XiaoMi-AI文件搜索系统
World File Search System搜索空间
使用大语言模型增强机器人任务计划
摘要 - 按钮规划功能对于智能机器人在物理世界中自动运行至关重要。但是，基于传统的计划域定义语言（PDDL）方法通常会遭受组合爆炸和无效的计划时间。在本文中，我们以创新的方式提出了使用大型语言模型（LLM）增强机器人任务计划 - 使用LLMS指导PDDL计划者的搜索过程，而不是完全替换PDDL计划。LLMS通过学习的启发式方法指导PDDL计划者的搜索过程，并提供约束推理以减少搜索空间。为了解决LLM的潜在陷阱，在执行阶段添加了验证机制，以验证计划正确性。我们在真实情况下拆卸了寿命电池电池的末端评估了我们的方法。实验结果将纳入计划管道中的LLM可以显着提高计划效率和可伸缩性，同时保持计划有效性。这项研究为将语言模型与经典方法整合在一起，为实用应用增强机器人智能。所提出的框架在增强未来智能机器人系统的任务计划能力方面迈出了坚实的一步。
通过逻辑编程来解释人工智能
我们专注于归纳逻辑程序的问题，该程序可以解释由支持向量机 (SVM) 算法学习到的模型。自上而下的顺序覆盖归纳逻辑程序设计 (ILP) 算法（例如 FOIL）使用信息论中的启发式方法进行爬山搜索。这类算法的主要问题是陷入局部最优。然而，在我们的新方法中，数据依赖型爬山搜索被模型依赖型搜索所取代，其中首先训练全局最优的 SVM 模型，然后算法将支持向量作为模型中最具影响力的数据点，并归纳出一个涵盖支持向量和与该支持向量最相似的点的子句。我们的算法没有定义固定的假设搜索空间，而是利用可解释 AI 中针对特定示例的解释器 SHAP 来确定相关特征集。这种方法产生了一种算法，该算法可以捕捉 SVM 模型的底层逻辑，并且在诱导子句数量和分类评估指标方面优于其他 ILP 算法。本文正在考虑在“逻辑编程理论与实践”杂志上发表。
训练量子测量装置以辨别未知的非正交量子态
在这里，我们研究解码通过未知量子态传输的信息的问题。我们假设 Alice 将字母表编码为一组正交量子态，然后将其传输给 Bob。然而，介导传输的量子通道将正交状态映射到非正交状态，可能混合。如果没有准确的通道模型，那么 Bob 收到的状态是未知的。为了解码传输的信息，我们建议训练测量设备以在鉴别过程中实现尽可能最小的误差。这是通过用经典通道补充量子通道来实现的，经典通道允许传输训练所需的信息，并采用抗噪声优化算法。我们在最小误差鉴别策略的情况下演示了训练方法，并表明它实现了非常接近最优误差概率。特别是，在两个未知纯态的情况下，我们的建议接近 Helstrom 界限。对于更高维度中的大量状态，类似的结果也成立。我们还表明，减少训练过程中使用的搜索空间可以大大减少所需资源。最后，我们将我们的建议应用于相位翻转通道达到最佳误差概率的准确值的情况。
脑电图中的“寂静之声”——认知语音活动检测
语音认知具有作为脑机接口的潜在应用，可以改善有沟通障碍人士的生活质量。虽然语音和静息状态脑电图被广泛研究，但在这里我们尝试探索与语音音频的静默区域相对应的“非语音”（NS）大脑活动状态。首先，研究语音感知以检查这种状态的存在，然后在语音想象中识别它。类似于如何使用语音活动检测来增强语音识别的性能，这里实施的脑电图状态活动检测协议用于提高想象语音脑电图解码的置信度。使用从实验室和商业设备收集的两个数据集对语音和 NS 状态进行分类。这样获得的状态序列信息进一步用于减少想象脑电图单元识别的搜索空间。跨受试者和会话可视化 NS 状态的时间信号结构和地形图。识别性能和观察到的视觉区别表明脑电图中存在静默特征。索引词：语音脑电图静默识别，脑机接口，两级动态规划
量子密钥搜索三元LWE
摘要。ternary LWE，即具有秘密系数的LWE，而从{ - 1，0，1}取的错误向量是NTRU-Type Cryptosystems中的一个流行选择，以及Bliss和GLP（例如Bliss and GLP）的某些特征方案。在这项工作中，我们考虑对三元LWE的量子组合攻击。我们的算法基于Magnieznayak-Roland-Santha的量子步行框架。我们算法的核心是一种称为表示技术的组合工具，它出现在子集总和问题的算法中。此技术也可以应用于三元LWE，从而产生更快的攻击。这项工作的重点是用于基于代表性的LWE攻击的量子加速。用LWE密钥的搜索空间表示表示时，表示攻击的Asymp-Totic复杂性从S 0降低。24（经典）降至S 0。19（量子）。这转化为明显的攻击的速度 - 用于NTRU-HRSS [CHES'17]和NTRU PRIME [SAC'17]等具体NTRU实例。我们的算法不会破坏当前对NTRU或其他基于三元LWE的方案的安全性要求，但它们可以为在LWE的混合动力攻击中改善组合子例程的改善。
