XiaoMi-AI文件搜索系统
World File Search System离线
统计和序列学习可以让孩子在一年离线期后获得持久记忆
环境模式的提取是人类整个生命周期学习的基础，不仅在认知技能中发挥着至关重要的作用，而且在感知、运动和社交技能中也发挥着至关重要的作用。至少有两种类型的规律有助于获得技能：（1）统计、基于概率的规律，以及（2）基于序列顺序的规律。基于概率和/或基于序列顺序的规律在短时间内（从几分钟到几周）的记忆表现已在整个生命周期中得到广泛研究。然而，这种知识的长期（数月或一年）记忆表现受到的关注相对较少，而且尚未在儿童中进行评估。在这里，我们旨在测试 9 至 15 岁之间的神经典型儿童在 1 年离线期间对基于概率和基于序列顺序的规律的长期记忆表现。参与者执行了视觉运动四选一反应时间任务，旨在同时测量基于概率和基于序列顺序的规律的习得。通过在 5 小时延迟后重新测试其表现来控制短期巩固效应。一年后，他们又在同一任务上接受了重新测试，两次测试之间没有任何练习。参与者成功地掌握了基于概率和基于序列顺序的规律，并在一年的时间里保留了这两种类型的知识。成功的保留与年龄无关。我们的研究表明，基于概率和基于序列顺序的规律的表征在很长一段时间内保持稳定。这些发现为技能巩固的发展不变性模型提供了间接证据。
灵长类动物的离线经颅超声刺激引起的早期神经塑性
在低强度TU的快速增长的领域中，使用“离线”经颅超声刺激（TUS）方案特别感兴趣。离线TU可以在刺激后长达几个小时调节神经活动，这表明诱导早期神经塑性。对人类和非人类灵长类动物的研究都显示了神经调节靶标和与之相关的区域的分布式网络的空间特定变化。这些变化表明兴奋性或抑制作用是所用方案与基础大脑区域和状态之间复杂相互作用的结果。了解如何通过离线诱导早期神经塑性，可以为在广泛的脑部疾病中影响晚期神经塑性和治疗应用开放途径。
1型糖尿病患者的更安全血糖控制的离线增强学习
摘要在这项工作中，我们在t = 2 k的温度下实验研究了电应力对P型硅MOSFET中单孔传输性能的可调性的影响。这是通过从三个基于疾病的量子量表中的频道 - 氧化物界面上的三个基于疾病的量子点监测的库仑块来实现的，这些氧化通道界面缺乏可调性，这些点缺乏可调节性，因为这些点缺乏其稳定性。我们的发现表明，当在-4 V和-4.6 V之间施加栅极偏置时，附近的电荷捕获会增强库仑阻滞，从而导致更强的量子点限制，在执行热周期后，可以将其逆转为初始设备状况。重新施加应力产生了可预测的响应量子点充电特性的可再现变化，并且观察到一致的充电能量增加到≈50％。我们达到了-4.6 V的门偏置上方的阈值，由于设备降解作为大规模陷阱的产物，因此性能和稳定性降低。结果不仅将压力作为一种有效的技术来增强和重置充电性能，而且还提供了有关如何利用标准工业硅设备用于单一电荷运输应用的洞察力。
并网微电网储能系统的强化学习：在线与离线实施对比研究
摘要：由可再生能源、电池存储和负载组成的并网微电网需要适当的能源管理系统来控制电池的运行。传统上，使用离线优化技术，利用 24 小时的负载需求和可再生能源 (RES) 发电预测数据来优化电池的运行，其中电池操作（充电/放电/空闲）是在一天开始之前确定的。强化学习 (RL) 最近被建议作为这些传统技术的替代方案，因为它能够使用真实数据在线学习最佳策略。文献中提出了两种 RL 方法，即离线和在线。在离线 RL 中，代理使用预测的发电和负载数据学习最佳策略。一旦实现收敛，就会实时发送电池命令。这种方法类似于传统方法，因为它依赖于预测数据。另一方面，在在线 RL 中，代理通过使用真实数据实时与系统交互来学习最佳策略。本文研究了这两种方法的有效性。将具有不同标准差的高斯白噪声添加到真实数据中以创建合成预测数据来验证该方法。在第一种方法中，离线 RL 算法使用预测数据。在第二种方法中，在线 RL 算法与真实流数据实时交互，并使用真实数据训练代理。当比较这两种方法的能量成本时，发现如果真实数据和预测数据之间的差异大于 1.6%，则在线 RL 比离线方法提供更好的结果。
Mamba 作为决策者：探索离线强化学习中的多尺度序列建模
