XiaoMi-AI文件搜索系统
World File Search System情境
LAB_077 啮齿动物的情境和提示恐惧条件作用
• 行为评估最好在专门的行为套件中进行。 • 环境应远离可能影响动物行为的不受控制的外部刺激，例如人流、不必要的噪音和强光。 • 应分别测试雄性和雌性啮齿动物，每次只测试一种性别的啮齿动物。如果可能，应先测试雄性，最好在不同的日子进行，但至少要彻底清洁两性之间的啮齿动物。除非啮齿动物已经关在铁丝笼或类似笼子中，并且两性啮齿动物都在同一个房间。 • 实验者不能使用气味强烈的除臭剂或香水，并且必须有处理啮齿动物的经验，并接受过行为范式和所用设备的培训。 • SOP 的变化。如果您正在进行消退或回忆测试，恐惧条件化可能会随着提示刺激类型、给予的电击量和强度、试验间隔时间的变化而变化。任何超出本 SOP 详细说明的内容都必须向 AEC 说明，以获得他们的批准。 • 如果想要使用新气味，您必须在开始实验之前与行为设施经理讨论此事。• 16000Hz 音调已经过测试并被证明是有效的；此音调有经过验证的放大器设置。如果使用不同的声音提示，用户有责任使用分贝计确定合适的放大器设置。每个盒子中的声音不应比约 75-80dB 安静得多（因为动物可能难以区分背景噪音）或大声得多（因为震耳欲聋的声音本身可能令人厌恶）。
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。
在特定情境中减轻 AI/ML 偏见 - NCCoE
摘要 管理人工智能系统中的偏见对于建立和维持对其运行的信任至关重要。尽管人工智能系统中的偏见非常重要，但它在许多应用领域仍然普遍存在，无论意图如何，都可能导致有害影响。偏见也与环境有关。为了解决这个复杂的问题，我们采用社会技术方法在环境中测试、评估、验证和确认 (TEVV) 人工智能系统。这种方法将技术与社会价值观联系起来，以制定在行业部门部署基于人工智能/机器学习的决策应用程序的推荐指南。该项目还将研究偏见与网络安全之间的相互作用。该项目将利用现有的商业和开源技术以及 NIST Dioptra，这是一个用于机器学习数据集和模型的实验测试平台。该项目的初始阶段将专注于金融服务部门信贷承保决策的概念验证实施。该项目将产生一份免费的 NIST 人工智能/机器学习实践指南。
飞机座舱数字信息界面交互设计与情境意识研究综述
高的问题，在全面进入 2D 数字屏幕界面阶段后，飞 机座舱只有少数的传统机械仪表被保留，大部分的飞 行信息数据都由计算机分析后再在主飞行显示器 （ PFD ）上显示出来，这种获取信息的方式大大增强 了飞行员驾驶的安全性。平视显示器（ HUD ）是飞机 座舱人机交互界面的另一种形式。 HUD 可以减少飞 行技术误差，在低能见度、复杂地形条件下向飞行员 提供正确的飞行指引信息。随着集成化和显示器技术 的不断进步， 20 世纪末至今，飞机座舱有着进一步 融合显示器、实现全数字化界面的趋势。例如，我国 自主研发生产的 ARJ21 支线客机、 C919 民航客机， 其座舱的人机界面设计均采用触控数字界面技术代 替了大部分的机械仪表按钮 [2] 。 20 世纪 70 年代，美军在主战机上装备了头盔显 示系统（ HMDs ），引发了空中战争领域的技术革命。 在虚拟成像技术成熟后，利用增强现实（ AR ）技术 可以直接将经过计算机运算处理过的数据和图象投 射到驾驶员头盔的面罩上。例如，美国 F-35 战斗机 的飞行员头盔使用了虚拟成像技术，将计算机模拟的 数字化信息数据与现实环境无缝融合，具有实时显示 和信息叠加功能，突破了空间和时间的限制。 20 世纪 90 年代，美国麦道飞机公司提出了“大 图像”智能化全景座舱设计理念，之后美国空军研 究实验室又提出了超级全景座舱显示（ SPCD ）的概 念，充分调用飞行员的视觉、听觉和触觉，利用头 盔显示器或其他大屏幕显示器、交互语音控制系统、 AR/VR/ MR 系统、手 / 眼 / 头跟踪电子组件、飞行员 状态监测系统等，把飞行员置身于多维度的显示与 控制环境中。此外，在空间三维信息外加上预测信 息的时间维度功能也是未来座舱显示器的发展趋势 [3] 。 2020 年，英国宇航系统公司发布了一款第六代 战斗机的概念座舱，去除了驾驶舱中所有的控制操 作仪器，完全依靠头盔以 AR 形式将操作界面显示 出来。由上述分析可知，未来基于 XR 环境下的虚拟 增强型人机界面将成为飞机座舱人机交互的全新途 径之一。 在学术界，有关飞机座舱人机交互界面的研究也 取得了较为丰硕的成果，其中代表性研究成果见表 1 。
数字孪生过程中的信息情境化
