XiaoMi-AI文件搜索系统
World File Search System文集
智能人类国际会议论文集
前言 近几年来，人机交互 (HCI) 科学技术取得了巨大进步。这推动了两种相反的趋势。一种不同的趋势是组织单独的会议，讨论诸如“交互设计和以用户为中心的设计等”等重点主题，而这些主题以前都属于 HCI 范畴。另一种趋同的趋势是在 HCI 会议中吸收新的领域，例如“用文字计算”、“亲社会代理开发”和“基于注意力的应用”等。IHCI-2021 是少数专注于上述趋势交叉点上的“智能”和“人机交互”问题的会议之一。很荣幸能够介绍第 13 届智能人机交互国际会议 (IHCI-2021) 的论文集。该会议由肯特州立大学于 2021 年 12 月 20 日至 22 日在美国俄亥俄州肯特市肯特州立大学设计创新中心举办。IHCI 是人机交互领域的年度国际会议，我们在会上探讨机器智能与人类智能之间复杂交互中出现的研究挑战。这是第十三次以“超越物理极限的智能交互”为主题的活动，有 12 个特别专题，与会议主题以及 IHCI 领域的一般主题有关。在提交的 138 篇论文中，66 篇论文被程序委员会接受进行口头陈述和出版，该委员会基于至少 3 位专家审稿人的建议。论文集分为九个部分，与会议的每个专题相对应。第 13 届 IHCI 会议包括五位主旨演讲人和十位受邀演讲人，以及 29 位强大的专家会议主席和 6 位论坛组织者，他们曾在行业和学术界工作，吸引了 200 多名参与者，成为全球（超过 22 个国家）最重要的学术研究人员、研究生、顶级研究智库和行业技术开发人员的聚会。因此，我们确实相信，参与者最大的好处是实现他们在 HCI 领域的目标。这最终将带来更大的商业成功，最终对社会有益。此外，我们应该向所有向 IHCI-2021 提交作品的作者表示热烈的感谢。在提交、审查和编辑阶段，Easy chair 会议系统非常有用。我们感谢技术计划委员会 (TPC) 和当地组织委员会为确保本次会议的成功所做的不懈努力。最后，我们要感谢我们的演讲者、作者和参与者为使 IHCI-2021 成为一个令人振奋和富有成效的会议所做的贡献。如果没有他们未来的持续支持，IHCI 会议系列就无法实现年度里程碑。2021 年 12 月
智能人类国际会议论文集
人机交互 (HCI) 科学技术在过去几年中取得了巨大进步。这推动了两种相反的趋势。一种不同的趋势是组织针对重点主题的单独会议，例如“交互设计和以用户为中心的设计等”，而这些主题以前都属于 HCI 的范畴。另一种趋同的趋势是在 HCI 会议中吸收新的领域，例如“用文字计算”、“亲社会代理开发”和“基于注意力的应用”等。IHCI-2021 是少数专注于上述趋势交叉点上的“智能”和“人机交互”问题的会议之一。很荣幸能够介绍第 13 届智能人机交互国际会议 (IHCI-2021) 的论文集。该会议由肯特州立大学于 2021 年 12 月 20 日至 22 日在美国俄亥俄州肯特市肯特州立大学设计创新中心举办。IHCI 是人机交互领域的年度国际会议，我们在会上探讨机器智能与人类智能之间复杂交互中出现的研究挑战。这是第十三次以“超越物理极限的智能交互”为主题的活动，有 12 个特别专题与会议主题以及 IHCI 领域的一般主题相关。在提交的 138 篇论文中，66 篇论文被程序委员会接受进行口头陈述和发表，这是基于至少 3 位专家审阅者的建议。会议记录分为九个部分，与会议的每个主题相对应。第 13 届 IHCI 会议包括五位主旨发言人和十场受邀演讲，二十九位强大的专家会议主席和六位论坛组织者曾在工业界和学术界工作，吸引了 200 多名参与者，成为全球（超过 22 个国家）最重要的学术研究人员、研究生、顶级研究智库和行业技术开发人员的聚会。因此，我们确实相信，对参与者来说，最大的好处是实现他们在 HCI 领域的目标。这最终将带来更大的商业成功，最终有益于社会。此外，我们应该向所有向 IHCI-2021 提交作品的作者表示热烈的感谢。在提交、审查和编辑阶段，Easy chair 会议系统非常有用。2021 年 12 月我们感谢技术计划委员会 (TPC) 和当地组织委员会为确保本次会议的成功所做的不懈努力。最后，我们要感谢我们的演讲者、作者和参与者为使 IHCI-2021 成为一次令人振奋且富有成效的会议所做的贡献。如果没有他们在未来持续的支持，这个 IHCI 会议系列就无法实现年度里程碑。
