XiaoMi-AI文件搜索系统
World File Search System感知
基本频率：将声音感知理论扩展到扩展现实的协作环境
有人建议，教学法中的媒体和技术有效性是一个神话。干预并非仅仅因为新干预而自动有效。，通常，最初的炒作经常导致期望和随后的失望。虚拟和增强现实，使用越来越广泛的数字平台的元式和协作虚拟学习环境都在此叙述中均出现了。但是，最初的失败无法满足期望，尤其是在理所当然的价值时，不应谴责这些技术被驳回。具有异性设计的新兴机会（异步和不对称角色，任务，接口平台，用户功能等）他们的技术能力和教学潜力太显着。的需求是通过有意义的经验进行更深入的学习，而后者是通过用户体验因素所带来的情感和认知参与来促进的，这些因素包括存在，流动和自我效能感。本文的核心断言是，通过以用户为中心的软件设计，可以大大增强这些学习技术的有效研究，这些软件设计的重点是唤起这些因素。硬件配置和软件设计应提供基于研究信息的互动设计构建的培训场景。这里的转折是，在本文中，我们将寻求经常被低估的听觉感知领域，特别是与人类与人类与数字技术的互动有关，以提出一套新颖的交互设计原理，目的是增强扩展现实的协作。
FDSOI 技术中关键路径老化的活动感知预测
摘要 — 现代 CMOS 技术（例如 FDSOI）受到严重老化效应的影响，这种老化效应不仅取决于与纳米级技术相关的物理问题，还取决于电路环境及其运行时活动。因此，很难为关键路径估计建立可靠的先验保护带，通常会导致较大的延迟损失（从而导致性能损失）或过短的工作寿命。在本文中，我们提出了一种使用机器学习技术的方法来获得近关键路径老化的可靠预测。从一组有限的测量和模拟数据开始，我们的框架能够根据物理参数、环境条件和电路活动准确估计关键路径延迟随时间下降的情况。此外，还应用相应的回归模型来获得动态老化感知的操作性能点选择策略。
糖尿病信念、感知风险和健康行为
摘要 简介 增加参与糖尿病预防计划的努力主要集中在提高糖尿病意识上，其逻辑是风险知识将促使行为改变。然而，感知风险与糖尿病预防之间的关系存在争议。这项横断面、嵌入式混合方法研究的目的是检查在患 2 型糖尿病风险较高的成年人中感知风险、糖尿病信念和预防行为之间的关系。方法数据来自里士满压力和糖研究 (n=125)。使用多维健康控制点评估糖尿病信念（即内部、机会、强大的他人）。预防行为（例如改变饮食、锻炼、烟草、酒精）通过自我报告来衡量。使用概率量表（0%–100%）来衡量患糖尿病的感知风险。逻辑和泊松回归模型量化了信念、行为和感知风险之间的关系。从开放式问题中抽象出关于预防行为的挑战和促进因素的定性主题，并使用内容分析进行总结。结果 感知的糖尿病患风险很低（中位数：35% 的可能性），只有 10% 的参与者参加过预防课程。所有糖尿病信念领域均与参与预防行为或感知的糖尿病风险无显著相关性。感知的糖尿病风险与参与预防行为无关；然而，有糖尿病家族史与感知风险密切相关（OR：3.35，95% CI：1.42 至 7.86）。预防行为的定性促进因素和障碍反映了社会心理因素（例如决心、压力、偏好）和资源（例如社会支持、时间、整体健康状况）。结论 在临床上患糖尿病风险较高的成年人中，风险感知和健康信念与参与预防行为无关。结合家族健康史信息可能会有助于提高认识。糖尿病预防计划应解决健康信念之外的障碍，以促进行为改变的参与。
机器学习用于糖尿病患者驾驶时低血糖的无创感知
图 1 概览。A，研究 1 和研究 2 采用可变的门冬胰岛素和葡萄糖给药进行低血糖诱导程序，并在正常血糖和低血糖状态下进行相应的驾驶。研究 1 中低血糖状态下的血糖 (BG) 预期范围为 2.0-2.5 mmol L 1，研究 2 中为 3.0-3.5 mmol L 1。驾驶状态包括在三种不同环境（高速公路、乡村和城市）中进行三次 5 分钟驾驶，同时收集车内驾驶 (CAN) 和眼动追踪 (ET) 数据。B，两项研究中的驾驶模拟器、ET 和血糖管理设置。C，研究 1 和研究 2 的主要特征。D，研究 1 和研究 2 中低血糖状态下的静脉血糖以箱线图显示。总体而言，两项研究中的低血糖状态下的血糖都很稳定。箱线图的箱线表示中位数，箱线的内边界对应于四分位距（IQR = 第 25 到第 75 个百分位数），外边界（即晶须）对应于距离箱线边缘不超过 1.5 个 IQR 的最极端数据点。晶须范围之外的值用点表示。CGM，连续血糖监测
自主驾驶感知软件实习苏黎世
Embotech是一种屡获殊荣的软件扩展，开发了自动驾驶汽车的最前沿自动驾驶技术和解决方案，重点是私人地面应用，例如港口航站楼的卡车和工厂的乘用车。我们通过利用自2013年以来一直在开发的实时优化技术来提供安全的自主运输。我们正在寻找一个热情的实习生，渴望为我们的高级感知软件的开发做出贡献。，您将使用Embotech的自动驾驶软件堆栈和外部供应商的硬件组件来部署快速增长的自动驾驶卡车，以供私人场地迅速发展，从而发挥着重要作用。您的角色将涉及为自动卡车开发感知软件，并在模拟和Embotech的测试车中进行测试。责任•开发以私人场地自动驾驶的感知软件。•在测试设置（SIL/HIL）和现实生活中使用我们自己的测试工具进行测试软件。•分析日志数据并主动解决问题。•查看拉请请求。•与系统工程师，软件工程师和控制工程师合作，提供完整的自动驾驶堆栈。•根据需要前往客户或自己的测试区域。
NimbleAI：面向神经形态感知处理 3D-...
