XiaoMi-AI文件搜索系统
World File Search System解码
机器学习用于神经解码
Lee E. Miller 2-4 和 Konrad P. Kording 2-7 1. 美国伊利诺伊州芝加哥西北大学跨系神经科学项目 2. 美国伊利诺伊州芝加哥西北大学物理医学与康复系和 Shirley Ryan 能力实验室 3. 美国伊利诺伊州芝加哥西北大学生理学系 4. 美国伊利诺伊州芝加哥西北大学生物医学工程系 5. 美国伊利诺伊州芝加哥西北大学应用数学系 6. 美国伊利诺伊州费城宾夕法尼亚大学生物工程系 7. 美国伊利诺伊州费城宾夕法尼亚大学神经科学系 8. 美国纽约州纽约哥伦比亚大学统计学系 9. 美国纽约州纽约哥伦比亚大学 Zuckerman 心智脑行为研究所 * 联系方式：joshglaser88@gmail.com
解码-TFGBV-报告-2024.pdf
全球约有 7.36 亿女性（几乎占女性总数的三分之一）经历过身体和/或性伴侣暴力、非伴侣暴力，或两者兼而有之——数字技术往往是虐待的重要组成部分。3 在乌干达，49% 的女性表示曾遭遇过网络骚扰。4 《经济学人》智库报告称，全球 38% 的女性表示亲身经历过网络暴力，85% 的女性目睹过针对其他女性的数字暴力。5 国际计划在 32 个国家开展的一项研究发现，58% 的青春期女孩曾在社交媒体平台上遭受过骚扰。6 我们的研究表明，人们对技术的滥用导致性别暴力的发生率上升——技术的滥用既加剧了长期存在的性别不平等，又加剧了这种不平等。科技和网络平台越来越多地被用作压迫女性（以及其他弱势群体，如 LGBTQI+ 人群）的武器，成为渗透到工作场所、学校和家庭的全天候侵入性文化的一部分。
人脑中的解码面部识别能力
坚强地识别面孔的能力对于我们作为社会生物的成功至关重要。然而，我们仍然对允许某些人在面部识别方面表现出色的大脑机制知之甚少。这项研究建立在一个相当大的神经数据集的基础上，该数据集测量了具有非凡的面部识别能力的人的大脑活动（super-coppenters），以应对这一挑战。使用最先进的计算方法，我们从仅仅一秒钟的大脑活动中就显示出对单个个体中面部识别能力的强大预测，并揭示了支持个人识别能力中个体差异的特定大脑计算。这样做，我们提供了直接的经验证据，证明了人类大脑中语义计算与面部识别能力之间的关联，这是突出的面部识别模型的关键组成部分。
人脑中的解码面部识别能力
为什么有些人更好地识别面孔？发现支持面部识别能力的神经机制已被证明难以捉摸。为了应对这一挑战，我们使用了一种多模式数据驱动的方法，该方法结合了神经影像，计算建模和行为测试。我们记录了具有非凡的面部识别能力的个体的高密度脑电图脑活动 - 超级识别器 - 以及典型的识别剂，以应对各种视觉刺激。使用多元模式分析，我们从1 s的大脑活动中解码了面部识别能力，精度最高为80％。为了更好地理解该解码的机制，我们将参与者的大脑中的表示形式与人工神经网络模型的视觉和语义模型以及参与人类形状和含义相似性的判断的人进行了比较。与典型的识别者相比，我们发现超级识别器的早期大脑表示与视觉模型的中级表示以及形状相似性判断之间的相关性更强。此外，我们发现超级识别器的晚期大脑表示与人工语义模型的表示之间以及含义相似性判断之间的更强关联。总体而言，这些结果表明，大脑处理中的重要个体变化，包括神经计算扩展到纯粹的视觉过程，支持面部识别能力的差异。他们为语义计算与面部识别能力之间的关联提供了第一个经验证据。我们认为，这种多模式数据驱动的方法可能会在进一步揭示人脑中特质识别的复杂性方面发挥关键作用。
代码，解码，recode：通过制作
摘要：在手工艺实践中，通过制作和应用技术规则的实践经验来构建体现知识（“编码”），随后通过反思和分析解构（“解码”），然后重建（“重新编码”）进一步发展实践和成果。在本文实践领导的博士学位研究中，用于开发综合编织服装，以证明过程和对象分析在创造性实践的发展以及从手到数字生产的成功过渡中所发挥的至关重要的作用。在手工编织和计算机使用之间绘制相似之处，它探讨了编织中固有的“数字思维”如何促进与数字编织技术的富有成效关系。作为“视觉论文”提出，本文旨在利用一种主要的视觉方法来弥合隐式和显式知识之间的差距，以最大限度地提高研究的范围，以平等的清晰度传达隐式和明确的知识，并为实践领导的研究传播替代方法。
迈向体内神经解码
摘要 传统的脉冲分类和运动意图解码算法大多在外部计算设备（如个人计算机）上实现。高分辨率和高密度电极的创新记录了单个神经元级别的大脑活动，可能完全消除脉冲分类的需要，同时可能实现体内神经解码。本文探讨了有无脉冲分类的体内解码的可行性和有效实现。介绍了基于神经网络的可靠运动解码模型的效率，并评估了候选神经解码方案对已排序的单单元活动和未分类的多单元活动的性能。据我们所知，首次设计和实现了具有自定义指令集架构的可编程处理器，用于在标准 180 纳米 CMOS 工艺中执行神经网络操作。处理器的布局估计占用 49 平方毫米的硅面积，并从 1.8 V 电源耗散 12 毫瓦的功率，这在脑的组织安全操作范围内。
多尺度神经解码与分析
1 德克萨斯大学奥斯汀分校，生物医学工程，美国德克萨斯州奥斯汀 2 德克萨斯大学奥斯汀分校，心理学，美国德克萨斯州奥斯汀 3 莱斯大学，电气与计算机工程，美国德克萨斯州休斯顿 4 德克萨斯大学奥斯汀分校，机械工程，美国德克萨斯州奥斯汀 5 苏黎世大学，神经经济学和社会神经科学，瑞士苏黎世 6 德克萨斯大学奥斯汀分校，神经病学，美国德克萨斯州奥斯汀 7 华盛顿大学，电气与计算机工程，美国华盛顿州西雅图 8 华盛顿大学，生物工程，美国华盛顿州西雅图 9 德克萨斯大学奥斯汀分校，神经科学研究所，美国德克萨斯州奥斯汀 10 华盛顿国家灵长类动物研究中心，美国华盛顿州西雅图 * 任何通讯均应寄给作者。