Wakefield, Graham 和 Ji, Haru Hyunkyung (2021) 人工智能装置“Infranet”中的创意人工智能。收录于：EVA London 2021 论文集，2021 年 7 月 5 日至 9 日，英国伦敦。网址：http://openresearch.ocadu.ca/id/eprint/3482/
作者探讨了如何从计算创造力和生态系统艺术的角度批判性地质疑当前主流的数据驱动型人工智能方法。这集中在对未来的批判上，认为未来被过去过度决定；无论是从使用的数据，还是从训练所假设的问题或目标来看。本文的主要贡献是将替代的创造性方法应用于受自然启发的人工智能，并通过作者的作品“Infranet”中的体现来详细介绍其中一些方法。Infranet 是一个神经进化艺术装置，于 2018-2019 年在三个国际地点展出。它使用主办城市的地理空间数据不是作为训练材料，而是作为人工生命的栖息地。与基于训练的人工智能系统相比，在 Infranet 中没有目标或适应度函数，而且进化压力或竞争非常小。此外，它避开了大型和预先指定的神经网络结构的趋势，转而采用数千个小型相互作用的神经网络群体，每个神经网络都有不同的结构，处于“流动”的连续重组过程中；与生物和生态系统中一些当代非意识认知的理论和模型产生共鸣。
第三十七届人工智能不确定性会议（UAI 2021）论文集，PMLR 161：1-11。
Ashish Sabharwal Allen 人工智能研究所 Bo Liu 奥本大学 Aaditya Ramdas、Kun Zhang 卡内基梅隆大学 Sebastien Destercke 法国国家科学研究院 Elias Bareinboim 哥伦比亚大学 Alexander Shekhovtsov 布拉格捷克技术大学 Linda van der Gaag Dalle Molle Molle 人工智能研究所 Dalle Marco | Artificialy Nevena Lazic、Silvia Chiappa、Theophane Weber、Tim Genewein DeepMind Sach Mukherjee DZNE |剑桥大学 Mykola Pechenizkiy、Robert Peharz 埃因霍温理工大学 Christina Heinze-Deml、Fanny Yang、Niao He 苏黎世联邦理工学院 Zoltan Szabo 巴黎综合理工学院 Mats J. Stensrud 巴黎联邦综合理工学院 德国 Magers A 中心 Jausanne |柏林工业大学 Branislav Kveton 谷歌研究中心 Aurelie Lozano IBM 研究中心 Jin Tian 爱荷华州立大学 Vanessa Didelez 不来梅莱布尼茨研究所 Vasilis Syrgkanis 微软研究中心 Rajesh Ranganath 纽约大学 Fabio Ramos NVIDIA |悉尼大学 Johannes Textor、Tom Claassen、Tom Heskes 拉德堡德大学 Qiang Ji 伦斯勒理工学院 Shohei Shimizu 滋贺大学 | RIKEN Mathias Drton 慕尼黑工业大学 Uri Shalit Technion Amir Globerson 特拉维夫大学 | Google Vibhav Gogate 德克萨斯大学达拉斯分校 Alessio Benavoli 都柏林圣三一学院 Kristian Kersting 达姆施塔特工业大学 Anna Helena Reali Costa、Fabio Cozman 圣保罗大学 Piotr Zwiernik 庞贝大学 詹姆斯·席尔瓦大学学院 Davido