XiaoMi-AI文件搜索系统
World File Search System层次
预测误差的层次决定了情境相关感觉表征的学习
如何解释感官信息取决于环境。然而，环境如何影响大脑中的感觉处理仍然难以捉摸。为了研究这个问题，我们结合了计算建模和小鼠皮质神经元的体内功能成像，这些神经元在触觉感官辨别任务的逆转学习过程中发挥作用。在学习过程中，第 2/3 层体感神经元增强了对奖励预测刺激的反应，这可以解释为顶端树突的增益放大。奖励预测误差减少，对结果预测的信心增加。在规则逆转后，外侧眶额皮质通过去抑制 VIP 中间神经元编码了一个表示信心丧失的环境预测误差。皮质区域中预测误差的层次结构反映在自上而下的信号中，这些信号调节初级感觉皮质中的顶端活动。我们的模型解释了大脑中如何检测到环境变化，以及不同皮质区域中的错误如何相互作用以重塑和更新感官表征。
构建狨猴大脑中的预测听觉序列层次
摘要 我们的大脑不断对感官输入做出预测，并将其与实际输入进行比较，通过大脑区域的层次结构传播预测误差，随后更新对世界的内部预测。然而，预测编码的基本特征、层次深度的概念及其神经机制仍未得到充分探索。在这里，我们结合功能性磁共振成像 (fMRI) 和高密度全脑皮层电图 (ECoG)，在听觉局部-全局范式中研究了狨猴的预测听觉处理的层次深度，其中刺激的时间规律被设计为两个层次。预测误差和预测更新被视为对听觉不匹配和遗漏的神经反应。使用 fMRI，我们确定了听觉通路上的层级梯度：中脑和感觉区域代表局部、较短时间尺度的预测处理，随后是联想听觉区域，而前颞叶和前额叶区域代表整体、较长时间尺度的序列处理。互补的 ECoG 记录证实了皮质表面区域的激活，并进一步区分了预测误差和更新信号，它们分别通过假定的自下而上的 γ 和自上而下的 β 振荡传输。此外，由于输入缺失而引起的遗漏反应仅反映了层级预测编码框架所特有的两个预测信号水平，证明了听觉、颞叶和前额叶区域自上而下的层级预测过程。因此，我们的研究结果支持分层预测编码框架，并概述了如何使用神经网络和时空动态来表示和安排狨猴大脑中听觉序列的分层结构。
利用层次分析法确定最佳月球栖息地配置
关于如何建造可持续月球基地的讨论自阿波罗计划之前就一直在进行，但尚未出现明确的答案。在本研究中，一种称为层次分析法 (AHP) 的决策支持工具用于缩小月球栖息地的最佳特征范围。简要介绍了 AHP 的数学基础及其批评。在确定了这些特征的核心设计特征和判断标准后，AHP 随后应用于月球栖息地。最终，我们确定充气栖息地在月球应用中应该略优于刚性栖息地，并且比其他栖息地概念更受青睐。混合结构可以在充气和刚性栖息地之间提供适当的折衷。AHP 还建议，使用 Vectran 约束层并使用柱状和隔间来部署栖息地比它们的替代方案更可取。此外，它还建议充气栖息地应该是圆柱形的，并加压至海平面压力。对这些结果进行了敏感性分析。通过这项研究，证明了如何使用 AHP 针对具有许多有影响的标准和潜在选项的复杂航空航天问题做出定量的、公正的决策。
利用分类法和LLM进行改进的多模式层次分类
多级分层分类（MLHC）解决了在复杂的多层类结构中对项目进行分类的挑战。但是，传统的MLHC分类通常依赖具有n个独立输出层的骨干模型，这些模型往往会忽略类之间的层次关系。这种疏忽可能导致违反潜在分类法的前提不一致。利用大型语言模型（LLMS），我们提出了新颖的分类学限制过渡性LLM-无知框架进行多模态分类。这种进步的基石是模型在层次级别上执行一致性的能力。我们对MEP-3M数据集的评估 - 与常规LLMS结构相比，具有各种层次级别的多模式电子商务产品数据集具有显着的性能。
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
课堂设置中的层次依赖性影响算法偏见指标
测量机器学习中的算法偏差历史上一直存在于与特定组有关的统计不平等上。，最常见的指标（即专注于个人或组条件错误率的指标）当前不适合教育环境，因为他们认为每个单独的访问都与其他人独立。在研究某些共同的教育成果时，这在统计学上是不合适的，因为这样的指标无法说明课堂中的学生之间的关系或在整个学年中每个学生的多次观察。在本文中，我们介绍了独立数据结构和嵌套数据结构的回归算法偏差测量的新颖适应性。使用层次线性模型，我们严格测量了学生参与智能补习系统与年终标准化考试分数之间关系的机器学习模型中的算法偏差。我们得出的结论是，课堂层面的影响对模型产生了很小但重大影响。使用层次线性模型来检查重要性有助于确定教育环境中哪些不平等现象可能由小样本量而不是系统差异来解释。
层次的强化学习与对手建模用于分布式多代理合作
