XiaoMi-AI文件搜索系统
World File Search System情境
情境概念化
Barrett、Wilson-Mendenhall 和 Barsalou (2014) 在过去的几个世纪里，哲学家以及后来的心理学家都认为思维就像一台机器一样工作——一台印刷机、一个电话总机、一台计算机。根据机器隐喻，思维由许多功能不同的过程（心理“模块”或“能力”）组成，这些过程相互作用；如果分开，这些过程仍将保留其身份和功能。机器隐喻决定了一种特殊的心理因果关系观点：位于一片脑组织（一个区域或一个网络）中的“心理过程 A”会导致位于另一片组织中的独立而不同的“心理过程 B”发生变化（见图 1）。情绪调节科学是机器隐喻发挥作用的一个很好的例子。例如，人们普遍认为，像恐惧这样的情绪是由大脑某个部分（通常是皮层下边缘或旁边缘皮层）计算的过程产生的，而大脑其他部分（通常是前额叶皮层）的执行或其他认知过程会调节这种过程。在情绪调节的过程模型（Gross，本书）中，情绪可以先被触发，然后受到调节（例如，你在树林里散步，一只毛茸茸的蜜蜂在你头上嗡嗡叫，引发了一种恐惧状态，然后你通过抑制逃跑的冲动，并通过仔细观察当地的风景（如形状有趣的岩石或树木）来分散自己的注意力，从而调节这种恐惧状态）。调节也可能发生在反应发生之前，从而阻止情绪的发生（例如，在你开始散步之前，你可能会提醒自己，蜜蜂是大自然的一部分，会为美丽的花朵授粉，并酿造美味的蜂蜜）。无论哪个先发生，情绪都与其调节是分开的。
情境老虎机中的情境不确定性及其在推荐系统中的应用
循环神经网络已被证明可在为推荐系统建模顺序用户反馈方面发挥有效作用。然而，它们通常仅关注项目相关性，无法有效地为用户探索多样化的项目，因此从长远来看会损害系统性能。为了解决这个问题，我们提出了一种新型的循环神经网络，称为循环探索网络 (REN)，以联合执行表示学习和潜在空间中的有效探索。REN 试图在相关性和探索之间取得平衡，同时考虑到表示中的不确定性。我们的理论分析表明，即使学习到的表示存在不确定性，REN 也可以保持速率最优的亚线性遗憾。我们的实证研究表明，REN 可以在合成和现实世界的推荐数据集上获得令人满意的长期回报，表现优于最先进的模型。
领导者的特征 Kouzes 和 Posner 情境...
• 设定领导目标 领导力就像生活一样，学习永远不会结束，但你需要按优先顺序排列你想要培养的品质。 • 确定目标 确定如何实现目标。你是否觉得需要更多地了解团队合作，以便更好地领导团队？参加一项团队运动。你想更好地沟通吗？参加创意写作课程或加入 Toastmasters 并获得一些公开演讲经验。 • 寻求灵感 了解各种领导者、他们的风格以及他们如何应对挑战。在互联网或图书馆阅读书籍并进行研究。 • 选择榜样 根据您的研究，选择适合您个性的榜样。阅读几本传记并找到有关他或她生活的视频。 • 寻求经验 在社交团体或俱乐部中担任领导角色。获得与多个层次的人合作的经验。 • 创建个人使命宣言 想象你的遗产。你希望人们记住你什么？你希望人们如何看待你？你决心成为哪种领导者？写一份声明来定义你将成为什么样的人。
灵活且针对具体情境的 AI 可解释性
摘要 近年来人们对人工智能 (AI) 的热情主要归功于深度学习的进步。深度学习方法非常准确，但也不太透明，这限制了它们在安全关键型应用中的潜在应用。为了获得信任和问责，机器学习算法的设计者和操作者必须能够向用户、监管者和公民解释算法的内部工作原理、结果以及失败的原因。本文的独创性在于结合可解释性的技术、法律和经济方面，开发一个框架来定义给定环境下可解释性的“正确”水平。我们提出了三个逻辑步骤：首先，定义主要的背景因素，例如解释的受众是谁、操作背景、系统可能造成的危害程度以及法律/监管框架。此步骤将有助于描述解释的操作和法律需求，以及相应的社会效益。第二步，检查可用的技术工具，包括事后方法（输入扰动、显著性图……）和混合 AI 方法。第三步，根据前两个步骤，选择正确的全局和局部解释输出级别，同时考虑所涉及的成本。我们确定了七种成本，并强调只有当总社会效益超过成本时，解释才具有社会意义。
情境感知深度强化学习... - arXiv
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于情境感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中，存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了情境感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性移动控制算法。
Cyber COBRA（情境客观评级）
根据周围标准对发现进行评级，通过遵循定义的经验方法来得出计算评级，建立了一种符合上下文的一致方法。当今存在许多行业方法和框架，例如通用漏洞评分系统 (CVSS)，它试图根据回答一般性问题对发现进行评级 [1]。此外，还有通用配置评分系统 (CCSS)，它通过关注软件配置问题来衡量严重性 [8]。当应用于洛克希德马丁生态系统时，事实证明按照设计使用这些框架具有挑战性，洛克希德马丁生态系统是一家托管国家安全系统 (NSS) 和处理受控非机密信息 (CUI) 的国防承包商 [6、11、12]。CVSS 虽然通用、基础广泛且缺乏适应能力，但它为进一步研究提供了基础，以确定产生一致、准确结果所需的修改。该团队使用过去参与的真实网络测试结果创建了上下文目标评估 (COBRA) 框架，以调整问题、类别等。COBRA 旨在从网络测试利用的角度确定发现的关键性（严重性评级）。请注意，在本文中，关键性和严重性、任务和参与度等术语有时可以互换使用。最终，COBRA 会提出由子问题支持的初始网络测试问题：
CSAP 情境保护战略 2022-2024
CSAP 情境保护战略委员会希望地方运营小组建立机制，了解当地需求并确保有效响应；这应该是定量和定性的，以便了解影响。重要的是，我们不能将成功视为数据和数字，而是我们所有的工作都植根于对人们的生活产生可见和切实的影响；提供证据表明我们正在为他们及其长期结果带来改变。附录 1 提供了关键问题列表，以帮助个人和机构了解与此战略相关的责任。