XiaoMi-AI文件搜索系统
World File Search System情境
超扫描脑电图时间序列中 PCMCI 的定向因果效应
社交活动可能会对参与协作社交情境的人的大脑产生影响或反应。本研究评估了一种新方法 Tigramite，用于对此类情境中人的前额皮质 (PFC) 之间的定向因果关系进行时间域分析。实验情境采用超扫描脑电图，个人以手指敲击节奏相互引导和跟随。这项结构化任务持续时间长，前额皮质中发生脑间因果反应的可能性很高。Tigramite 是一种基于图形的因果发现方法，用于识别观察时间序列中的定向因果关系。Tigramite 用于分析 PFC 内部和之间的定向因果关系。在社交互动过程中，可以检测到大脑内部和之间的显著定向因果关系。这是 Tigramite 可以揭示超扫描脑电图时间序列中脑间和脑内定向因果效应的第一个经验证据。这一发现有望利用 Tigramite 在时间域的脑电图上进一步研究社交活动中神经网络的因果关系。
脑数据背景：新权利是实现精神和大脑隐私的途径吗？
摘要 更直接、更高分辨率和更大数量地收集脑数据的可能性加剧了人们对精神和脑隐私的担忧。为了管理这些隐私挑战给个人带来的风险，一些人建议编纂新的隐私权，包括“精神隐私”权。在本文中，我们考虑了这些论点并得出结论：虽然神经技术确实引发了重大的隐私问题，但这些问题——至少就目前而言——与其他众所周知的数据收集技术（如基因测序工具和在线监控）引起的问题没有什么不同。为了更好地理解脑数据的隐私风险，我们建议使用信息伦理中的概念框架，即海伦·尼森鲍姆的“情境完整性”理论。为了说明情境的重要性，我们在三个熟悉的情境——医疗保健和医学研究、刑事司法和消费者营销——中研究了神经技术及其产生的信息流。我们认为，强调脑隐私问题的独特之处，而不是与其他数据隐私问题的共同点，可能会削弱制定更强有力的隐私法和政策的更广泛努力。
内侧或外侧穿通通路的损伤对海马对位置学习的贡献以及对恐惧条件作用有不同的影响。
内嗅皮质内侧和外侧部分（MEC 和 LEC）的神经元轴突形成内侧和外侧穿通通路（MPP 和 LPP），它们是海马皮质输入的主要来源。解剖学、生理学和药理学研究表明 MPP 和 LPP 是不同的。不幸的是，评估这两种通路损伤的功能意义尚未使用已知对啮齿动物海马功能敏感的任务。在本研究中，我们使用生理学和解剖学相结合的方法对 MPP 和 LPP 进行分离损伤。对 MPP 或 LPP 损伤的大鼠进行了水任务中的位置学习测试和对情境的辨别性恐惧条件化任务。结果表明，MPP 损伤导致位置学习受损，而 LPP 损伤则不会。情境辨别数据显示，MPP 损伤的恐惧效应类似杏仁核，减弱，LPP 损伤的辨别性恐惧条件化情境效应增强。与 Buzsa´ki 提出的空间学习两阶段模型一致（Buzsa´ki G，记忆痕迹形成的两阶段模型：“嘈杂”大脑状态的作用。神经科学 1989；31(3)：551–570），水任务中的损伤可以解释为反映 MPP 突触在激活海马神经元方面的更高效率。情境辨别结果可以通过到达 MEC 和 LEC 的感觉信息的分离来解释，或者通过 MEC 的边缘性质与 LEC 的感觉性质之间的分离来解释。© 1999 Elsevier Science BV 保留所有权利。
ENVR 202 第 01 节：不断演变的地球
时间尺度从几代人到典型的大陆运动时期不等。《地球的演变》课程将传授一系列关于环境生物和非生物方面的基础知识，同时也教授思考生物与其环境之间相互作用的方法。我们希望培养学生以整体、平衡的方式评估生物与其环境之间相互作用的证据的能力，这种评估基于一系列基本原则或考量，并理解特定情境中生物和非生物因素的历史基础。我们的部分目标是教授在评估任何环境情境时必须考虑的这些主要因素，但重点是它们在评估生物与环境相互作用中的应用。
嵌入式数据表示 - Yvonne Jansen
摘要 —我们介绍嵌入式数据表示，即使用与数据所指的物理空间、对象和实体深度集成的数据的视觉和物理表示。轻量级无线显示器、混合现实硬件和自动驾驶汽车等技术使得在上下文中显示数据变得越来越容易。虽然研究人员和艺术家已经开始创建嵌入式数据表示，但描述和比较这些方法所需的优势、权衡，甚至语言仍未被探索。在本文中，我们形式化了物理数据指称的概念——数据对应的现实世界实体和空间——并研究指称与其数据的视觉和物理表示之间的关系。我们区分了情境表示（显示靠近数据指称的数据）和嵌入式表示（显示数据以使其在空间上与数据指称相重合）。通过借鉴可视化、普适计算和艺术中的例子，我们探讨了空间间接、尺度和交互在嵌入式表示中的作用。我们还研究了非情境化、情境化和嵌入式数据显示之间的权衡，包括可视化和物理化。根据我们的观察，我们发现了嵌入式数据表示的各种设计挑战，并提出了未来研究和应用的机会。
