XiaoMi-AI文件搜索系统
World File Search System概括性
学习通过基于图的模仿学习来优化置换流动商店调度
置换流店调度（PFSS）旨在寻找工作的最佳置换，广泛用于制造系统中。在解决大规模PFSS问题时，传统的优化算法（例如启示录）几乎无法满足解决方案准确性和计算效率的需求，因此基于学习的甲基苯酚最近引起了更多的关注。通过加强学习方法来解决问题，这些工作在培训期间遇到了缓慢的收敛问题，并且在解决方案方面仍然不够准确。为此，我们建议通过专家驱动的模仿学习来训练该模型，从而更加准确地加速收敛。此外，为了提取输入作业的更好的效率表示，我们将图形结构合并为编码器。广泛的实验表明，我们提出的模型获得了重大的促进性，并在多达1000个工作岗位的大规模问题中提供了出色的概括性。与最先进的信息学习方法相比，我们的模型网络插曲仅减少到其仅37％，而我们模型对专家解决方案的解决方案差距从平均6.8％降至1.3％。该代码可在以下网址提供：https：//github.com/longkangli/pfss-il。
![arxiv：2402.02385v1 [cs.ro] 2024年2月4日](/simg/3\3dc500ee58d3c948d12a92f3b875d2da17092f15.webp)
arxiv：2402.02385v1 [cs.ro] 2024年2月4日
虽然体现AI的探索已经跨越了数十年，但它仍然是一种持续的挑战，以赋予具有人层的智力的代理商，包括感知，学习，推理，推理，推理，决策，控制，控制和概括性，以便他们可以在公开的，不结构的，不结构的环境和动态的环境中执行通用任务。计算机视觉，NATU语言处理和多模式学习的最新进展表明，基础模型具有针对特定任务的超人类功能。他们不仅提供了一个坚实的基石，可以将基本模块整合到体现的AI系统中，而且还阐明了如何从方法论的角度来扩展机器人学习。这项调查旨在为机器人技术中的基础模型提供全面，最新的概述，重点介绍了官方的操纵，并涵盖了高级计划和低级控制。此外，我们展示了它们常用的数据集，模拟器和基准。重要的是，我们强调了这一领域的固有构成的关键挑战，并描绘了未来研究的潜在途径，并为推进学术和工业话语的边界而促进了这一领域的潜在途径。
通过生成对抗网络通过合成数据生成增强组织病理学图像分类
摘要：乳腺癌是全球第二常见的癌症，主要影响女性，而组织病理学图像分析是用于确定肿瘤恶性肿瘤的可能方法之一。关于图像分析，近年来，深度学习的应用变得越来越普遍。但是，一个重要的问题是可用数据集的不平衡性质，有些类的图像比其他类别的图像更多，这可能会由于较差的概括性而影响模型的性能。避免此问题的可能策略是用最多的图像来缩小课程来创建平衡数据集。尽管如此，小型数据集不建议使用这种方法，因为它可能导致模型性能差。取而代之的是，传统上使用了诸如数据预言之类的技术来解决此问题。这些技术应用了简单的转换，例如翻译或旋转到图像，以增加数据集中的可变性。另一种可能性是使用生成对抗网络（GAN），该网络可以从相对较小的训练集中生成图像。这项工作旨在通过使用GAN而不是传统技术应用数据扩展来提高模型性能在组织病理学图像中进行分类。
算法选择的概括分析
摘要 - 在算法选择研究中，围绕算法特征的讨论被对问题特征的重点显着掩盖了。尽管一些实证研究已经提供了有关算法特征有效性的证据，但是将算法特征纳入算法选择模型的潜在好处，并且对不同场景的适用性尚不清楚。在本文中，我们通过提出基于算法功能的算法选择的第一个可证明的保证来解决这一差距，从而采用概括性的观点。我们分析与算法特征相关的收益和成本，并研究概括误差如何受到不同因素的影响。具体而言，我们分别检查了在转导和感应学习范式下的自适应和预定义算法特征，并根据模型的Rademacher复杂性得出了概括误差的上限。我们的理论发现不仅提供了紧密的上限，而且还提供了有关各种因素的影响的分析见解，例如问题实例的训练量表和候选算法，模型参数，特征值以及培训数据和测试数据之间的分布差异。值得注意的是，我们证明了模型如何从涉及许多算法的复杂场景中受益于算法特征，并证明了分布的概括误差与χ2差异之间的正相关。
![arxiv：2403.12835v1 [CS.CV] 2024年3月19日](/simg/d\d20844f68974223f91c22f7d76d43b65d4113949.webp)
