XiaoMi-AI文件搜索系统
World File Search System训练的
计时器：生成预训练的变压器是大时间序列模型
深度学习为时间序列分析的进步做出了显着贡献。仍然，深层模型可以在现实世界中数据筛选场景中遇到性能瓶颈，由于当前基准上的小型模型的性能饱和，可以隐藏它们。同时，大型模型通过大规模的预训练在这些情况下表现出了很大的力量。通过大型语言模型的出现，已经取得了持续的进步，这些模型表现出了前所未有的能力，例如少数通用，ization，可伸缩性和任务通用性，但是在小型深层模型中不存在。为了更改从头开始的训练方案特定小型模型的现状，本文旨在早期开发大型时间序列模型（LTSM）。在预训练期间，我们策划了最高10亿个时间点的大规模数据集，将杂项时间序列统一为单序列序列（S3）格式，并开发GPT型体系结构to-Ward ltsms。为了满足各种应用需求，我们将预测，归档和时间序列的异常检测转换为统一的生成任务。这项研究的结果是一个时间的变压器（计时器），它是由下一个令牌预测预测的生成性培训，并适用于具有有希望的Capabil-Ities作为LTSM的各种下游任务。代码和数据集可在以下网址提供：https：//github.com/thuml/large time-series-模型。
受过训练的免疫力在败血症中的作用
败血症被定义为威胁生命的器官功能障碍综合征，原因是宿主对感染的失调反应引起的，其特征是系统性炎症对感染的反应。使用抗生素，流体复苏和器官支持疗法对败血症患者的预后有限，其发病率并没有降低，这引起了医学上更多的关注。败血症仍然是最衰弱和昂贵的疾病之一。现在认为，败血症死亡率的主要原因之一是破坏免疫稳态。免疫疗法正在彻底改变对疾病的治疗，其中失调的免疫反应起着重要作用。这种“受过训练的免疫力”是针对感染的有力防御，无论细菌，真菌或病毒的类型如何，都归因于以下发现，即先天免疫细胞通过代谢和表观遗传重编程具有免疫记忆。在这里，我们审查了败血症中先天免疫细胞的免疫疗法，受过训练的免疫力以及受过训练的免疫和败血症之间的关系。
受过训练的免疫力，耐受性，启动和分化
Maziar Divvangahi 1，Peter Aaby 2，Shabaana Abdul Khader 3，Luis B. B. Barreiro 4，Syroon Bekkeing 5，Triante-Havakis 6，Reinout van Crevel van Crevel van Crevel dominguez andres 7 L. Jeffrey 16，B. Joosten 7:17，Eick Latz 18，Robert 26，Robert 26，Edward R. Sherwood 27，Edward R. Sherwood 27 Michael H. Sieweke 31：32.33，Christine Stabell Penn 34.35，Henk Stunenberg 36，Joseph Sun 37.38，37.38 42.43.44，Mihai G. Netea 7.17.45，✉
对视力语言预训练的正确分类
我们介绍了超类，这是一种超级简单的分类方法，用于对图像文本数据进行视觉预训练。与与文本编码器对比的对比度剪辑[57]不同，SuperClass直接利用令牌化的原始文本作为监督分类标签，而无需其他文本过滤或选择。由于没有文本编码为对比目标，超级类不需要文本编码器，也不需要像夹子[57]那样保持较大的批量大小。超类在各种下游任务上表现出卓越的性能，包括经典的计算机视觉基准和下游任务的视觉语言。我们进一步探索了超类对模型大小，训练长度或数据大小的缩放行为，并报告了令人鼓舞的结果和剪辑比较。
对预训练的机器学习模型四castnet-v2
机器学习技术越来越多地被认为是可行的天气和气候预测工具，因为它们相对于传统的数值天气预测模型，其效率和竞争性能。这项研究评估了使用视觉变压器（VIT）结构和球形谐波神经操作员的机器学习模型的有效性，该模型旨在建模球形表面上的非线性混沌和动力学系统。四castnet-v2中使用的球形傅立叶神经操作员（SFNO）不仅保留了傅立叶神经操作员（FNOS）在模拟时空数据中的长距离依赖性方面的优势，而且还解决了球形坐标中学习操作员的限制。
使用人工智能进行训练的机遇和缺点
如果没有人工智能和人工智能培训专家的投入，这份报告是不可能完成的，其中包括人工智能培训工具的开发者、雇主、工会、学者、官员和教育机构。非常感谢圆桌会议、小组讨论和后续访谈的参与者付出的时间和宝贵见解：David Barnes（IBM 公司）、Tibor Borbely-Pecze（匈牙利教育和技术部）、Anna Byhovskaya（经合组织工会咨询委员会）、Justine Cassell（巴黎人工智能研究所）、Giovana Chimantão Punhagui（Sistema Fiep）、Florian Dautil（Bayes Impact）、Arthur Fioravente Chiba（SkillLab）、Marie Christine Fregin（教育和劳动力市场研究中心）、Frank Gaiser（荷兰国防部）、Soon Joo Gog（SkillsFuture 新加坡）、Stephan Heuke（德国联邦就业局）、Martina Hofmann（德国联邦就业局）、Rita Kirkliauskinė（立陶宛就业服务局）、Rose Luckin（伦敦大学学院）、Tim Majchrzak（阿格德大学）、Sophie Thompson（VirtualSpeech）， Armand Vincentie（荷兰国防部）和 Tamsin Vine（索迪斯）。
商业失速恢复训练的运动提示...