嵌入式数据表示 - Yvonne Jansen
摘要 — 我们引入了嵌入式数据表示，即使用与数据所指的物理空间、对象和实体深度集成的数据的视觉和物理表示。轻量级无线显示器、混合现实硬件和自动驾驶汽车等技术使得在上下文中显示数据变得越来越容易。虽然研究人员和艺术家已经开始创建嵌入式数据表示，但描述和比较这些方法所需的优势、权衡，甚至语言仍未得到探索。在本文中，我们形式化了物理数据指称的概念——数据对应的现实世界实体和空间——并研究了指称与其数据的视觉和物理表示之间的关系。我们区分了情境表示，即在数据指称附近显示数据，以及嵌入式表示，即显示数据以便它在空间上与数据指称重合。借鉴可视化、普适计算和艺术领域的例子，我们探索了空间间接性、尺度和交互对于嵌入式表示的作用。我们还研究了非情境化、情境化和嵌入式数据显示之间的权衡，包括可视化和物理化。根据我们的观察，我们发现了嵌入式数据表示的各种设计挑战，并提出了未来研究和应用的机会。
组织二元化会扼杀创新吗？一个案例...
围绕探索、开发（J. March 1991）等概念阐述的二元性学术建构多年来一直蓬勃发展，并以组织理论为背景，解释了绩效和创新水平。然而，他们也呼吁深入研究，以了解决策等管理能力（Birkinshaw & Gupta 2013；O’Reilly & Tushman 2013；Benner & Tushman 2015）如何支持相互竞争的目标之间的紧张关系。在本文中，我们表明，组织二元性会扼杀创新，因为底层决策理论并未完全支持情境二元性等机制所需的决策性质（Gibson & Birkinshaw 2004）。我们从项目管理层面介绍和分析了飞机客舱设备行业的两个案例研究，并使用组织二元性和决策的描述。我们建议考虑非常规决策理论，将非预期效用（例如对想象前景的潜在遗憾）考虑在内，作为支持管理工具的一种手段，从而在决策和情境层面实现二元性。首先，我们表明，基于管理工具中编码的预期效用的常见决策模型可能无法支持创新，这些管理工具用于实现情境二元性。其次，我们提出，非预期效用（例如对想象前景的潜在遗憾）有助于管理竞争性探索/利用
马修·克莱恩和迈克尔·佩蒂斯的评论，贸易战是......
学习是指观察记录额外特征的数据。“学习”或“世界反馈”是通过观察记录额外特征的数据而发生的。记录行动、结果和情境特征实例的“案例”数据是 Gilboa 和 Schmeidler (2001) 提出的基于案例的决策理论的基本概念。将学习视为主体对新数据形式的客观信息的主观反应，可能为研究具有不可预见的偶然事件的学习提供一个有前途的框架。事实上，它可能调和经典的贝叶斯方法，其中新数据仅包含熟悉的情境特征并且仅增加观察频率，以及数据包含决策者迄今未知的“新”特征记录的情况。
复杂情况下的多模态感知和行动的人工智能方法
人工智能 (AI) 一直在寻求利用机器来解决人类无法完成的任务（例如大数据分析）。基于竞争性工程成果、海量数据、快速计算和自主性的前景，AI 领域正在蓬勃发展。一个突出的例子是从大挑战中扩展而来的自动驾驶汽车的巨大努力（Seetharaman 等人 2006 年；Urmson 等人 2009 年）。当前的兴趣包括成群的自主协调无人机 (UAV；Shishika 和 Paley 2017 年；Cruise 等人 2018 年）。要实现这样的机器人系统需要通过自主性进行多模式感知和行动。四种类型的自主性（Hintze 2016）包括传统的基于规则的 AI 方法和自我意识 AI（表 1）。具有自我意识的自动驾驶汽车与人类互动（Amershi 等人，2014 年），建立概念知识（Bredeweg 等人，2013 年），并使用情境（Adomavicius 等人，2011 年）。Scerri 等人（2015 年）的一个突出例子是，他们利用移动显示器、本体和多模态融合，通过整合人类语义（例如社交网络）、物理传感器（例如全球定位系统）和模型（例如天气），开发了一种情境感知的情境分析设备。