XiaoMi-AI文件搜索系统
World File Search System训练方法
利用了泥沙微生物燃料电池中生物电力产生的用过的咖啡地
摘要：这项研究检查了使用不同水性的咖啡渣的利用，该咖啡园具有不同的水性训练方法，用于从沿海底栖沉积物通过沉积物微生物燃料电池（SMFC）系统的生物电力产生。评估了SCG水性提取的不同方法，包括冲洗和干燥SCG（SMFC-CRD），浸入，冲洗和干燥（SMFC-CRID），单独干燥（SMFC-CD）和未经处理的SCG（SMFC-C）（SMFC-C）。使用预处理可显着降低SCG中的咖啡因浓度，而SMFC-Crid达到了最低浓度为0.021±0.001 mg/g。SMFC-CRD在闭路运行过程中导致了213.7 mA/m 2的最高电流密度的产生，并且在SCG中的咖啡因含量合适的咖啡因含量为0.275±0.001 mg/g，在极化测试中表现出96.9 mW/m 2的最高功率密度。这项研究可以提供一种具有成本效益的方法来重用SCG（即128 g），同时产生生物电度作为替代能源。这些结果表明，使用SCG进行预处理对于达到最佳功率密度和降低SMFC系统中的咖啡因浓度至关重要。
diffms：以质谱为条件的分子的扩散产生
质谱法在阐明未知分子的结构和随后的科学发现中起着基本作用。结构阐明任务的一种结构是给定质量谱的分子结构的有条件生成。朝着针对小分子的更有效和有效的科学发现管道，我们提出Diffms，这是一个由公式限制的编码码头生成网络，可在此任务上实现最先进的性能。编码器利用变压器档位，并模型质谱域知识，例如峰值公式和中性损耗，而解码器是一个离散的图形扩散模型，该模型受已知化学公式的重原子组成限制。为了开发一个桥梁解码器，它可以弥合潜在的嵌入和分子结构，我们用指纹结构对预处理扩散解码器，这些解码器几乎以无限的量为单位，与结构 - 光谱对相对，以数千的数量为单位。在已建立的基准上进行的广泛实验表明，DIFFMS在从头分子上构成现有模型。我们提供了几种消融，以揭示我们扩散和预训练方法的有效性，并随着预训练的数据集尺寸的增加而显示出一致的穿孔缩放。DIFFMS代码可在https：//github.com/coleygroup/diffms上公开获得。
评估高级驾驶员辅助系统和自动驾驶汽车功能的培训方法：对用户心理模型和性能的影响
摘要：了解高级驾驶员辅助系统（ADA）和自动驾驶汽车（AV）技术的复杂性对于道路安全至关重要，尤其是关于驾驶员采用的问题。有效的培训是确保这些技术的安全和合格运行的关键因素。这项研究强调了训练方法在塑造驱动因素的心理模型中的关键作用，该方法定义为个人的认知框架，以理解和与ADAS和AV系统进行互动。他们的心理模型极大地影响了他们与这些技术的互动。已经对基于文本和基于视频的培训方法进行了比较分析，以评估他们对参与者的表现的影响以及其ADA和ADA和航空功能的心理模型的发展。性能是根据参与者在驱动模拟中与ADA和AV函数相互作用的准确性和反应时间的评估。调查结果表明，基于视频的培训产生了更好的表现成果，更准确的心理模型以及对参与者中ADAS功能的更深入的了解。这些发现对于政策制定者，汽车制造商和参与驾驶员培训的教育机构至关重要。他们强调了制定量身定制的培训计划的必要性，以促进日益复杂的汽车技术的熟练和安全运行。
