XiaoMi-AI文件搜索系统
World File Search System负面
增强具有生成负面挖掘的视觉语言模型的多模式组成推理
当代的大规模视觉语言模型（VLM）具有强大的表示能力，使它们无处不在，可以增强图像和文本理解任务。他们经常以对比的方式受到大量图像和相应的文本字幕的对比方式进行训练。尽管如此，VLMS经常在构图推理任务上挣扎，这些任务对对象及其属性的复杂相互作用进行了精细的了解。此失败可以归因于两个主要因素：1）对比的方法传统上专注于从现有数据集中开采负面示例。但是，该模型可能不难区分阳性检查。替代采矿的替代方法是负样本2），但现有的生成方法主要集中于生成与给定图像相关的硬性负面文本。在另一个方向上进行挖掘，即生成与给定文本相关的负面图像样本已被忽略。为了克服这两种限制，我们提出了一个框架，不仅在两个方向上矿山，而且在这两种方式（即图像和文本）中产生了有挑战性的负面样本。利用这些生成硬性负样本，我们在涉及多模式综合推理的任务中显着提高了VLMS的性能。我们的代码和数据集在https://ugorsahin.github.io/enhancing-- vlm.html上发布。
评级动作：穆迪的评分将泰晤士河水的CFR降低到BA2，Outlook负面
在2023/24财年的结果中，泰晤士河泰晤士河重申，其目前的流动性地位截至2024年（GBPP13亿美元的现金和现金等效因素，以及12亿英镑的未划分金额，可在承诺的信贷额度下可用的信贷额度，再加上55万美元的投资债务服务和工作额外的投资，直到将继续提供了20万美元的投资。我们认为，通过节省成本或较低的投资可以将流动性跑道扩展到第三季度，但该公司将需要继续其投资计划，以确保成功地交付其当前时期的监管要求，并实现其雄心勃勃的周转计划。在没有任何新的股权供款之前，在AMP8最终决定之前，公司只能通过提高额外债务或其他责任管理来补充其近期流动性。但是，Thames Water还预测了其触发事件财务比率的违反，这将需要债权人同意。但是，Thames Water还预测了其触发事件财务比率的违反，这将需要债权人同意。
定格频段负面延迟微波无源电路的原始应用在两步楼梯相位的设计
aq：1 =请确认或为本文研究添加任何资金或财务支持的详细信息。aq：2 =请为您的资助代理提供首字母缩写的扩展。提供正确的确认将确保对资助者有适当的信誉。aq：3 =如果您还没有这样做，请确保您已为论文提交了图形摘要。GA应该是您所接受的文章中的当前图像或图像。GA将显示在您的文章摘要页面上的IEEE Xplore上。请从纸张中选择当前的图，并尽早提供标题，以便为图形摘要提供标题。请注意，字幕不能超过1800个字符（包括空格）。如果您提交了视频作为图形摘要，请确保有一个覆盖图像和标题。覆盖图像通常是最能代表视频的视频的屏幕截图。这是针对可能无法访问视频观看软件的读者。请参阅下面的链接中的一个示例：http：//ieeeeacess.ieee.org/submitting-an-article/ aq：4 =请提供参考日期。[18]。aq：5 =请提供第并发行编号。或一个月参考。[38]。aq：6 =请为作者Glauco Fontgalland和Fayu Wan提供更好/更高质量的图像。aq：7 =当作者Mathieu Guerin获得博士学位时，请提供完成年份。程度。
Sandhya Saisubramanian、Shannon C. Roberts 和 Shlomo Zilberstein。2021 年。了解用户对负面态度
[1] Dario Amodei、Chris Olah、Jacob Steinhardt、Paul Christiano、John Schulman 和 Dan Mané。2016 年。《人工智能安全中的具体问题》。CoRR abs/1606.06565 (2016)。[2] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法有错误后会错误地避开它们》。《实验心理学杂志：综合》144, 1 (2015)，114。[3] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2018 年。《克服算法厌恶：如果人们可以（即使稍微）修改算法，他们也会使用不完美的算法》。《管理科学》64, 3 (2018)，1155–1170。 [4] Julie S. Downs、Mandy B. Holbrook、Steve Sheng 和 Lorrie Faith Cranor。2010 年。您的参与者是否在玩弄系统？筛查 Mechanical Turk 工人。在 SIGCHI 计算机系统人为因素会议论文集上。2399–2402。[5] Jodi Forlizzi 和 Carl DiSalvo。2006 年。家庭环境中的服务机器人：对家用 Roomba 吸尘器的研究。在第一届 ACM SIGCHI/SIGART 人机交互会议论文集上。