XiaoMi-AI文件搜索系统
World File Search System表达能力
“谁启发了谁？”人工智能艺术面前的美学
摘要：人工智能艺术无疑是当今研究最少的艺术形式之一。虽然人们经常讨论人工智能的伦理方面，但很少考虑其对美学的影响。原因可能是人工智能创作艺术的能力是最近才发展起来的。由于人工智能给我们的生活带来了许多变化，它现在变得越来越重要。在这种背景下，人工智能在过去几年突然取得进展的最令人惊讶的领域之一是人类（至今）的艺术（更广泛意义上的美学）表达能力。然而，公众仍然倾向于将人工智能艺术与更一般的数字艺术类别相混淆，而人工智能在艺术领域的真正作用却鲜为人知。人工智能艺术不仅是计算机辅助的，而且是计算机生成的。在人工智能艺术中，艺术过程至少有一部分留给了机器。艺术家给人工智能一些数据，然后等待，才能看到人工智能将如何阐述这些数据。因此，人工智能不仅仅是艺术家的工具，它还是一种不同的东西，其本质有待探索。人工智能艺术对我们看待艺术的方式，甚至对我们看待世界的方式有何启示？这将是本文的主要问题，我们将通过分析这种新型艺术的一些相关方面来解决这个问题。
发现黑盒优化的表示
黑盒优化中解决方案的编码是一种微妙的、手工平衡，既要考虑表达能力和领域知识，又要考虑探索各种解决方案和确保这些解决方案有用。我们的主要见解是，这个过程可以通过使用质量多样性算法（此处为 MAP-Elites）生成高性能解决方案的数据集，然后从该数据集中学习生成模型（此处为变分自动编码器）的表示来实现自动化。我们的第二个见解是，这种表示可用于将质量多样性优化扩展到更高维度，但前提是我们要仔细混合使用学习到的表示生成的解决方案和使用传统变分算子生成的解决方案。我们通过学习一千个关节平面臂的逆运动学的低维编码来展示这些能力。结果表明，学习到的表示使得能够以比标准 MAP-Elites 少几个数量级的评估来解决高维问题，并且一旦解决，生成的编码可用于快速优化新颖但相似的任务。所提出的技术不仅可以将质量多样性算法扩展到高维，而且表明黑盒优化编码可以自动学习，而不是手动设计。
3D模型检索算法基于注意力和多...
随着计算机视觉的快速发展，3D数据正在迅速增加。如何从大量模型中检索类似模型已成为一个热门研究主题。但是，为了满足人们的需求，需要进一步提高检索准确性。在多视图3D模型检索方面，如何有效地学习视图之间的信息是提高性能的关键。在本文中，我们提出了一种基于注意力和多视图融合的新型3D模型检索算法。具体来说，我们主要构建了两个模块。首先，动态的专注图学习模块用于学习视图块之间的内在关系；然后，我们提出了注意力网络算法，该算法结合了通道注意算法和NetVlad算法。，它根据特征通道之间的信息来学习特征通道之间的信息，以增强特征表达能力，然后使用NetVlad算法根据聚类信息将多个视图功能融合到全局特征中。本质上，全局特征是根据欧几里得距离来检索的模型的唯一功能。与使用ModelNet10和ModelNet40的其他最新方法相比，该方法证明了检索图的显着改善。我们的实验还证明了模块在算法中的有效性。
新西兰坎特伯雷水资源管理战略
◦ 目标和流程清晰度。CWMS“预先”列出了原则、目标和方法，消除了对范围、流程和要实现的目标的任何疑问。 ◦ 州长对决策流程的承诺和清晰度。坎特伯雷地区议会将重大权力委托给区域委员会，同意批准委员会的所有建议，这些建议是委员会的共识，并且是在利益相关者和社区的积极参与下制定的。 ◦ 信息和流程绝对透明，包括在向公众开放的会议上进行艰难的对话，并免费提供所有技术信息。可追溯性很重要；更广泛的社区需要能够知道某些决定是在何时、何地、为何和如何做出的。正确并明确运营规模（水文、社会和行政）至关重要。 ◦ 资源需要与利益相关者参与和责任的雄心水平相匹配。最大的支出是支持人员。协调人需要能够处理模棱两可的问题，能够跨学科思考和工作，并致力于制定解决方案，而不是改变自己的想法（即成为“知识经纪人”）。提供科学、水文、规划、生物多样性、文化和基础设施建议的技术支持人员需要能够在各个层面进行沟通，而协调人需要准备好为可能资源不足或表达能力较差的利益相关者“留出空间”。
仔细观察gan先验：利用中级特征来增强模型反转攻击
