XiaoMi-AI文件搜索系统
World File Search System对齐
循环神经网络中的对齐和倾斜动力学
摘要 神经活动与行为相关变量之间的关系是神经科学研究的核心。当这种关系很强时，这种关系被称为神经表征。然而，越来越多的证据表明，某个区域的活动与相关的外部变量之间存在部分分离。虽然已经提出了许多解释，但缺乏外部变量和内部变量之间关系的理论框架。在这里，我们利用循环神经网络 (RNN) 从几何角度探索神经动力学和网络输出何时以及如何相关的问题。我们发现训练 RNN 可以导致两种动态状态：动态可以与产生输出变量的方向一致，也可以与它们倾斜。我们表明，训练前读出权重大小的选择可以作为状态之间的控制旋钮，类似于最近在前馈网络中的发现。这些状态在功能上是不同的。斜网络更加异质，并抑制其输出方向上的噪声。此外，它们对输出方向上的扰动更具鲁棒性。至关重要的是，出于动态稳定性考虑，倾斜状态特定于循环（而非前馈）网络。最后，我们表明，在神经记录中，可以分离出对齐或倾斜状态的趋势。总之，我们的结果为通过将网络动态与其输出相关联来解释神经活动开辟了新视角。
MSCI ESG气候巴黎对齐基准选择索引方法
还季度审查了索引，以与父母索引的常规索引审查相吻合。更改是在2月底和8月实施的。一般而言，Pro Forma指数在生效日期之前的九个工作日宣布。对于季度指数审查，MSCI ESG评级，MSCI ESG争议评分评估和MSCI BISR数据从索引审查之前的月底开始，即1月，7月和10月。对于某些证券，在索引审查之前的月底之前，MSCI ESG研究不得发布此数据。对于此类证券，MSCI将使用月底后发布的ESG数据（如果可用）来重新平衡MSCI ESG气候巴黎的重新平衡。在季度索引审查中，如果不符合第2.2节中描述的资格标准，则将现有成分从MSCI ESG气候巴黎对准基准选择索引中删除。符合资格标准的现有成分保留在指数中。
MSCI气候巴黎对齐索引方法
o超过欧盟授权的法案中规定的最低技术要求，与与气候相关的财务披露工作组的建议（TCFD）3 o达到3 o的最大暗示温度升高为2.0°C的最大暗示温度上升为2.0°C，使用1.5°C使用1.5°C的气候风格，并使用聚集的累积级别的速度汇率''Mimsci and climations'' o的10％o o将指数暴露于极端天气事件引起的身体风险至少50％o o转移指数的重量来自面临气候过渡风险的公司到具有气候过渡机会的公司，使用MSCI低碳过渡得分，以及通过排除企业的燃油率越来越多的公司的体重来减少风险的变化的公司，从而减少了风险的变化。使用范围1、2和3排放评估为高碳发射器o与父母指数和低营业额相比，通过加权方案o增加了具有可靠碳降低目标的公司的权重。
基于点云对齐的藤蔓修剪的视觉伺服
摘要：本文使用机器人技术和基于视觉的反馈控制，解决了葡萄树修剪的挑战，这是农业中至关重要且艰苦的农业任务。由于3D姿势估计和特征提取方面的挑战，藤蔓的复杂结构使视觉致密暗销。是基于迭代最接近点（ICP）点云对准和基于位置的视觉伺服伺服（PBV）的组合，提出了一种基于视觉的藤蔓修剪的新方法。在藤蔓修剪的PBV中比较了四个ICP变体：标准ICP，Levenberg – Marquardt ICP，点对平面ICP和对称ICP。该方法包括一个专用的ICP初始猜测，以提高对齐速度和准确性，以及在修剪位置生成参考点云的过程。实时实验是在配备了立体相机的Franka Emika操纵器上进行的，涉及在实验室条件下的三个真实葡萄藤。
I2P注册通过学习从像素到点相似性的基本对齐特征空间 通过滚动曲线在大规模点云中的全局本地化... ct-lvi：一个朝着连续的激光 - 视觉的框架... AI和大型模型的基础 对象重新识别的功能聚合和连接性 混合现实可视化和人脑的交互式血流动力学计算 Guihua Wang 实时的表面识别系统，用于可变的双头机器人步行速度 lcnet.pdf-科学技术学院
估计相机和激光雷达之间的相对姿势对于促进多代理系统中复杂的任务执行至关重要。尽管如此，当前的方法论遇到了两个主要局限性。首先，在跨模式特征提取中，它们通常采用单独的模态分支来从图像和点云中提取跨模式特征。此方法导致图像和点云的特征空间未对准，从而降低了建立对应关系的鲁棒性。第二，由于图像和点云之间的比例差异，不可避免地会遇到一到一对像素点的对应关系，这会误导姿势优化。为了应对这些挑战，我们通过学习从p ixel到p oint sim Imarlities（i2p ppsim）的基本对齐特征空间来提出一个名为i Mage-p oint云注册的框架。I2P PPSIM的中心是共享特征对齐模块（SFAM）。 它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。 受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。 此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。 此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。 为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。I2P PPSIM的中心是共享特征对齐模块（SFAM）。它是在粗到精细体系结构下设计的，并使用重量共享网络来构建对齐特征空间。受益于SFAM，I2P PPSIM可以有效地识别图像和点云之间的共同视图区域，并建立高可责任2D-3D对应关系。此外，为了减轻一对一的对应问题，我们引入了一个相似性最大化策略，称为点最大。此策略有效地过滤了异常值，从而确立了准确的2D-3D对应关系。为了评估框架的功效，我们进行了有关Kitti Odometry和Oxford Robotcar的广泛实验。结果证实了我们框架在改善图像到点云注册方面的有效性。为了使我们的结果可重现，源代码已在https://cslinzhang.github.io/i2p上发布。