[6] Dylan Hadfield-Menell、Smitha Milli、Pieter Abbeel、Stuart J. Russell 和 Anca Dragan。2017 年。逆向奖励设计。在神经信息处理系统的发展中。[7] Bill Hibbard。2012 年。避免意外的 AI 行为。在国际通用人工智能会议上。Springer，107–116。[8] Lynn M. Hulse、Hui Xie 和 Edwin R. Galea。2018 年。对自动驾驶汽车的看法：与道路使用者的关系、风险、性别和年龄。安全科学 102（2018 年），1–13。[9] Rafal Kocielnik、Saleema Amershi 和 Paul N. Bennett。2019 年。您会接受不完美的人工智能吗？探索调整人工智能系统最终用户期望的设计。在 CHI 计算系统人为因素会议论文集上。[10] Moritz Körber。2018 年。衡量对自动化信任的理论考虑和问卷的开发。在国际人体工程学协会大会上。Springer，13–30。 [11] Victoria Krakovna、Laurent Orseau、Miljan Martic 和 Shane Legg。2019 年。使用逐步相对可达性惩罚副作用。在 AI 安全研讨会 IJCAI 中。[12] Victoria Krakovna、Laurent Orseau、Richard Ngo、Miljan Martic 和 Shane Legg。2020 年。通过考虑未来任务来避免副作用。在第 20 届神经信息处理系统会议论文集上。[13] Miltos Kyriakidis、Riender Happee 和 Joost CF de Winter。2015 年。公众对自动驾驶的看法：对 5000 名受访者的国际问卷调查结果。交通研究 F 部分：交通心理学和行为 32（2015 年），127–140。 [14] Ramya Ramakrishnan、Ece Kamar、Debadeepta Dey、Julie Shah 和 Eric Horvitz。2018 年。《发现强化学习中的盲点》。《第 17 届自主代理和多代理系统国际会议论文集》。[15] Stuart Russell。2017 年。《可证明有益的人工智能》。《指数生命，下一步》（2017 年）。[16] Sandhya Saisubramanian、Ece Kamar 和 Shlomo Zilberstein。2020 年。一种减轻负面影响的多目标方法。在第 29 届国际人工智能联合会议论文集上。[17] Sandhya Saisubramanian 和 Shlomo Zilberstein。2021 年。通过环境塑造减轻负面影响。在第 20 届自主代理和多智能体系统国际会议论文集上。[18] Sandhya Saisubramanian、Shlomo Zilberstein 和 Ece Kamar。2020 年。避免因对人工智能系统知识不完整而产生的负面影响。CoRR abs/2008.12146 (2020)。[19] Rohin Shah、Dmitrii Krasheninnikov、Jordan Alexander、Pieter Abbeel 和 Anca Dragan。 2019. 世界状态中的隐含偏好。第七届国际学习表征会议论文集。[20] Alexander Matt Turner、Dylan Hadfield-Menell 和 Prasad Tadepalli。2020. 通过可实现效用保存实现保守代理。AAAI/ACM 人工智能、伦理与社会会议论文集。[21] Ming Yin、Jennifer Wortman Vaughan 和 Hanna Wallach。2019. 理解准确度对机器学习模型信任的影响。CHI 计算系统人为因素会议论文集。[22] Shun Zhang、Edmund H. Durfee 和 Satinder P. Singh。2018. 分解马尔可夫决策过程中对副作用的 Minimax-Regret 查询以实现安全最优。在第 27 届国际人工智能联合会议论文集上。
和许多其他物质一样，酒精可以抑制一个人的身体和精神能力，这意味着你的选择可能会导致负面后果
• 开始饮酒前设定饮酒限制。• 记录饮酒量。• 分散饮酒。• 只喝调酒师调制的混合饮料。• 不要大口喝酒。• 用不含酒精的饮料代替酒精饮料。• 饮酒要讲究质量，不要数量。• 避免饮酒游戏。• 学习拒绝饮酒的技巧。• 找点其他事情做。• 不要接受不知道里面有什么的饮料。您为降低风险而采取的任何措施都是朝着正确方向迈出的一步。请记住，如果您未满 21 岁，饮酒是违法的。如果法定年龄的人确实选择饮酒，那么制定一个以较低风险方式饮酒的个人计划非常重要。帮助彼此制定这些计划，以确保每个人的安全。
泰晤士水务公司 A 级和 B 级债务评级因股东支持延迟而被下调；前景负面