摘要 — 顺序建模在离线强化学习 (RL) 中表现出色，其中决策转换器 (DT) 是最显著的代表之一，取得了显著的成功。然而，RL 轨迹具有与传统序列（例如文本或音频）不同的独特属性：（1）局部相关性，其中 RL 中的下一个状态在理论上仅由基于马尔可夫决策过程 (MDP) 的当前状态和动作决定，以及 (2) 全局相关性，其中由于轨迹的时间连续性，每个步骤的特征都与长期历史信息相关。在本文中，我们提出了一种新颖的动作序列预测器，名为 Mamba Decision Maker (MambaDM)，其中 Mamba 有望成为序列建模范式的有前途的替代方案，因为它可以有效地建模多尺度依赖关系。特别是，我们介绍了一种新颖的混合器模块，它可以熟练地提取和集成输入序列的全局和局部特征，从而有效地捕捉 RL 数据集中的相互关系。大量实验表明，MambaDM 在 Atari 和 OpenAI Gym 数据集上实现了最佳性能。此外，我们通过实证研究了 MambaDM 的扩展规律，发现增加模型大小不会带来性能提升，但将 MambaDM 的数据集大小扩大 2 倍可以在 Atari 数据集上获得高达 33.7% 的得分提升。本文深入探讨了 MambaDM 在 RL 领域的序列建模能力，为未来在稳健高效的决策系统方面的进步铺平了道路。
1型糖尿病患者的更安全血糖控制的离线增强学习
广泛采用有效的混合闭合环系统将为患有1型糖尿病（T1D）的人提供重要的护理里程碑。这些设备通常利用简单的控制算法选择最佳的胰岛素剂量，以将血糖水平保持在健康范围内。在线增强学习（RL）已被用作进一步增强这些设备中葡萄糖控制的方法。与经典的对照算法相比，先前的方法已被证明可以降低患者的风险和降低焦油范围的时间，但在学习过程中容易出现不稳定性，通常会导致选择不安全的动作。这项工作介绍了对o ffl iNe rl的评估，用于制定施用剂量政策，而无需在训练过程中进行潜在危险的患者互动。本文研究了BCQ，CQL和TD3-BC在管理FDA批准的UVA/Padova葡萄糖动力学模拟器中可用的30名虚拟患者的血糖中的实用性。接受在线RL以实现稳定性能所需的总培训样本的十分之一的培训时，这项工作表明，在健康的血糖范围内，OfflIne rl可以显着增加61个。6±0。3％至65。3±0。与最先进的基线相比5％（p <0。 001）。 这是在低血糖事件中没有任何相关增加的情况下实现的。 o rl也证明能够纠正与最先进的基线相比5％（p <0。001）。这是在低血糖事件中没有任何相关增加的情况下实现的。o rl也证明能够纠正
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
2024 年路线图主题
为了简化离线交易的管理和数据完整性，SYSPRO 销售点已得到增强，可提供离线交易验证。此功能允许管理员查看 SYSPRO 销售点在线和离线分支机构之间的数据，并帮助他们解决未成功过账的交易的任何冲突。离线未复制交易审查屏幕将同时提供离线和在线功能。离线查看时，它将显示未复制的交易，并为用户提供重置这些交易的复制状态的选项。
Oracle零停机时间迁移 - 逻辑离线迁移到Oracle Database上的ADB-S@Google Cloud
zdmhost.zdm: Audit ID: 185 Job ID: 1 User: zdmuser Client: zdmhost Job Type: "EVAL" Scheduled job command: "zdmcli migrate database -rsp /home/zdmuser/logical_offline_adb/logical_offline_adb.rsp - sourcenode onphost -sourcesid oradb -srcauth ZDMAUTH -SRCARG1用户：Onpuser -Srcarg2 Identity_file：/home/ZDMUSER/.ssh/ID_RSA -SRCARG3 sudo_location：/usr/usr/bin/bin/bin/sudo -eval“计划工作执行时间开始：等效的本地时间：2024-10-18 11:00:52当前状态：成功结果文件路径：“/home/zdmuser/zdm/zdm/zdmbase/chkbase/chkbase/scheduled/scheduled/job-1-1-2024-10-10-18-18-11:01:01:21.log”计量路径： "/home/zdmuser/zdm/zdmbase/chkbase/scheduled/job-1-2024-10-18-11:01:21.json" Excluded objects file path: "/home/zdmuser/zdm/zdmbase/chkbase/scheduled/job-1-filtered-objects-2024-10-18T11: 05：34.879。
B.Sc的日期表V学期考试，... 离线2024年12月 M. Tech-CSE - （人工智能与机器学习）
注释：1关于获取问题纸，在回答问题之前，候选人必须检查并确保已提供正确的问题纸。如果问题纸是不正确的，则应将其带给监护人的通知。在这方面的投诉不应接受考试。