arxiv：2403.12835v1 [CS.CV] 2024年3月19日
玩。这种能力体现了人类从视觉体验中学习开放式摄影的物理互动技能的能力，并将这些技能应用于新颖的对象和动作。为交互式设备提供此能力仍然是一个重大挑战。最近的身体技能学习方法主要依赖于模仿学习来获取现实的物理性和互动[29，31]。然而，这种方法限制了它们通过新颖的教学和环境来实现无法预见的场景的适应性。此外，在当前模型中忽略了物理定律会导致不自然和不切实际的动作，例如浮动，穿透和脚滑动，尝试整合基于物理的惩罚[58，64]和碰撞[13，57，66]。增强身体受限运动的一般性对于降低对特定数据集的依赖并培养对世界的更深刻理解至关重要。在概括性之上，最终目标是从任何文本输入中产生自然和互动动作，称为实现开放词汇，从而大大增加了问题的复杂性。几项研究使用了大规模预处理的模型[11，19，37，43]进行了开放式运动运动。然而，这些模型努力产生自然动作，尤其是需要了解更广泛的环境环境或对象相互作用的交互运动[11，19，43]。这确保了每个动作的自然性和身体合理性。我们确定了对新任务和与环境的相互作用能力的运动概括性的差距，假设这是由于依赖于即兴的状态表示形式以及先前工作中手动制作的奖励机制所致。受到人类从视觉输入学习新物理技能的能力的启发，我们建议利用视觉模型（VLM）提供灵活且可赋予的状态表示和基于图像的奖励，以提供开放式播放式技能技能学习。我们介绍了Anyskill，这是一个层次结构框架，旨在使虚拟代理具有学习开放式播放式物理互动技能的能力。Anyskill将共享的低级控制器与针对每个指令量身定制的高级政策相结合，通过平静[42]，通过生成的广泛模仿学习（GAIL）来学习潜在的原子动作曲目（GAIL）。然后，对于任何开放式文本文本指令，高级控制策略会动态选择潜在的原子动作，以优化代理的呈现图像和文本指令之间的剪辑[35]相似性。此策略保持物理上的合理性，并允许代理商根据广泛的文本说明行动。通过利用剪辑相似性作为灵活而直接的奖励机制，我们的方法克服了环境局限性，从而促进了与任何物体的相互作用。尽管取得了进步，但为开放式摄影模型创建自然和互动行为仍然是一个持续的挑战。
Integrated convolution and self-attention for improving peptide toxicity prediction
动机：由于其特异性和功效，肽是治疗多种疾病的有前途的药物。然而，基于肽的药物的发展通常受到肽的潜在毒性的阻碍，这在其临床应用中构成了重大障碍。评估肽毒性的传统实验方法是耗时且昂贵的，使开发过程效率低下。因此，迫切需要专门设计的计算工具来准确，快速预测肽的毒性，从而促进鉴定候选药物用于药物开发的鉴定。结果：我们在这里提供了一种新型的计算方法Captp，该方法利用卷积和自我注意力的力量来增强氨基酸序列对肽毒性的预测。Captp表现出出色的性能，在交叉验证设置和独立的测试数据集中达到了Matthews相关系数约为0.82。这种性能超过了最新的肽毒性预测因子。重要的是，即使处理数据失衡，Captp也保持其鲁棒性和概括性。Captp的进一步分析表明，某些顺序模式，尤其是在肽的头部和中心区域，在确定其毒性方面正在引起人们的注意。这种见解可以大大为更安全的肽药物的设计提供信息和指导。
使用机器学习来检查TBI之后的自杀意念
为了解决传统方法识别自杀风险的局限性，研究普通人群中自杀行为的研究人员呼吁将重点从先验风险因素转变为基于机器学习的算法。14具有大型数据集，机器学习方法提供了几种优势，包括使用可以通过建模变量之间的复杂关联来促进临床意义和概括性的技术，以及自动学习优化预测算法的方法而不是依赖研究人员的先验假设的方法。14,15个机器学习方法在预测异质且罕见发生的结果（即自杀思想和行为）方面可能是有利的，这些结果通常与阶级失衡有关。具体来说，可以与传统的机器学习程序结合实施采样程序，包括缩写，以预测不平衡的结果。