Xabier Iturbe, Nassim Abderrahmane, Jaume Abella, Sergi Alcaide, Eric Beyne, Henri-Pierre Charles, Christelle Charpin, Lars Chittka, Ang ́elica D ́avila, Manil Dev Gomony, Arne Erdmann, Carles Estrada, Ander Fern ́andez, Anna Jos Fontanelli, Alejandro Heron, Hermione Grosu, Carles Hern´andez, Daniele Ielmini, Eric Isusquiza, David Jackson, Maha Kooli, Nicola Lepri, Bernabe ́e Linares-Barranco, Jean-Loup Lachese, Martxel Lasa, Eric Laurent, Menno Lindwer, Frank Linsenmaier, Mikel Luj´an, Karel Masaˇ´, Orlando, Jeanne Morten, Neca an-Philippe Noel, Arash Pourtaherian, Christoph Posch, Peter Priller, Zdenek Prikryl, Felix Resch, Oliver Rhodes, Todor Stefanov, Moritz Storring, Sander Stuijk, Michele Taliercio, Marcel van de Burgwal, Geert van der Plas, Elisa Vianello, and Pavel Zaykov
CHATGPT中偏见的感知：社交媒体数据的分析
Leiter等。[11]分析了Twitter用户对ChatGpt的看法。作者分析了推文的情感，情感随着时间的变化，跨语言的情感以及主题的分析。使用由“ #chatgpt”组成的简单搜索查询，作者从168,000多个Twitter用户中收集了330,000多条推文。结果和分析表明，有100,163条推文具有积极的情绪，174,684条推文具有中性情绪，而59,961条推文具有负面情绪。随着时间的流逝，情感分析显示在分析的时间范围内的情感下降趋势。英语与非英语推文的平均情感几乎相似。与日语，法语，西班牙语和德语的推文相比，用英语的推文具有更多的积极情感。最后，推文主要与五个主题有关：商业，技术，教育，日常生活和社会问题。
大型语言模型如何解释用户所感知的业务流程？ ⋆
大型语言模型（LLM）接受了大量文本培训，以解释和生成类似人类的文本内容。他们正在成为实现自动企业愿景的重要工具，如今组织积极采用LLM来自动化其运营的许多方面。llms可能在未来的A-AVEN-AFMENT ADMENT业务流程管理系统（ABPMS）餐饮功能中发挥着重要作用。这样一个系统的功能是情况感知的解释性（SAX），它与生成因果关系且人性化解释的解释有关，这些解释考虑了发生的过程上下文。在本文中，我们介绍了为生成SAX解释而开发的SAX4BPM框架。SAX4BPM套件由一组服务和一个中央知识存储库组成。这些服务的功能是引起萨克斯解释的各种知识成分。这些成分之间的关键创新组件是因果关系执行视图。在这项工作中，我们将框架与LLM集成在一起，以利用其功能来合成各种输入成分，以改善SAX的解释。由于将LLM用于SAX，还伴随着一定程度的疑问，与其充分实现SAX的能力以及其幻觉的趋势以及缺乏固有的推理能力有关，我们对生成解释的感知质量进行方法论评估。为了实现这一目标，我们开发了指定的量表并进行了严格的用户研究。我们的发现表明，呈现给LLMS的输入有助于其性能的后卫，从而产生了萨克斯的解释，具有更好的忠诚度。对信任和好奇心的感知来调节这种改进。更重要的是，这种改进是以解释的可解释性为代价。
合作车辆感知中的异常检测...
异常检测是确保自动驾驶安全性的关键要求。在这项工作中，我们利用合作感来共享附近车辆的信息，从而在复杂的交通情况下更准确地识别和共识。为了解决不完美沟通的现实挑战，我们提出了一个基于合作感知的异常检测框架（CPAD），该框架是一个强大的架构，在沟通中断下仍然有效，从而促进了可靠的性能，即使在低频段设置中也可以促进可靠的性能。由于没有用于车辆轨迹的多代理异常检测数据集，因此我们引入了15,000个不同的方案，其中90,000个轨迹通过基于规则的车辆动力学分析生成的90,000个基准数据集。经验结果表明，我们的方法在F1得分，AUC中优于标准异常分类方法，并展示了针对代理连接中断的强大效果。代码和数据集将在：https：//github.com/abastola0/cpad
能源感知信息物理系统综述
在第二次工业革命期间，电力作为一种实用且简单的方式被引入，用于向建筑物和工业等消费者传输电力。在此期间发生的电气化过程是我们日常生活中使用的电器发明的主要驱动力。这些电器的广泛使用导致能源消耗不断增加。从那时起，研究人员一直对能源优化感兴趣，以最大限度地提高设备的效率。随后发生了两次工业革命：（1）第三次革命，其特点是引入了自动化、信息技术和电子革命；（2）正在进行的第四次革命，引入了信息物理系统 (CPS)、物联网 (IoT) 和网络革命。互联网是这些革命的基础技术，为传输数据和人与设备之间的通信提供了网络基础设施。此外，电子设备的功能按照摩尔定律呈指数级增长，并具有通信、保持连接和执行复杂任务的能力。这两个因素是 CPS 和 IoT 设计和开发的基础。目前观察到联网设备数量显着增加，未来将继续增加，尤其是 IoT 和智能家居设备 [1]。据估计