增强反馈和运动学习适应对人机交互因素的影响
人们对身体-机器界面的兴趣日益浓厚，因此有必要了解如何训练用户使用非传统输入。在本研究中，开发了一个由受试者激活的表面肌电图控制任务测试，作为试验台，以观察自动训练方法对绩效、工作量和信任发展的影响。48 名受试者学习使用基于表面肌电图的命令系统执行 Fitts 定律式光标到目标任务，其中包括 120 次训练试验和 40 次评估试验。受试者被分为四组：对照组、并发反馈组、终端反馈组和自适应阈值组。对照组使用光标位置的视觉反馈通过重复进行训练和学习。并发反馈组在命令输入期间收到额外的并发虚拟反馈，终端反馈组在命令输入后收到补充视觉反馈。自适应阈值组没有任何额外反馈，但经历了旨在诱导运动学习适应的光标控制变化。结果表明：I）额外的视觉反馈可提高训练期间的任务表现、工作量和信任；2）训练结束时，各组的指挥能力趋于一致。
可以改变大脑的韧性训练
在本文中，我们回顾了培养适应力和改变大脑的行为和认知策略的最新研究。我们首先介绍情绪和压力的神经科学以及大脑如何调节它们。然后，我们重点介绍构建适应力大脑的两条主要途径：（a）行为途径（可学习的行为和习惯）和（b）认知途径（可学习的认知/语言策略）。对于前者，我们回顾了可以直接调节恐惧和压力的行为，包括面对恐惧和控制压力源。我们还回顾了可以促进身体健康并因此提高适应力的行为；这些策略包括睡眠、锻炼和饮食限制。此外，我们还回顾了可以增强适应力的社交行为，例如社交联系和表达感激之情。对于后者，我们回顾了适应力的认知途径。这些包括情绪调节策略，例如言语表达情绪、情感标签和认知重评。我们还讨论了认知训练方法，包括认知偏差修正、正念训练和认知疗法。最后，我们讨论了与教练韧性相关的问题，包括期望、成长心态和自我肯定的神经基础，这三个因素可能会影响本文讨论的各种策略的学习和有效性，最后我们总结了目前对韧性和人类大脑的理解。
使用惯性传感器
摘要 - 监控运动员运动对于提高性能，减轻疲劳并减少受伤的可能性很重要。高级技术，包括计算机视觉和惯性传感器，在对运动特定运动进行分类方面已广泛探索。将自动体育行动标签与运动员监控数据相结合提供了一种有效的方法来增强工作量分析。关于对运动特定运动进行分类的最新研究表明，基于个别运动员的训练和评估方法的趋势，使模型可以捕获每个运动员特有的独特功能。这对于运动员之间技术差异很大的运动特别有益。当前的研究使用受监督的机器学习模型，包括神经网络和支持向量机（SVM），以使用从上下背包惯性测量单元（IMU）传感器中提取的功能来区分跑步表面，即田径轨道，硬砂和软砂。主成分分析（PCA）用于特征选择和降低维度，增强模型效率和解释性。我们的结果表明，与运动员无关的方法相比，运动员依赖的训练方法可大大提高分类性能，从而达到更高的加权平均精度，召回，F1得分和准确性（p <0.05）。
liDar对象检测 /作者= hegde，deepti的时空时空的自我安排； Lohit，Suhas； Peng，Ruan-Chuan；琼斯，迈克尔·J；帕特尔（Vishal M.
