XiaoMi-AI文件搜索系统
World File Search System更新速度
持续生产敏捷性（CPA）
国防部 (DOD) 正在改变其业务方式，以应对快速发展的威胁。传统的空间开发风险规避方法倾向于高性能卫星系统，基于优化设计和缓慢的星座更新速度。这通常只生产足够的产品来更换长寿命航天器，并在航天器的使用寿命超过初始预测时进行定期调整。这种方法限制了技术插入的机会，不鼓励对长期生产效率的资本投资，并且无法解释在积极冲突期间可能发生的人员流失。为了避免这些限制，国家安全太空企业应考虑采用持续生产敏捷性 (CPA) 方法，该方法侧重于在短时间内（例如五年）交付整个星座，并立即按照计划开始补给过程。
基于强化学习的皮层内脑机接口快速自校准解码器
摘要：背景：由于皮层内脑机接口中神经记录的非平稳性，需要每天以监督的方式进行再训练以保持解码器的性能。使用基于强化学习（RL）的自校准解码器可以改善此问题。然而，在保持良好性能的同时快速探索新知识仍然是基于RL的解码器的挑战。方法：为了解决这个问题，我们提出了一种基于注意力门控RL的算法，该算法结合了迁移学习、小批量和权重更新方案来加速权重更新并避免过度拟合。所提出的算法在两只猴子的皮层内神经数据上进行了测试，以解码它们的伸手位置和抓握姿势。结果：解码结果表明，与未再训练的分类器相比，我们提出的算法的分类准确率提高了约20％，甚至比每日再训练的分类器取得了更好的分类准确率。此外，与传统的RL方法相比，我们的算法将准确率提高了约10%，在线权重更新速度提高了约70倍。结论：本文提出了一种自校准解码器，该解码器具有良好且稳健的解码性能，权重更新速度快，可能有助于其在可穿戴设备和临床实践中的应用。
机器人操纵的对象意识到的高斯裂片
摘要 - 在3D中了解我们世界的动态对于机器人应用的性能和稳健性至关重要。尽管最近的进度已与视觉模型和体积渲染结合起来提供语义3D表示形式，但大型模型的推理时间既不是实时机器人操作的所需更新速度。在这项工作中，我们建议将“对象”注入基于3D高斯人的语义表示[1]。具有相同语义标签的高斯人可以一起初始化和更新，从而导致快速更新，以响应机器人和对象运动。所有必要的语义信息都是从验证的基础模型的第一步中提取的，从而规避了大型模型的推理瓶颈，但仍获取语义信息。只有三个相机视图，我们提出的表示形式可以实时捕获30 Hz的动态场景，这对于大多数操纵任务就足够了。通过基于我们的对象感知的高斯分裂来利用表示形式，我们能够求解语言条件的动态握把，为此，机器人抓取了开放词汇查询指定的动态移动对象。我们还使用该表示形式通过行为克隆来训练视觉运动策略，并表明该策略通过预审计的编码者获得了基于图像的策略的可比结果。视频https://object-aware-gaussian.github.io
数字病理学中的人工智能
诊断病理学通过数字化经历了重大变革和飞跃，一方面，数字化使得决策过程不时发生重大变化，另一方面，工作流程也发生重大变化，因此内部人员的职位描述也发生了重大变化 [ 1 , 2 ]。所有这些一方面对工作组织产生了重要影响，另一方面对参与活动的人员的培训也产生了重要影响，必须让他们做好准备，做出必要的改变，以适应不断变化的职位描述和与工具（光学/机电一体化/信息学）的交互，这些工具的更新速度越来越快，并且逐渐能够越来越多地与电子健康和移动健康相结合 [ 1 – 6 ]。我们正在从幻灯片的物理存储系统转向虚拟幻灯片（即电子幻灯片或数字幻灯片）的虚拟存储 [ 3 ]。诸如物理存储空间组织等旧问题正在让位于诸如物理（保守）数据安全和网络安全等新问题。现在，关于幻灯片存档和多存档的讨论越来越少，而关于电子幻灯片需要多少 PB 或 EB 的讨论越来越多。变化如此之快，以至于有人开始问一个决定性的问题：我们今天所知道的显微镜是否仍然需要？我们毫无疑问可以强调，迄今为止，诊断病理学经历了两次重要的革命。诊断病理学领域的重大创新首先涉及 1980 年免疫组织化学的引入，其次是 2010 年左右用于癌症诊断的下一代测序的引入。第一次革命涉及数字病理学的引入，因此引入了从电子切片到采集系统（摄像机或扫描仪）以及归档系统、数字病理学的图片存档和通信系统 (PACS) 的关键元素 [ 3 ]。
人工智能驱动的移动应用程序：一项探索性研究
近年来，基于人工智能技术的移动应用呈现出惊人的发展势头。一般而言，人工智能应用是指将人工智能融入其功能和服务的任何应用。人工智能框架的快速发展使得企业人工智能技术能够转移到移动设备上，大大促进了智能手机应用中人工智能应用的采用。在本文中，我们对 56,682 个已发布的人工智能应用进行了最广泛的实证研究，旨在从数据集特征、开发问题以及用户反馈和隐私三个角度促进利益相关者对现实世界人工智能应用的理解。为此，我们构建了一个自动化的人工智能应用识别工具 AI Discriminator，它基于应用剖析和关键字匹配从 7,259,232 个移动应用中检测出符合条件的人工智能应用。在第一阶段，我们进行数据集分析，探索AndroZoo大型存储库以识别现实世界的AI应用程序及其核心特征，包括类别流行度、框架分布、更新速度等。随后，我们找出AI应用程序开发中的关键问题，旨在为开发人员提供模型保护等一些关键领域的实用见解。最后，我们关注已发布的AI应用程序的用户评论和用户隐私保护。从技术角度来看，我们的研究结果通过呈现缺乏加密的情况揭示了已发布的AI应用程序中嵌入的模型保护不足。从用户的角度来看，我们指出客户敏感数据面临很高的泄露风险，这引发了对用户敏感数据被未经授权的访问利用的担忧。我们的大规模研究为利益相关者提供了对已发布的AI应用程序进展的关键见解，启发未来对面向移动的AI技术的研究，以进一步提高其执行性能和用户体验。