XiaoMi-AI文件搜索系统
World File Search System景中
迭代学习改善了大愿景中的组成性...
人类视力和自然语言共有的基本特征是它们的组成性质。，尽管大型录音和语言进行了贡献，但最近的调查发现，大多数（如果不是全部）我们最先进的视觉语言模型在构图中挣扎。他们无法分辨“白人面对黑人的女孩”和“黑人面对白人的女孩”的图像。更重要的是，先前的工作表明，构图并非随着规模而产生：较大的模型尺寸或培训数据无济于事。本文开发了一种新的迭代培训算法，该算法将组成性构成。我们借鉴了数十年来确定文化传播（需要教新一代的需求）的认知科学研究，这是必要的归纳性，这激励了人类发展构图的领域。具体来说，我们将视觉语言对比度学习为视觉代理和语言代理之间的刘易斯信号游戏，并通过迭代地重置训练过程中的一个特工的权重来操作文化转移。在每次迭代之后，这种训练范式引起了“更易于学习”的表示形式，即构图语言的属性：例如我们在CC3M和CC12M上训练的模型将标准夹提高了4.7％，在糖筛基准中以4.0％的速度提高了4.0％。
起搏器+：在驾驶场景中的按需行人动画控制器
我们应对行人模拟中的内容多样性和收获性的挑战，以驱动方案。最近的行人动画框架具有重要的限制，其中他们主要关注轨迹[48]或参考视频[60]的内容，因此忽略了这种情况下人类运动的潜在多样性。这种限制限制了产生行人行为的能力，这些行为表现出更大的变化和现实动作，因此重新严格使用其用法，为驾驶模拟系统中的其他组件提供丰富的运动内容，例如，突然改变了自动驾驶汽车应响应的运动。在我们的方法中，我们努力通过展示从各种来源获得的各种人类动作（例如生成的人类运动）来超越限制，以遵循给定的轨迹。我们的框架的基本贡献在于将运动跟踪任务与轨迹结合到以下，这可以跟踪特定运动零件（例如上半身），同时遵循单个策略的给定轨迹。以这种方式，我们在给定情况下显着增强了模拟人类运动的分歧，以及内容的可控性，包括基于语言的控制。我们的框架有助于生成
在高速公路场景中对自动驾驶汽车的本地化方法的调查
摘要：在高速公路上的自动驾驶汽车的背景下，第一个也是最重要的任务之一是将车辆定位在道路上。为此，车辆需要能够考虑到几个传感器的信息，并将其与来自路线图的数据融合在一起。高速公路上的本地化问题可以蒸馏成三个主要组成部分。第一个是推断车辆目前行驶的道路上的推断。的确，全球导航卫星系统不够精确，无法自行推导此信息，因此需要进行过滤步骤。第二部分包括估计车辆在车道中的位置。最后，第三个也是最后一个旨在评估车辆目前驾驶的车道。这两个组件是必须安全驾驶的，因为诸如车辆之类的行动需要有关车辆当前定位的精确信息。在这项调查中，我们介绍了在高速公路场景中自动驾驶的定位方法的分类法。我们介绍本地化过程的每个主要组成部分，并讨论相关最新方法的优点和缺点。
欧洲输电网扩建是大规模可变可再生能源整合场景中的一种灵活性选择
3 附件 1 总结了专门用于表示输电网的技术和长期能源模型的不同特点。 4 Elmod 使用 PRIMES 的结果作为其对特定年份进行分析的主要输入 5 POLES 和 EUCAD 在每个模拟年份交换信息 6 在本文中，集群或节点的使用并不明确
跨国地球：进化与世界遗产在全球包容性知识经济的模型发展情景中相遇
本文探讨了知识资本自然储备的全球前景，这些储备渗透到地球的进化和生态连通性中，可能构成全球知识经济可持续性和共同利益的最大储备。它为重视基础研究产生的知识提供了理由，这些研究将国家管辖范围内的自然属性和过程相互关联，作为世界遗产提名的绘图工具，以及为合作提供独特的刺激，以建立以保护为前提的跨国知识经济，让发展中国家充分参与其中。这一观点在南太平洋岛屿地区、东太平洋热带地区和巴拿马地峡得到了检验，通过模型方法，旨在使世界遗产工具能够激发科学探索地球生物多样性的经济力量，并在释放自然界知识丰富的进化途径的潜力以重新定义世界经济地理方面发挥核心作用。作为新保护前沿的管理者，释放跨国研究活动的经济能量的路线图提供了一种以知识和奇迹融合为基础的商业模式，并提供了一个鼓励全球共享知识经济利益的投资平台。
氢在全球能量情景中的矛盾作用的奇怪案例
跨不同能量情景的氢，为吸收氢的结果范围。虽然许多场景包括运输部门中的一些氢，但根据情景设计的重点，其他领域中氢的吸收有所不同。更重要的是，审查发现了野心水平之间的相关性（例如脱碳或可再生能源整合目标）和场景结果中氢的贡献。鉴于氢可以改变能源系统的潜力，因此其在全球能量情景中的贡献的变化令人惊讶。hanley等人。17确定了氢气流行率的某些趋势，他们没有探讨详细范围的原因。从这个角度来看，我们评估了氢作为能量系统的贡献的潜力，并检查了在全球能量情景中使用的方法，以了解氢在氢方面的差异。我们专注于著名机构产生的全球能源情景，因为这些方案通常是最多的。考虑了整个方案开发过程，包括概述，模型构建和输入数据。基于此分析，我们建议对能量情景的一些最佳实践，以便它们可以提供最佳的见解，并正确量化氢等能量技术的潜力。第2节提供了氢作为能量载体的概述。第3节提供了来自12项全球研究的情景中氢气率的详细信息。在第4节中，讨论了方案之间有不同结果的原因。最后，第5节中提供了一些方案开发中最佳实践的结论和建议。