Fabra Eric Nalisnick 不列颠哥伦比亚大学 詹姆斯·席尔瓦大学学院 Bricardo、欧文·尼尔斯 Richard Hansen 哥本哈根大学 Aapo Hyvarinen、Mikko Koivisto 赫尔辛基大学 Benjamin Marlin 马萨诸塞大学阿默斯特分校 Robin Evans 牛津大学 Marco Valtorta 南卡罗来纳大学 Linbo Wang 多伦多大学 Alex Luedtke、Emilija Perkovic、Thomas Washington S. Richardson 大学
开放获取论文集 物理学杂志：会议系列
摘要：线材和电弧增材制造 (WAAM) 是一种基于传统电弧焊工艺的先进金属材料 3D 打印方法。WAAM 被认为是制造大尺寸金属部件的合适方法，具有高沉积速率和低成本的特点。在本研究中，使用 WAAM 沉积专门设计和制造的低碳高强度钢 (Grade 3D AM 80 HD) 线材（相当于 AWS ER 110S-1 线材的成分）以打印多焊道壁，旨在探索其在重载海洋应用中的可行性。进行了参数研究以找到最佳沉积电压和重叠率。采用垂直位置补偿法来优化相邻层之间焊枪的步进距离。沉积部件的微观结构通过 Thermal-Calc 软件进行表征和指示，然后测量硬度并预测拉伸强度。此外，还对 WAAMed 3D AM 80 HD 壁、3D AM 80 HD 线材、AWS ER 110S-1 线材和线材制造商（Voestalpine Böhler Welding Corporation）生产的 WAAMed 壁的抗拉强度进行了比较。关键词。线材和电弧增材制造 (WAAM)、钢材、参数研究、微观结构、机械性能。
俄罗斯科学院 俄罗斯联邦科学与高等教育部 社会科学信息研究所 (INION RAS) 法律、数字技术和人工智能 论文集 莫斯科 2021
系列“法理学”社会科学与信息研究中心法理学系编辑委员会：E.V. Alferova – 博士合法的科学，编辑；埃·维Burdina——法学博士。理科，副教授； D.V.叶夫列缅科，政治学博士； D.V. Krasikov – 博士合法的理科，副教授；一、A. Umnova-Konyukhova——法学博士。科学、法律教授、数字技术和人工智能：收藏。艺术。 / 分别编辑埃·维阿尔费罗娃。 – 莫斯科：INION RAS，2021 年。– 267 页。 ISBN 978-5-248-01002-8 本文探讨了国内外法律规制人工智能系统在公共管理、商业和私人生活中的发展、使用和进步的问题、特点和经验。确定了与数字创新发展相关的主要风险和不确定性，这对于通过该领域的立法、确保安全以及保护个人、社会和国家的权利和利益具有重要意义。致函研究人员、教师、法学院研究生和学生、政府机构雇员和立法者。
会议论文集：人工智能和机器学习
人工智能 2021 是一个国际平台，用于了解和研究最新技术、创新、应用和深入研究，以分享完整的知识。会议邀请了来自世界各地的重要国际专家、教授、专家、研究学者和学生代表以及参展商参加我们的大会，主题为“在边缘部署人工智能和机器人技术知识”。会议将以口头报告、海报展示、主题演讲、研讨会等形式进行。
会议论文集 智能系统集成 2021 年 4 月 27 日至 29 日
过去几年，深度神经网络 (DNN) 已成为人工智能的主导子领域。机器学习 (ML) 框架（如 TensorFlow [10]）有助于在高抽象级别上设计更强大的神经网络，从而实现新的架构和网络拓扑。FPGA 甚至 ASIC 被证明是加速 DNN 推理的有前途的后端设备，可提供良好的吞吐量和延迟，同时通过多种优化技术解决硬件资源有限的挑战。然而，手工设计这些设计是一项非常耗时的任务，因为 DNN 模型及其工作负载会不断变化，即使对于即将到来的高级综合 (HLS) 领域也是如此。为了弥补生产力方面的差距，已经引入了许多框架，从高级网络描述开始，自动为 FPGA 板 [3-5] 和 ASIC [3] 生成优化的硬件实现。