摘要 - 许多现实世界的应用程序可以作为多机构合作问题，例如网络数据包路由和自动驾驶汽车的协调。深入增强学习的出现（DRL）通过代理和环境的相互作用为多机构合作提供了一种有希望的方法。然而，传统的DRL解决方案在策略搜索过程中遭受了具有连续动作空间的多个代理的高维度。此外，代理政策的动态性使训练非平稳。为了解决这些问题，我们建议采用高级决策和低级个人控制，以进行有效的政策搜索。特别是，可以在高级离散的动作空间中学习多种代理的合作。同时，低级个体控制可以减少为单药强化学习。除了分层增强学习外，我们还建议对手建模网络在学习过程中对其他代理的政策进行建模。与端到端的DRL方法相反，我们的方法通过以层次结构将总体任务分解为子任务来降低学习复杂性。为了评估我们方法的效率，我们在合作巷更改方案中进行了现实世界中的案例研究。模拟和现实世界实验都显示了我们在碰撞速度和收敛速度中的优越性。索引条款 - 多机构合作；深入的强化学习；分层增强学习
存在物体场景规律的人类和人工视觉系统中的表征层次
人类视觉在很大程度上仍未得到解释。计算机视觉在这方面取得了令人瞩目的进展，但目前仍不清楚人工神经网络在行为和神经层面上与人类物体视觉的近似程度。在这里，我们研究了机器物体视觉是否模仿人类物体视觉的表征层次结构，其实验设计允许测试动物和场景的域内表征，以及反映其现实世界上下文规律的跨域表征，例如在视觉环境中经常同时出现的动物场景对。我们发现，在物体识别中训练的 DCNN 在其后期处理阶段获得的表征可以紧密捕捉人类对动物及其典型场景同时出现的概念判断。同样，DCNN 的表征层次结构与特定领域的腹颞区到领域通用的前顶区中出现的表征转换显示出惊人的相似性。尽管有这些显著的相似性，但底层的信息处理却不同。神经网络学习类似于人类的物体-场景共现高级概念表示的能力取决于图像集中存在的物体-场景共现量，从而凸显了训练历史的根本作用。此外，尽管中/高级 DCNN 层代表了 VTC 中观察到的动物和场景的类别划分，但其信息内容显示出领域特定表示丰富度的降低。总之，通过测试域内和域间选择性，同时操纵上下文规律，我们揭示了人类和人工视觉系统所采用的信息处理策略中未知的相似之处和差异。
惊喜的火花：多样性，新颖性和偶然性的层次决策变压器的多目标建议
摘要：对晶体材料的化学空间，尤其是金属 - 有机框架（MOF）的实验探索，需要对大量反应的多组分控制，这是不可避免地会在手动执行时耗时和劳动力。为了在保持高可重复性的同时加速物料发现速率，我们开发了一种与机器人合成平台集成的机器学习算法，用于闭环探索多氧盐损坏金属金属 - 有机框架（POMOFS）的化学空间。通过使用从不确定性反馈实验获得的更新数据和基于其化学构成的POMOF分类的多类分类扩展，通过使用更新数据来优化极端梯度提升（XGBoost）模型。POMOF的机器人合成的数字签名由通用化学描述语言（χDL）表示，以精确记录合成步骤并增强可重复性。九种新颖的Pomofs，其中包括具有良好的可重复性的POM胺衍生物与各种醛的硫胺衍生物的胰岛化反应，这些pomofs具有源自单个配体的混合配体。此外，根据XGBoost模型绘制了化学空间图，其F1得分高于0.8。此外，合成的Pomofs的电化学性质表明，与分子POMS相比，较高的电子转移和Zn比率的直接效应，所使用的配体的类型以及POMOFS中的拓扑结构用于调节电子传递能力。■简介
层次视觉变压器用于心脏射血分数估计
摘要 - 射血分数的左心室是心脏功能最重要的度量之一。心脏病专家使用了有资格延长延长疗法的患者。但是，对射血传输的评估遭受观察者间变异性的影响。为了克服这一挑战，我们提出了一种基于层次视觉变压器的深度学习方法，以估计超声心动图视频的射血分数。所提出的方法可以估计射血分数，而无需首先左静脉分割，使其比其他方法更有效。我们在Echonet-Dynamic数据集上评估了我们的方法5。59，7。 59和0。 59，用于MAE，RMSE和R 2分。 与最新方法，超声视频变压器（UVT）相比，此结果更好。 源代码可在https://github.com/lhfazry/ultraswin上找到。 索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic59，7。59和0。59，用于MAE，RMSE和R 2分。与最新方法，超声视频变压器（UVT）相比，此结果更好。源代码可在https://github.com/lhfazry/ultraswin上找到。索引术语 - 心电图，心脏射血分数，Ultraswin，视觉变压器，echonet-Dynamic