XiaoMi-AI文件搜索系统
World File Search System接受
是时候接受认知需求
摘要：适当的培训负担监控仍然是支持人员，运动员和教练的挑战。近年来已经进行了广泛的研究，提出了几个外部和内部指标。在所有测量值中，已经指出了认知因素的重要性，但在培训监测过程中从未真正考虑过。有强有力的证据支持在认知神经科学中使用认知需求指标，但必须更好地强调它们在培训多种运动环境中的培训监测中的重要性。本范围审查的目的是（1）概述了培训中身体需求旁边的认知需求概念； （2）突出显示了当前在适用于运动环境中的认知需求的方法，部分通过神经经济学方法； （3）展示如何利用认知需求指标，并应用于我们对疲劳，运动损伤，过度训练和个人表现能力的更好理解。本评论还强调了脑成像方法的潜在新方法，以进行原位监测。虽然对认知需求的评估仍处于运动阶段，但如果使用严格的方案以及对神经行为和认知方面的深入了解，它可能代表着一种非常富有成果的方法。现在是时候考虑认知需求，以避免低估总培训负担及其管理。
现正接受申请！ - Navy.mil
目前正在接受申请！海军水面作战中心费城分部目前正在通过以下链接接受申请：https://navsea.recsolu.com/app/collect/event/IdizBmYLnpqWCuFj5dt-Ag（注意：您将无法使用 NMCI/政府计算机填写表格。如果您收到错误消息，请检查您的浏览器以查看 URL 开头是否生成了“noclick”。如果是，请删除并按 Enter。）申请必须在 2022 年 8 月 15 日晚上 11:59 之前提交。
现接受海报提交！
8:00AM-9:00AM 注册与早餐 9:00-9:10 欢迎 9:10-9:50 主旨演讲：纽约市环境保护局局长兼纽约市首席气候官 Rohit Aggarwala 9:50-10:00 休息 10:00-11:30 会议 1：气候变化中的能源（主席：斯皮策建筑学院 Marta Gutman） 10:00-10:30 演讲 1A：纽约市立大学建筑系助理教授 Damon Bolhassani 10:30-11:00 演讲 1B：纽约市立大学可持续发展主任 Tria Case 11:00-11:30 演讲 1C：能源与资源回收办公室 Jane Atkinson Gajwani 11:30-11:45 快闪演讲（由选定的海报展示者进行） 11:45AM-12:30PM 午餐和协作头脑风暴活动 12:30-1:30 海报展示会 1:30-3:00 会议 2：弹性哈莱姆微电网（主席：纽约市立大学能源研究所建筑性能实验室的 Michael Bobker；格罗夫工程学院的 Sanjoy Banerjee 和 Alexander Couzis） 1:30-2:00 演讲 2A：先进能源、分布式能源、弹性、电网现代化总监 II Mark Evlyn 和 TRC 公司项目工程师 Michael D'Ambrose 2:00-2:30 演讲 2B：Silicon Harlem 联合创始人兼首席执行官 Clayton Banks 2:30-3:00 演讲 2C：Max J. Bond 城市未来中心主任兼纽约城市大学建筑学副教授 Shawn Rickenbacker 3:00-3:15 休息3:15-4:45 会议 3：弹性高效配电和基础设施（主席：Ahmed Mohamed，格罗夫工程学院） 3:15-3:45 演讲 3A：Nelson Yip，联合爱迪生公司战略规划总监 3:45-4:15 演讲 3B：Mohamed Kamaludeen，美国能源部储能验证总监 4:15-4:45 演讲 3C：Ahmed Mohamed，纽约城市大学电气工程副教授 4:45-5:30 学生职业小组和教师资助小组
接受人工智能委派情商
摘要 检测其他人的情绪对我们人类来说是一项挑战。然而，这在许多社会背景下都很重要，因此许多人在这方面寻求帮助。随着技术的发展，越来越多的基于人工智能的选择应运而生，有望检测人类的情绪并支持决策。我们专注于将检测情绪的完全委托给人工智能，以帮助我们理解这种人工智能是如何被感知的以及为什么它被接受。为此，我们进行了一项基于在线场景的实验，参与者可以选择将情绪检测委托给一个组中的另一个人，委托给另一个组中的人工智能工具。我们的结果表明，人类的委托率较高，但人工智能的委托率却出奇的高。结果提供了在设计基于人工智能的情绪检测工具以构建值得信赖和可接受的设计时应考虑的见解。1.简介
已接受稿件未经编辑
不同保真度之间的个体损失。他们展示了这些改进对几个基本多尺度材料建模挑战的影响，包括二维传热、相变和枝晶生长问题。在这些问题上，与没有此类约束的网络相比，所提出的多保真度、基于物理的约束将预测误差降低了一个数量级。这实现了与底层方程的直接数值解相当的精度。Sarkar 等人在题为“高维工程设计和校准的多保真度和多尺度贝叶斯框架”的论文中，提出了一种用于优化的多保真度建模和信息论顺序采样策略。该方法基于通过高斯过程对各种保真度信息源进行建模，并辅以有效的主动学习策略，这些策略涉及在多尺度架构中顺序选择最佳点。该策略通过压缩机转子的设计优化和微结构预测模型的校准来演示。在题为“工程设计深度强化学习案例研究：应用于流动雕刻微流体设备”的论文中，Lee 等人。通过克服基于进化优化的方法的一些关键弱点（即样本效率低和优化收敛速度慢），解决了如何设计微流体流动雕刻设备。本文将深度强化学习 (DRL) 技术应用于流体雕刻任务，并研究了迁移学习在加速目标流形设计方面的有效性。本文表明，与同类 GA 模型相比，DRL 能够使用明显更少的雕刻支柱来匹配 90% 的目标流形，并提供了一种解释学习模型的方法（使用主成分），而现有的流体雕刻方法无法提供这种解释。Lynch 等人在他们的论文《机器学习辅助拓扑优化数值参数调整》中，提出了一个基于 ML 的元学习框架来确定拓扑优化中的调整参数。这些参数是从过去进行的类似优化问题中学习到的，并根据当前的问题进行调整。这有助于避免手动参数调整中代价高昂的反复试验。在论文《数据驱动的设计空间探索和利用增材制造设计》中，Xiong 等人。提出了一种数据驱动的方法，用于在设计过程的连续阶段进行设计搜索和优化。他们在具体设计阶段使用贝叶斯网络分类器，在详细设计阶段使用高斯过程回归。通过定制踝关节支架的设计说明了该方法。Odonkor 和 Lewis 将数据驱动设计应用于复杂系统（特别是分布式能源资源）的运营策略设计。这篇论文的标题是“分布式能源系统控制策略的数据驱动设计”。最大化套利价值的问题被表述为优化问题，并使用重新解决