数字孪生需要在运行过程中处理大量数据，以便在与其相关的物理孪生的整个生命周期内完成特定任务。处理数据的一个重要特征是识别对基础数据和从数据中产生的处理信息的信任。信任，正如这里所定义的，通常会从几个贡献来源建立起来。虽然信任既有定量的也有定性的，但本文通过水晶盒建模中可用的算法过程的透明度，重点关注信任的定性方面。水晶盒的概念也得到了扩展，包括“水晶盒工作流程”的概念。关键思想是，为了帮助数字孪生用户解释通过数字孪生界面呈现的结果，需要将信息情境化。这项工作展示了一个示例，说明如何对一个按比例缩放的三层结构的振动测试（特别是模态测试）示例进行此操作。通过“配置文件”将信息情境化，这些配置文件将整理和扩充处理后的信息。具体而言，生成合成结果是为了扩充一组有限的物理记录数据，然后使用这些合成结果帮助用户将物理记录数据情境化。使用名为 DTOP-C 的开源数字孪生代码显示实施结果
引用：Seo, Sangwon, Kennedy-Metz, Lauren R, Zenati, Marco A, Shah, Julie A, Dias, Roger D 等人。2021 年。“面向 AI 教练推断医疗保健中的团队心理模型一致性。”2021 年 IEEE 情境管理认知和计算方面会议 (CogSIMA)，2021 年。
摘要 — 共享的心理模型对于团队成功至关重要；然而，在实践中，由于各种因素，团队成员的模型可能不一致。在安全关键领域（例如航空、医疗保健），缺乏共享的心理模型可能导致可预防的错误和伤害。为了减轻此类可预防的错误，我们在此提出了一种贝叶斯方法来推断团队成员在执行复杂医疗任务过程中心理模型的不一致。作为一个示例应用，我们使用两个模拟的基于团队的场景来演示我们的方法，这些场景源自心脏手术中的实际团队合作。在这些模拟实验中，我们的方法推断出模型不一致，召回率超过 75%，从而为计算机辅助干预增强手术室中的人类认知并改善团队合作提供了基础。
中国的空间情境意识能力超越地理i
中国有许多传感器来支持其月球和火星勘探计划，但目前尚无任何公开的专用地面或空间传感器，能够扫描地球与月球之间的空间量以发现未知物体。中国正在采取措施在未来5 - 10年内提高其能力。中国直到最近才开始扩大其行星防御系统的系统，这可以使超越乔奥扫描未经通知的航天器扫描。即使Chang'e 5 Orbiter仍位于Lunar Distant Retrograde Orbit（DRO），如下所述，其更新的相机似乎更加调整为特写和遥远的明亮对象，而不是扫描未知的昏暗对象。这种赤字可能会在2023年就会发生变化，但是到2024年底，中国将推出Chang'e 7，其中包括计划持续几年的月球OBITER。2,3,4
回顾无线传感器网络的情境感知边缘 AI 模型——概述
摘要：传感器技术的最新进展有望导致无线传感器网络 (WSN) 在工业、物流、医疗保健等领域得到更广泛的应用。另一方面，人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 的进步正在成为处理来自边缘合成异构传感器的大量数据并在更好地理解情况的情况下得出准确结论的主要解决方案。WSN 和 AI 这两个领域的整合带来了更准确的测量、上下文感知分析和预测，对智能传感应用很有用。本文全面概述了使用传感器技术的上下文感知智能系统的最新发展。此外，它还讨论了它们的使用领域、相关挑战、采用 AI 解决方案的动机，重点关注边缘计算，即传感器和 AI 技术，以及对现有研究差距的分析。本研究的另一个贡献是使用语义感知方法来提取与调查相关的主题。后者具体列出了本文所收录文章所支持的 11 个主要研究主题，并从各个角度进行分析，以回答 5 个主要研究问题，最后还讨论了未来的潜在研究方向。
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。
AI 解决方案的特点及其在 AI 情境建模中的应用
摘要：尽管每年都有许多新的基于人工智能 (AI) 的解决方案在研究和实践中实施，但企业在引入 AI 解决方案时仍会遇到问题。从我们自己的经验来看，其中一个原因是理解 AI 概念存在重大问题。为了解决这个问题，我们旨在开发一个用于 AI 解决方案的形态框。开发的形态框、其特征及其值基于四个涵盖不同应用领域的 AI 解决方案的工业案例。我们之前提出了一个基于企业架构的 AI 上下文模型，以帮助更好地理解公司中 AI 解决方案的上下文，从而最大限度地降低实施风险。我们还分析了形态框通过改进和增强 AI 上下文模型的三个步骤来支持 AI 引入过程，从而对 AI 解决方案提出了更完整的要求。