摘要。模型反转（MI）攻击旨在通过利用输出信息来重建来自发布模型的隐私敏感培训数据，从而引起了人们对深神经网络（DNNS）安全性的广泛关注。最新的生成对抗网络（GAN）的进步已大大贡献了MI攻击的性能，因为它们具有具有高忠诚度和适当语义的逼真的图像的强大能力。但是，以前的MI攻击仅在Gan Pri-Ors的潜在空间中披露了私人信息，从而限制了它们在多个目标模型和数据集中的语义提取和可传递性。为了应对这一挑战，我们提出了一种新颖的方法，可以增强饮食，增强了g势元（IF-GMI），该方法分解了GAN结构并利用了中间块之间的特征。这使我们可以将优化空间从潜在代码扩展到具有增强表达能力的中间功能。为了防止gan先验产生不切实际的图像，我们将L 1球约束应用于优化过程。对多个基准测试的实验表明，我们的方法在各种设置下，尤其是在分布外（OOD）方案下显着执行先前的方法并实现最新结果。我们的代码可用：https：//github.com/final-solution/if-gmi
基于改进的yolov8
Methods: This paper aims at the problem of target detection of Yunnan Xiaomila under complex background environment, in order to reduce the impact caused by the small color gradient changes between xiaomila and background and the unclear feature information, an improved PAE-YOLO model is proposed, which combines the EMA attention mechanism and DCNv3 deformable convolution is integrated into the YOLOv8 model, which improves the model ' s feature extraction capability and小米在复杂环境中的推理速度，并实现了轻巧的模型。首先，EMA注意机制与Yolov8网络中的C2F模块结合使用。C2F模块可以很好地从输入图像中提取本地特征，而EMA注意机制可以控制全局关系。两者相互补充，从而增强了模型的表达能力；同时，在骨干网络和头网络中，引入了DCNV3卷积模块，该模块可以根据输入特征映射自适应地调整采样位置，从而有助于针对不同尺度和轻量级网络的目标目标更强的功能捕获功能。它还使用深度摄像头来估计小米的姿势，同时分析和优化不同的遮挡情况。通过消融实验，模型比较实验和态度估计实验验证了所提出的方法的有效性。
社会工作虚拟野猫会议
2024 年 10 月 21 日星期一 8:15 am 来自堪萨斯州立大学萨利纳分校的欢迎词 8:30 am 由内而外：ADHD 的情感现实 由 Timothy Dearhamer 介绍 您如何理解和解释 ADHD 的经历？DSM 5 诊断标准提供了两个类别（注意力不集中和多动），有九个不完整的句子。没有家长希望在老师对孩子的报告上看到这九个不完整的句子中的任何一个。这九种都是消极的、打击自尊的、教人烦人的、让家长失望的描述学生的方式。患有 ADHD 的学生长大后会成为成年人，挣扎于焦虑和抑郁的症状，对情绪调节感到沮丧，对工作和亲密伴侣的关系感到困惑，并认为自己永远不会真正成为成年人。了解 ADHD 患者的情感和关系经历和挑战是解决行为挑战和成功治疗各个年龄段 ADHD 的障碍的关键。 10:15 上午休息 10:30 上午解读创伤：通过脑科学赋予看护者权力 由 Diane Victory 介绍 本次研讨会将探讨创伤、从两个不同的理论角度探讨创伤的影响、一个适合家庭的大脑模型、一些关于如何向所有年龄段的人解释脑科学的指导，以及两种干预措施，帮助看护者或与他人互动的任何人开始与创伤大脑建立联系。本次研讨会的重点是帮助参与者开始找到在与客户和看护者合作时利用隐喻、幽默和游戏作为心理教育渠道的方法。 