从 2019 年开始，航空公司飞行员将被要求在飞行模拟器中进行完全失速恢复训练。从历史上看，训练模拟器不需要在其正常飞行包线之外的条件下提供训练。通常需要实施失速后飞机模型来模拟失速点后的飞机响应。此外，运动提示需要充分代表这种响应，以确保在模拟器训练中学习的技能可直接用于实际飞行。本文概述了 NASA 艾姆斯研究中心进行的六个模拟器实验，旨在开发商业运输模拟器失速恢复训练的运动提示策略。其中一项实验验证了 D 级认证全飞行模拟器上失速恢复训练的增强运动提示策略。这项研究表明，增强的运动会导致失速机动中的最大滚转角降低、恢复中的最小载荷系数降低、失速恢复中的二次摇杆数量减少以及恢复中的最大空速降低。这些结果表明，对传统商业运输模拟器的运动逻辑进行相对较小的改进可以显著提高飞行员在模拟失速恢复中的表现，并可能改善失速恢复训练。
经过训练的人工智能模型的特殊权利 A 论文
关于机器创作的作品是否受版权保护，美国专利商标局和世界各地的其他知识产权局都提供了指导方针，即只有人类创作的作品才能受到版权保护。8 根据美国版权局实践汇编“版权法只保护人类创作的原创作品。通过纯机械过程或自动选择和安排制作的作品不符合版权保护条件。美国版权局将拒绝对通过机器操作或过程创建的作品进行注册，即使该设计是随机生成的。” 9 在最近的联邦版权案件（称为猴子自拍纠纷）中，第九巡回上诉法院裁定动物没有版权。10 此外，由于版权保护的是思想的表达，而不是思想本身，因此，用于训练人工智能模型的人工智能模型的底层软件代码和训练数据集，可能会受到版权法的文学表达保护。11 然而，版权保护不太可能适用于人工智能模型的功能
飞行员训练的虚拟现实：心脏活动研究
摘要：飞行训练通过真实飞机的真实飞行和使用模拟器的虚拟飞行进行。如今，出现了第三种替代方法，即使用沉浸式虚拟现实 (VR) 驾驶舱。但是，这项技术作为飞行员训练工具的有效性尚未得到充分评估。因此，我们进行了一项实验，涉及四名飞行员，他们必须在 VR 模拟器和真实飞行条件下执行相同的交通模式场景（起飞、顺风和着陆）。我们收集了主观（感知任务难度）和客观数据（轨迹、心脏活动）。在这项初步研究中，第一个描述性结果显示飞行员在两种条件下都有相似的飞行轨迹。正如人们所预料的那样，与 VR 相比，飞行员在真实飞行条件下报告的任务难度更高，心率更高，心率变异性更低。然而，在两种条件下，在场景的不同部分（着陆 > 起飞 > 顺风）中发现了类似的主观评价和心脏激活模式。后者的发现表明 VR 为训练目的提供了光明的前景，但必须按照提出的方法进行更多的实验。
将预训练的视觉模型适应相机原始图像
摘要。SRGB图像现在是计算机视觉研究中预训练视觉模型的主要选择，这是由于它们的易用性和效果存储。同时，原始图像的优点在于它们在可变的现实世界中的较丰富的物理信息。对于基于相机原始数据的计算机视觉任务，大多数现有研究采用了将图像信号处理器（ISP）与后端网络集成的方法，但经常忽略ISP阶段和后续网络之间的相互作用功能。从NLP和CV区域中正在进行的适配器研究中汲取灵感，我们介绍了Raw-Adapter，这是一种旨在将SRGB预先训练的模型调整为相机原始数据的新颖方法。RAW-ADAPTER包括输入级适配器，这些适配器采用可学习的ISP阶段来进行AD-RAW输入，以及模型级别的适配器，以在ISP阶段和随后的高级网络之间建立连接。此外，Raw-Adapter是一个可以在各种Compoter Vision Frameworks中使用的通用框架。在不同的照明条件下进行了丰富的实验，已经显示了我们算法的最先进（SOTA）绩效，证明了其在一系列现实世界和合成数据集中的有效性和效率。代码可在此URL上找到。