使用脑电图信号评估现实场景中记忆检索时的工作量
摘要。目的：脑电图 (EEG) 作为一种生理测量手段，在人因研究中越来越受欢迎，因为它客观、不易产生偏见，并且能够评估认知状态的动态。本研究调查了参与者在单显示器和双显示器配置下执行典型办公室任务时记忆工作量与 EEG 之间的关联。我们预计单显示器配置的记忆工作量会更高。方法：我们设计了一个实验，模拟受试者执行某些办公室工作的场景，并检查受试者在两种不同的办公室设置中是否经历了不同程度的记忆工作量：1）单显示器设置和 2）双显示器设置。我们使用 EEG 频带功率、相互信息和一致性作为特征来训练机器学习模型，以对高记忆工作量状态和低记忆工作量状态进行分类。主要结果：研究结果表明，这些特征表现出显着差异，并且在所有参与者中都是一致的。我们还在先前的研究中通过 Sternberg 任务收集的不同数据集验证了这些 EEG 特征的稳健性和一致性。意义：该研究发现 EEG 与个体的记忆工作量相关，证明了使用 EEG 分析在开展现实世界的神经人体工程学研究中的有效性。
在游戏理论场景中对基于语言模型的大型社会代理的调查
游戏理论场景在评估基于大语言模型（LLM）的社会智慧的社会智能方面已成为关键。尽管许多研究在这种情况下探讨了这些代理，但缺乏全面的调查来概述当前的进展。为了解决这一差距，我们系统地回顾了有关游戏理论场景中基于LLM的SO-SOPIAL代理的现有研究。我们的调查将发现分为三个核心组成部分：游戏框架，社会代理和评估协议。游戏框架 - 工作涵盖了各种游戏方案，范围从选择以选择性到集中的游戏。社会代理人部分探讨了代理人的偏好，信念和推理能力。评估协议涵盖了用于评估代理性能的游戏不可能的指标和特定于游戏的指标。通过反思当前的研究并确定未来的研究方向，该调查提供了见解，以推动游戏理论场景中社会代理人的发展和评估。
“包容性学习环境在实现NEP 2020的愿景中的作用”
2020年国家教育政策（NEP 2020）引入了一个综合框架，强调包容性和公平教育，是印度教育体系的革命性转折点。NEP 2020是在漫长的磋商之后创建的，目的是为印度准备二十一世纪的需求。它旨在提供一个教育环境，以保证所有学生的公平学习和发展机会，无论社会经济背景，性别，语言或残疾如何。viksit Bharat（开发的印度），其中包容性教育被认为是社会发展，经济发展和可持续增长的关键宗旨，与这一愿景一致。像印度这样的多样化国家，其学生来自一系列社会经济，语言和文化背景，需要包容性的学习环境。从历史上看，教育系统经常忽略服务不足的人口的特殊要求，例如农村地区的儿童，收入低的社区以及有障碍的人。因此，学习结果，辍学率和获得高质量教育的差异现在存在显着差异。通过强调一种包容性方法，旨在包括所有学习者和将多样性视为一种力量而不是挑战，NEP 2020克服了这些差异。NEP 2020的强调适应性和以学习者为中心的教学法是其主要特征之一。该政策会调整以摆脱一个尺寸适合的方法，而转向量身定制教育，以满足一系列要求。为了使所有学生更容易获得教育，它促使学校实施灵活的课程，这些课程考虑了不同的学习偏好，速度和兴趣。为了创建一个更热情和鼓励的环境，NEP 2020促进了通用的学习设计（UDL）框架，该框架要求课程和教学适应各种学习偏好。同时，NEP 2020强调教师对于创建包容性学习环境的重要性。该政策要求改进教师准备计划，以强调文化意识，包容性的教学实践以及为有多种需求的儿童提供帮助。为了使他们的教学实践适应每个学生的独特优势和挑战，鼓励教育者使用差异化的教学策略。该战略还建议将技术用作促进包容性的工具，尤其是在服务不足和遥远的地方，那里仍然很难接受良好的教育。教师可以通过使用数字工具来更好地监控学生的进度，自定义课程，并提供更多资源来为多样化的学习者提供服务。NEP 2020的全包教育愿景并非没有困难。需要进行持续的教师发展，缺乏基础设施以及缺乏资源的需求仍然是主要障碍。在许多地方缺乏合格的教师，辅助技术和教学材料，尤其是在农村和贫困社区中，这对于促进包容性氛围是必要的。将需要社区，教育机构和政府组织的一致努力来克服这些障碍，并使NEP 2020年的包容性愿景成为现实。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。