llm a*：循环中的人类大型语言模型启用了*搜索机器人
摘要 - 这项研究着重于大型语言模型（LLMS）如何以人为融合和互动方式为移动体现的代理（例如机器人）提供（路径）计划。一个名为llm a*的新型框架旨在利用LLMS的常识，并提出了公用事业 - 最佳的A*，以促进几乎没有最佳的路径计划。提示用于两个主要目的：1）向LLM提供环境，成本，启发式等基本信息。; 2）向LLMS传达有关中间计划结果的人类反馈。这种方法将人类反馈在船上，并将整个计划过程透明（类似于“白盒”）给人类。此外，它有助于无代码路径计划，从而促进了人工智能技术向社区的可访问性和包容性，较少精通编码。对A*和RL的比较分析表明，LLM A*在搜索空间方面表现出更高的效率，并且在表现优于RL的同时获得了与A*相当的路径。llm a*的互动性也使其成为协作人类机器人任务中部署的有前途的工具。可以在GitHub上找到代码和补充材料：https：//github.com/speedhawk/llm-a--。
主动学习辅助定向进化
摘要：定向进化 (DE) 是一种强大的工具，可用于优化蛋白质适应特定应用。然而，当突变表现出非加性或上位性行为时，DE 可能效率低下。在这里，我们介绍了主动学习辅助定向进化 (ALDE)，这是一种迭代机器学习辅助 DE 工作流程，它利用不确定性量化来比当前的 DE 方法更有效地探索蛋白质的搜索空间。我们将 ALDE 应用于对 DE 具有挑战性的工程领域：优化酶活性位点中的五个上位性残基。在三轮湿实验室实验中，我们将非天然环丙烷化反应所需产物的产量从 12% 提高到 93%。我们还对现有的蛋白质序列适应度数据集进行了计算模拟，以支持我们的论点，即 ALDE 比 DE 更有效。总体而言，ALDE 是一种实用且广泛适用的策略，可以解锁改进的蛋白质工程成果。关键词：蛋白质工程、定向进化、酶工程、原珠蛋白、卡宾、立体选择性、机器学习、贝叶斯优化、主动学习、不确定性量化
生成式人工智能在优化中的作用...
最优超参数问题是机器学习 (ML) 和人工智能 (AI) 技术发展领域的关键问题，传统策略大多浪费时间且效率低下。在此背景下，生成式人工智能的出现为自动化和增强超参数优化过程提供了一个有希望的机会。本研究论文深入探讨了生成式人工智能在优化策略制定超参数中的作用，重点关注其对决策过程的潜在影响。本研究探讨了生成式人工智能技术在策略搜索空间定义领域的适用性。此外，它还深入研究了生成式人工智能是否比传统方法为策略增加了额外的优势。最后，本研究还考察了生成式人工智能提高战略模型可解释性的能力。通过结合理论分析和对众多数据集和复杂性的实证评估，这些研究将使用包括方法性能、计算性能和稳健性在内的关键指标，将生成式人工智能技术与已建立的优化技术进行对比。最终，本文旨在为生成式人工智能在优化战略决策超参数方面的变革能力的持续讨论做出贡献。
医学神经体系结构搜索：调查和分类法
医学深度学习（DL）迅速发展的领域引起了人们的重大兴趣，这证明了获得FDA批准的Nuberober模型[Benjamens等。，2020年]。在开发和监管认可方面的激增强调了先进计算技术在改造医疗保健中的关键作用。其中，医疗神经架构搜索（MEDNA）成为一个枢纽区域，弥合了最新的机器学习方法与医学数据分析的复杂需求之间的差距。图1显示了针对医疗任务的自动深度学习体系结构设计的数量增加。神经建筑搜索（NAS）[Elsken等。，2019年]，这是这种进化中的基石，表示DL领域的变革转变。它标志着从传统，专业驱动的，通常是启发式方法到设计神经网络体系结构的过渡到更系统的ATIC和算法驱动的过程。nas利用索菲的算法自主构想潜在的净工作架构，并重点是优化性能指标和计算效率。使用了几种选择算法来探索不同的架构搜索空间，其中包括进化算法和基于梯度的方法主要是主导。这些策略
主动学习辅助定向进化
摘要：定向进化 (DE) 是一种强大的工具，可用于优化蛋白质适应特定应用。然而，当突变表现出非加性或上位性行为时，DE 可能效率低下。在这里，我们介绍了主动学习辅助定向进化 (ALDE)，这是一种迭代机器学习辅助 DE 工作流程，它利用不确定性量化来比当前的 DE 方法更有效地探索蛋白质的搜索空间。我们将 ALDE 应用于对 DE 具有挑战性的工程领域：优化酶活性位点中的五个上位性残基。在三轮湿实验室实验中，我们将非天然环丙烷化反应所需产物的产量从 12% 提高到 93%。我们还对现有的蛋白质序列适应度数据集进行了计算模拟，以支持我们的论点，即 ALDE 比 DE 更有效。总体而言，ALDE 是一种实用且广泛适用的策略，可以解锁改进的蛋白质工程成果。关键词：蛋白质工程、定向进化、酶工程、原珠蛋白、卡宾、立体选择性、机器学习、贝叶斯优化、主动学习、不确定性量化