抽象的流行表示方法鼓励在输入上应用的转换下的特征不变性。然而，在3D感知任务中，诸如对象定位和segmen的任务中，输出自然与某些转换（例如旋转）相等。使用训练前损失函数，鼓励在某些转换下的特征等同于特征，提供了强大的自学信号，同时还保留了传输特征表示之间的几何关系信息。这可以在下游任务中改善与此类转换一样的下游任务。在本文中，我们提出了一个时空的阶段性学习框架，通过共同考虑空间和时间增强。我们的实验表明，最佳性能是通过预训练的方法产生的，该方法鼓励了对翻译，缩放和平流，旋转和场景流量。对于空间增强，我们发现，根据转换，是对比度目标或按分类目标的对比度，可以产生最佳的要求。为了利用现实世界的对象变形和运动，我们考虑了顺序的LIDAR场景对，并开发出一个基于3D场景流量的新颖的均衡性目标，从而导致整体上的性能。我们表明，在许多设置中，3D对象检测的预训练方法优于现有的模棱两可的方法。
用于脑肿瘤定位的人机交互的可解释人工智能
摘要：成人脑原发性恶性肿瘤在全球范围内都是致命的。计算机视觉，尤其是人工智能 (AI) 的最新发展，为自动表征和诊断脑肿瘤病变创造了机会。人工智能方法在不同的图像分析任务中提供了前所未有的准确性，包括区分含有肿瘤的大脑和健康的大脑。然而，人工智能模型就像一个黑匣子，隐藏了合理的解释，而合理的解释是将人工智能成像工具转化为临床常规的重要一步。可解释的人工智能方法旨在可视化训练模型的高级特征或集成到训练过程中。本研究旨在评估所选深度学习算法在定位肿瘤病变和在磁共振成像对比中区分病变与健康区域方面的表现。尽管分类和病变定位准确度之间存在显著相关性（R = 0.46，p = 0.005），但本研究中检查的已知 AI 算法根据其他不相关的特征对一些肿瘤大脑进行分类。结果表明，可解释的 AI 方法可以培养对模型可解释性的直觉，并可能在深度学习模型的性能评估中发挥重要作用。开发可解释的 AI 方法将成为改善人机交互和协助选择最佳训练方法的重要工具。
陆军部
ATZK-SBD-Z 2024 年 1 月 5 日 ISC 2024 参赛者备忘录 主题：第二十三届美国陆军国际狙击手比赛邀请函 1. 一般：作为 2024 年步兵周的一部分，美国陆军狙击手课程 (USASC) 将在佐治亚州摩尔堡 (FMGA) 举办 2024 年美国陆军国际狙击手比赛 (ISC)。该活动定于 2024 年 4 月 5 日至 11 日举行，将积极吸引来自所有军种的狙击手团队和精选的国际团队参加多日的射击课程，对他们进行体力和精神上的挑战。 2. 目的：ISC 是一项以战斗为重点的比赛，旨在测试狙击手团队在压力和疲劳下沟通和做出决策的能力，挑战精确射击能力和训练方法的舒适区，并分享有关狙击手操作、战术、技术和装备的信息和经验教训。最重要的是，今年比赛的目标是促进狙击手社区内的良性竞争、分享知识和建立友谊。3. 参与：除非获得步兵司令的批准，否则任何外国军队、联合部队、民间组织、美国陆军师或美国陆军独立旅都不得派出多支队伍参赛；最终队伍名单将由步兵司令选定。美国陆军步兵学校保留决定竞争队伍名额分配和优先权的权力。
通过语言模型通过外部和内部计划掌握棋盘游戏
虽然大型语言模型在一系列复杂的任务（例如文本生成，问答，摘要）上表现良好，但强大的多步计划和推理仍然对他们来说是一个巨大的挑战。在本文中，我们表明，基于搜索的计划可以显着提高LLM在多个棋盘游戏中的表现力量（国际棋盘，Fischer Random / Chess960，Connect Four和Hex）。我们介绍，比较和对比两种主要方法：在外部搜索中，该模型指导蒙特卡洛树搜索（MCTS）的推出和评估，而无需呼叫外部引擎，并且在内部搜索中，该模型直接生成了潜在的潜在期货的线性化树，并产生了最终选择。两者都建立在相关领域知识上预先训练的语言模型上，从而捕获这些游戏中的过渡和价值功能。我们发现，我们的预训练方法可以最大程度地减少幻觉，因为我们的模型在国家预测和法律行动方面非常准确。此外，内部和外部搜索确实改善了针对最先进的机器人的胜利率，甚至在国际象棋中达到了大师级的表现，同时按类似的举动计数搜索预算与人类大师的搜索预算相似。我们将搜索与域知识相结合的方式并非特定于棋盘游戏，这表明将直接扩展为更通用的语言模型推论和培训技术。