12:15 下午午餐 1:15 下午不确定性的带宽税：我们如何恢复？由 Cia Verschelden 介绍 持续的经济不安全感、童年创伤以及基于种族、族裔、国籍、性取向或性别认同和其他差异方面对边缘群体的歧视和敌视，以及过去几年与疫情、社会动荡、战争与暴力以及政治分裂相关的不确定性水平，削弱了许多学生（以及家长、教师、社会工作者、学校领导）可用的认知资源 - 带宽。我们可以帮助创造环境，让我们所有人都能恢复学习和成长所需的带宽。下午 3:00 休息下午 3:15 增强表达：通过艺术和游戏支持学生由 Rachel Phelps 介绍 在本次研讨会结束时，参与者将掌握创新工具和技术，以在学校等多样化环境中培养创造力和表达能力。增强表达能力是为在学校和社区环境中与青少年一起工作的专业人士设计的，旨在提高他们在创造性表达干预方面的技能，这些技能可直接应用于实践。参与者将在虚拟会议期间进行实践。他们将学习在支持学生压力、与家庭和教育工作者建立合作关系以及处理自杀症状时，有效地将游戏、艺术和技术策略融入他们的方法中。下午 5:00 休会
神经加法模型：利用神经网络进行可解释的机器学习
深度神经网络 (DNN) 是功能强大的黑盒预测器，在各种任务上都取得了令人印象深刻的表现。然而，它们的准确性是以牺牲可理解性为代价的：通常不清楚它们如何做出决策。这阻碍了它们在医疗保健等高风险决策领域的适用性。我们提出了神经加性模型 (NAM)，它将 DNN 的一些表达能力与广义加性模型固有的可理解性相结合。NAM 学习神经网络的线性组合，每个神经网络都关注一个输入特征。这些网络是联合训练的，可以学习输入特征和输出之间任意复杂的关系。我们在回归和分类数据集上的实验表明，NAM 比广泛使用的可理解模型（如逻辑回归和浅层决策树）更准确。它们在准确性方面的表现与现有的最先进的广义加性模型相似，但更灵活，因为它们基于神经网络而不是增强树。为了证明这一点，我们展示了如何利用 NAM 对合成数据和 COMPAS 累犯数据进行多任务学习（由于其可组合性），并证明了 NAM 的可微分性使它们能够为 COVID-19 训练更复杂的可解释模型。源代码可在 neuro-additive-models.github.io 上找到。
量子计算机上的对称加密
经典对称加密算法使用共享密钥的 N 位，以信息理论上安全的方式通过单向信道传输消息的 N 位。本文提出了一种混合量子-经典对称密码系统，该系统使用量子计算机生成密钥。该算法利用量子电路使用一次性密码本类型的技术加密消息，同时需要更短的经典密钥。我们表明，对于 N 量子比特电路，指定量子电路所需的最大位数以 N 3 / 2 增长，而量子电路可以编码的最大位数以 N 2 增长。我们没有充分利用量子电路的全部表达能力，因为我们只关注二阶泡利期望值。使用更高阶的泡利期望值可以编码指数数量的位数。此外，使用参数化量子电路 (PQC)，我们可以通过引入对某些 PQC 参数的密钥依赖性来进一步增加安全共享信息的数量。该算法可能适用于早期容错量子计算机实现，因为可以容忍一定程度的噪声。模拟结果与 84 量子比特 Rigetti Ankaa-2 量子计算机上的实验结果一起呈现。
使用神经网络的定量验证 - 滴
我们提出了一种数据驱动的方法，用于概率程序和随机动力学模型的定量验证。我们的方法利用神经网络计算紧密和声音的边界，以使随机过程在有限的时间内达到目标状况的可能性。此问题涵盖了各种定量验证问题，从离散时间随机动力学模型的可及性和安全性分析到对概率计划的断言和末端分析的研究。我们依靠神经网络代表产生这种概率界限的超级智能证书，我们使用反例引导的电感综合循环对其进行计算：我们在使用随机优化的状态限制的概率上训练神经证书，然后使用随机优化的状态进行拧紧的概率，然后我们正式使用所有可能的状态，使用所有可能的状态使用满足性模量，以实现证书的有效性；如果我们收到反例，我们将其添加到我们的样本集中，然后重复循环，直到确认有效性。我们在各种基准基准上证明，由于神经网络的表达能力，我们的方法比现有的符号方法在所有情况下都产生的概率范围更小或可比，并且我们的方法在模型上完全取得了成功，这些模型完全超出了此类替代技术的范围。