Using a combination of surveys, administrative data, and electronic health records, machine learning has shown promise in identifying short- and long-term risk for suicidal behaviors (in non-TBI populations) with greater accuracy than traditional approaches, up to several years before they occur and across a variety of settings, including the US Army, 16,17 Veterans Health Administration, 18 independent health care systems, 15,19,20 and population-wide studies.21,22
计划扩散器：具有机器人操纵扩散模型的LLM计划
摘要：体现的AI正在逐步探索大型语言模型（LLMS），以进行机器人技术的有效计划。体现AI的最新进展使LLMS能够将视觉观察和高级目标提示解析为可执行子任务。但是，这些现有方法通常完全基于环境的初始状态执行计划，从而导致生成更长的计划时的基础弱化。通过以语言的形式纳入环境反馈来结合循环的一些最新指示。与这些方法不同，我们介绍了计划扩散器，这是一种新颖的“闭环”方法，用于逐步计划，并在循环的每个步骤中进行视觉反馈伴奏。具体来说，我们的方法自动加入采用LLM来生成单步文本子目标和扩散模型，以将其转化为可视觉子目标，用于后续计划。最后，一个能够实现这些亚目标图像的目标政策将其执行。对Ravens基准套件的全面评估表明，计划扩散器超过了最先进的方法，尤其是在长期任务中。此外，我们的方法在分发场景中证明了强大的概括性 - 可轻松处理看不见的颜色，对象和增加任务复杂性。
人工智能中的“快思考”与“慢思考”
动机和总体愿景 近年来，人工智能系统取得了长足进步，带来了许多成功的应用，这些应用渗透到了我们的日常生活中。然而，我们看到的仍然是狭义人工智能的例子：这些发展通常都集中在一组非常有限的能力和目标上，例如图像解释、自然语言处理、标签分类、预测等等。此外，虽然这些成功可以归功于改进的算法和技术，但它们也与海量数据集和计算能力的可用性密切相关（Marcus 2020）。最先进的人工智能仍然缺乏许多自然包含在智能概念中的能力，例如，如果我们将这些人工智能技术与人类能够做的事情进行比较。这些能力的例子包括可概括性、鲁棒性、可解释性、因果分析、抽象、常识推理、道德推理，以及由隐性和显性知识支持的复杂而无缝的学习和推理集成。目前，人工智能社区的大多数人正在尝试解决人工智能的当前局限性，并使用各种方法创建能够显示更多类似人类特质的系统。主要争论之一是端到端神经网络方法是否可以实现这一目标？或者我们是否需要将机器学习与符号和基于逻辑的人工智能技术相结合？我们认为集成路线是最有前途的，并且
![arXiv:2010.06002v2 [cs.AI] 2020 年 12 月 15 日](/simg/0\099814195c1c883b96a2d64fc475677cebd2004d.png)
arXiv:2010.06002v2 [cs.AI] 2020 年 12 月 15 日
动机和总体愿景 近年来，人工智能系统取得了长足进步，带来了许多成功的应用，这些应用渗透到了我们的日常生活中。然而，我们看到的仍然是狭义人工智能的例子：这些发展通常都集中在一组非常有限的能力和目标上，例如图像解释、自然语言处理、标签分类、预测等等。此外，虽然这些成功可以归功于改进的算法和技术，但它们也与海量数据集和计算能力的可用性密切相关（Marcus 2020）。最先进的人工智能仍然缺乏许多自然包含在智能概念中的能力，例如，如果我们将这些人工智能技术与人类能够做的事情进行比较。这些能力的例子包括可概括性、鲁棒性、可解释性、因果分析、抽象、常识推理、道德推理，以及由隐性和显性知识支持的复杂而无缝的学习和推理集成。目前，人工智能社区的大多数人正在尝试解决人工智能的当前局限性，并使用各种方法创建能够显示更多类似人类品质的系统。主要争论之一是端到端神经网络方法是否可以实现这一目标？或者我们是否需要将机器学习与符号和基于逻辑的人工智能技术相结合？我们认为集成路线是最有前途的，