泰晤士水务公司价值 187 亿英镑的 PR24 商业计划（于 2023 年 10 月提交给监管机构）包含一些定制元素，使其成为股东的可投资项目。这些元素包括 19 亿英镑的拟议资产赤字修复支出，这是泰晤士水务公司提交的商业计划中独有的，旨在以 190 亿英镑的总成本在多个监管期内改善公司资产的健康状况。该商业计划还包含了一组定制的风险和回报参数、成果交付激励 (ODI) 制度下产生的最高罚款水平、加权平均资本成本假设为 4.25%（相对于 Ofwat 早期的 3.23% 预测）以及五年期间客户账单增长超过 40%（未考虑通货膨胀）。
早期生活应力偏见会响应负面反馈并增加杏仁核的体积和对后期生活压力的脆弱性
早期的压力（EL）或逆境，特别是在儿童时期忽视和虐待的形式，与成年后的精神和身体健康状况不佳有关。然而，这些关系是由EL本身的后果还是其他经常与EL同时发生共发生的暴露的后果介导的。为了解决这个问题，我们在大鼠中进行了一项纵向研究，以隔离EL对与焦虑和抑郁有关的区域脑体积和行为表型的影响。我们使用了慢性ELS的重复母体分离（RMS）模型，并在整个成年期进行了行为测量，包括概率逆转学习（PRL），对渐进率任务，蔗糖偏好，新颖性偏好，新颖性反应性，新颖的反应性以及对高架的焦虑行为进行响应。我们的行为评估与磁共振成像（MRI）相结合，以定量三个时间点的区域脑体积：立即在RMS之后，成年后不进一步压力，并且成年后期后期有进一步的压力。我们发现RMS引起了持久的，性二态的偏见，对PRL任务的负面反馈做出了反应。RMS还放慢了PRL任务的响应时间，但没有直接影响任务性能。rms动物也对第二种压力源具有独特的敏感，该压力源不成比例地损害其性能，并减慢了对PRL任务的反应。MRI显示RMS动物的杏仁核体积较大。尽管对“抑郁症状”和“焦虑症”行为的常规测试缺乏影响，但这些行为和神经生物学效应仍然持续到成年，并且缺乏任何Anhedonia的证据。我们的发现表明ELS具有长期的认知和神经行为效应，与成年后的压力相互作用，并且可能与理解人类焦虑和抑郁的病因有关。
实验性时间域研究，用于带LILL形状微带电路的带通负面组延迟分析
摘要：该论文通过“量子信息”的概念解释了“可分离的复合物希尔伯特空间中的操作员”（在“经典”量子力学中定义为“数量”）的概念。就波函数而言，对于要测量的一定数量的所有可能值的概率（密度）分布的特征函数，量子力学中数量的定义是指概率（密度）分布的任何单一变化。可以将其表示为“统一” Qubits的特定情况。任何量子位的相反解释是指某个物理数量，这意味着它的概括性既不是统一的，也不是保存能量。他们的身体意义，宽松地说，包括交换时间时刻，因此在时空“屏幕”中实现。“暗物质”和“暗能量”可以通过“数量”的相同概括为非热门操作员的相同概括，其次仅在伪里曼尼亚人的时空“屏幕”上，根据爱因斯坦的“马赫的原理”和他的野外方程式。关键词：质量，数量，量子信息，Qubit Hilbert空间，时空
在网上银行服务中采用人工智能聊天机器人时减轻客户的负面看法：相关差距和未来研究议程
摘要 摘要 全球不同工业领域对人工智能应用的日新月异和日益增长的兴趣促使学者和从业者不断关注与该主题相关的每一条信息和有前途的想法，以增强消费者在使用银行移动应用程序或任何其他在线服务时的体验和兴奋感。银行业采用人工智能聊天机器人的水平有望提升服务体验。然而，由于与信任、隐私、安全和情感联系相关的问题，在与这些人工智能聊天机器人打交道时仍然存在犹豫，目前还没有解决这些显著复杂性的有希望的数据。本文阐明了现有的人工智能聊天机器人文献，以便全面了解相关研究的差距，以便理想地减轻这些负面观点，并为未来的学者提供进一步的方向。此外，本文强调了在处理此类人工智能聊天机器人时产生这些负面情绪和犹豫的最重要原因。此外，在本报告中，将重点介绍这一研究领域可能和潜在的贡献。
12周中等强度的连续训练干预对久坐女性大学生的抑郁，焦虑和压力的影响：关注负面情绪调节
心理健康对大学的关注日益加剧，因为从青春期到成年的过渡通常与心理健康问题的发作相吻合（Acharya等，2018）。这个时期特别容易受到抑郁症，焦虑和物质使用障碍等疾病的发展（Blanco等，2008； Liu等，2019； Reddy等，2018）。的研究表明，与非大学学生和普通人群相比，大学生的精神病患病率明显更高（Auerbach等人，2016; Ibrahim等，2013），实际上，估计，几乎一半的大学生与心理健康有关，与抑郁症和焦虑相关，例如抑郁症和焦虑（例如，rege and rege ege et al an ege et al an an ege et al an and rege and and and and and and and and and and and and an ege and and and。学生之间负面情绪状态的高发病率与几个因素有关，包括学术压力，与家庭相关的压力，关系挑战，职业不确定性以及不健康的生活方式习惯，例如体育锻炼不足，饮食不足和睡眠不足的睡眠模式不足Kadapatti和Vijayalaxmi，2012年）。