MSCI气候巴黎对齐基准选择索引方法
1索引由一组方法和政策文档（“方法集”）约束，包括当前的索引方法文档。有关更多详细信息，请参考附录IX。2在2020年12月3日，欧盟委员会在官方杂志（https：//ur- eur- lex.europa.eu/legal-content/en/txt/pdf/？以防欧盟授权的行为发生变化，并且需要对索引方法进行更新，MSCI将在实施该方法的更改之前发布公告。MSCI不会为此更新进行正式咨询。3欧洲议会的2019/2088法规（EU）和2019年11月27日在金融服务领域的可持续性相关披露的理事会，网址为：https：//eur-lex.europa.eu/legal-legal-legal-legal-legal-legle/legal- content/en/en/en/en/en/en/txt/pdf/pdf/pdf/pdf/？
超越人工智能对齐的偏好
人工智能协调的主流实践假设 (1) 偏好是人类价值观的充分代表，(2) 人类理性可以从最大化偏好满足的角度来理解，(3) 人工智能系统应该与一个或多个人类的偏好保持一致，以确保它们的行为安全并符合我们的价值观。无论是隐含遵循还是明确认可，这些承诺都构成了我们所说的人工智能协调的偏好主义方法。在本文中，我们描述并挑战了偏好主义方法，描述了可供进一步研究的概念和技术替代方案。我们首先调查了理性选择理论作为描述性模型的局限性，解释了偏好如何无法捕捉人类价值观的深层语义内容，以及效用表示如何忽略了这些价值观可能存在的不可比性。然后，我们批评了预期效用理论 (EUT) 对人类和人工智能的规范性，借鉴了表明理性主体不必遵守 EUT 的论点，同时强调了 EUT 如何对哪些偏好在规范上是可接受的保持沉默。最后，我们认为这些限制促使我们重新定义人工智能协调的目标：人工智能系统不应与人类用户、开发者或人类的偏好保持一致，而应与适合其社会角色（例如通用助手的角色）的规范标准保持一致。此外，这些标准应由所有相关利益相关者协商并达成一致。根据这种替代的协调概念，多种人工智能系统将能够服务于不同的目的，与促进互利和限制伤害的规范标准保持一致，尽管我们的价值观多种多样。
基于对齐的对抗训练 (ABAT) 可提高基于 EEG 的 BCI 的稳健性和准确性
摘要 — 机器学习在基于脑电图 (EEG) 的脑机接口 (BCI) 中取得了巨大成功。现有的大多数 BCI 研究都侧重于提高解码精度，只有少数研究考虑了对抗安全性。尽管在计算机视觉等其他应用领域已经提出了许多对抗性防御方法，但先前的研究表明，将它们直接扩展到 BCI 会降低良性样本的分类精度。这种现象极大地影响了对抗性防御方法对基于 EEG 的 BCI 的适用性。为了缓解这个问题，我们提出了基于对齐的对抗性训练 (ABAT)，它在对抗性训练之前执行 EEG 数据对齐。数据对齐将来自不同领域的 EEG 试验对齐以减少它们的分布差异，而对抗性训练进一步增强了分类边界的鲁棒性。数据对齐和对抗性训练的结合可以使训练后的 EEG 分类器同时更准确、更鲁棒。在两种不同的 BCI 范式（运动想象分类和事件相关电位识别）的五个 EEG 数据集、三个卷积神经网络分类器（EEGNet、ShallowCNN 和 DeepCNN）和三种不同的实验设置（离线受试者内跨块/会话分类、在线跨会话分类和预训练分类器）上进行的实验证明了其有效性。非常有趣的是，通常用于破坏 BCI 系统的对抗性攻击可以在 ABAT 中使用，以同时提高模型准确性和鲁棒性。
分子对齐的多模式结构和语言
药物发现通常由多个步骤组成，包括识别疾病病因的靶蛋白键，证明与该靶标相互作用可以防止症状或治愈该疾病，发现与之相互作用的小分子或生物学治疗方法，并通过所需的复杂特性的景观来优化候选分子。药物发现相关的任务通常涉及预测和产生，同时考虑了可能相互作用的多个实体，这对典型的AI模型构成了挑战。为此，我们提出了哺乳动物-M骨 - 一个木质的杂物和an an脚 - 我们采用了一种方法来创建一种多种多样的生物学数据集（包括20亿个样本）（包括蛋白质），包括蛋白质（包括蛋白质），包括蛋白质（包括蛋白质），包括小型分解物，以及小型分子和Genes和Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes and Genes。我们引入了一个及时的语法，该语法支持广泛的分类，回归和生成任务。它允许将不同的方式和实体类型组合为输入和/或输出。我们的模型处理令牌和标量的组合，并可以生成小分子和蛋白质，性质预测以及转录组实验室测试预测。我们在典型的药物发现管道中对11个不同步骤的11个不同步骤进行了评估，该任务在9个任务中达到了新的SOTA，并且是