及耗时的迭代全局操作，不适合应用于大块干涉合成孔径雷达（InSAR）相位数据的相位解缠（PU）。提出了一种基于局部最小可靠性对偶扩展的并行PU方法。在给定质量权重图的情况下，基于残差定义对偶可靠性，并引入最小可靠性残差对来表示可能的不连续边界。我们提供了一种具有局部最小可靠性搜索和对偶合并的对偶动态扩展方法。最终获得的最小平衡树用于在可靠性图的帮助下对PU进行路径集成。可靠性图的计算、残差对搜索和动态扩展被设计为并行进行。我们采用基于艾科纳方程和洪水填充的界面传播方案进行并行实现。采用所提方法处理了两大块机载 InSAR 数据，实验结果和分析验证了该方法对大规模 PU 问题的鲁棒性和有效性。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 Unported 许可证发布。分发或复制