已发布的结果表明，这些框架在性能、延迟和能效方面能够超越最先进的加速器，甚至超越基于 GPU 和 TPU 的解决方案 [3]。本文首先简要概述了最近提出的一小部分框架解决方案，并深入了解了它们的方法。这些框架中的每一个都根据其方法和优化技术定义了一个单独的设计空间。它们大多数自动化设计空间探索 (DSE) 的支柱是专门的预测工具或分析模型，用于估计参数选择将如何影响早期设计阶段的整体性能、能耗或后期硬件系统的面积。提出的结果表明，与实际硬件实现相比，这些预测可以实现可靠的准确性 [3,5]，从而有效地选择最佳设计候选方案。在设计周期的早期获取这些信息至关重要
开放获取论文集《物理学杂志》：会议系列
摘要。创建人工智能应用程序的复杂性仍然很高。造成这种复杂性的因素之一是编程领域对开发人员的高资质要求。使用基于称为最终用户开发范式的方法和工具可以降低开发复杂性。需要应用此范式方法的问题之一是开发用于支持机载搜索和故障排除的智能系统。确定了与此问题相关的一些任务，包括动态形成故障排除任务卡的任务，即形成操作列表。本文根据最终用户开发的一些原则提出了解决此问题的方法：模型驱动开发、可视化编程和向导表单填写。特别是，在苏霍伊超级喷气式飞机要解决的问题背景下，提出了基于转换技术的原型专家系统的扩展，该系统实现了最终用户开发。该工作的主要贡献如下：通过支持事件树形式化（作为一种流行的专家方法，用于形式化问题情况的发展及其本地化的场景）扩展了主要的技术方法；创建了一个领域特定的工具（即扩展事件树编辑器），用于构建标准和扩展事件树，包括用于诊断任务；开发了一个模块用于
ACM 参考格式：Shravya Channamadhavuni、Sven Thijssen、Sumit Kumar Jha 和 Rickard Ewetz。2021 年。使用模拟内存计算加速 AI 应用：挑战和机遇。在 2021 年大湖区 VLSI 研讨会 (GLSVLSI '21) 论文集上，2021 年 6 月 22 日至 25 日，虚拟活动，美国。ACM，美国纽约州纽约，6 页。 https://doi.org/10.1145/3453688.3461746
通过重新思考计算堆栈的所有层，包括硬件、软件和软硬件基本方法和方案 [1, 2, 4]。由于有望同时实现密集存储和节能模拟处理，基于非易失性电阻技术的内存计算已成为克服上述挑战的一种有吸引力的解决方案。非易失性电阻器件是一种具有可编程电阻的双端器件，可以使用忆阻器 [11, 35]、电阻随机存取存储器 (ReRAM) [23, 38]、相变存储器 (PCM) [20, 39] 或自旋转移力矩磁性随机存取存储器 (STT-RAM) [18, 31] 来实现。通过将新兴设备集成到电阻交叉阵列 (RCA) 中，可以在模拟域中执行近似矩阵向量乘法 (MVM)。这是很有希望的，因为计算比数字域中的能源效率高得多（数量级）[17]。通过将矩阵存储在内存中并现场执行计算，数据移动也大大减少[9, 32]。此外，MVM 是许多 AI 应用中的主要计算，例如深度学习 [22]、图像处理 [24] 和图形分析 [34]。利用模拟内存计算的主要挑战是，各种错误和变化源可能会降低计算精度。这包括设备写入错误、非零阵列寄生效应、有限的设备产量、电阻漂移、温度变化、随机电报噪声和有限的设备耐久性。此外，在模拟域中引入的任何错误都可能损害加速应用程序的功能正确性。例如，神经网络的硬件分类准确性可能明显低于软件级别。相反，数字计算系统中的稳健性问题只会引入时序违规，可以使用动态电压频率缩放 (DVFS) 来缓解。为了在系统级性能上提供保证，需要在设备级、算法级和软件应用程序级进行协同创新。虽然设备级研究人员不断尝试改进制造设备的特性，但开发所需的算法和软件级支持变得迫在眉睫。在本文中，我们回顾了使用模拟内存计算加速 AI 应用所面临的挑战、解决方案和未来研究方向。第 4 节概述了未来研究的机会。第 2 节讨论了模拟矩阵向量乘法的基本概念、目标 AI 应用以及不同误差的建模。第 3 节回顾了在算法和软件层面上提高对误差的鲁棒性的最新解决方案。第 5 节总结了本文。