XiaoMi-AI文件搜索系统
World File Search System跟踪数据
使用Aruco标记对啮齿动物参与度的实时评估：一种可扩展且可访问的方法，用于鼻子戳/不做任务
在行为神经科学领域，动物行为的分类和评分在动物展示的复杂行为的量化和解释中起着关键作用。传统方法依靠调查人员的视频检查，这是劳动密集型并且容易受到偏见的影响。为了应对这些挑战，研究工作集中在计算方法和图像处理算法上，用于自动行为分类。出现了两种主要方法：基于标记和无标记的跟踪系统。在这项研究中，我们展示了“增强现实科尔多瓦大学”（Aruco）标记的实用性，是一种基于标记的跟踪方法，用于评估鼻子poking/no-go行为任务期间的大鼠参与度。此外，我们还基于Aruco标记跟踪数据引入了一个两国参与模型，可以通过矩形内核卷积分析，以识别参与状态和分心状态之间的关键过渡点。在这项研究中，我们假设可以利用Aruco标记来准确估计动物互动在鼻子的行为/无行为行为任务中，从而可以计算出行为测试的最佳任务持续时间。在这里，我们介绍了我们的Aruco跟踪程序的性能，证明了98％的分类精度，该准确性已通过视频数据的手动策划进行了验证。此外，我们的卷积分析表明，平均而言，我们的动物在约75分钟时与行为任务脱离，为限制实验性会话持续时间提供了定量基础。总的来说，我们的方法为行为数据收集过程中的啮齿动物互动提供了可扩展，高效且可访问的解决方案。
海军职业机会部 - CNMOC
传单编号 24-011 申请方式：美国海军天文台 (USNO) 将在 2024 年 9 月 30 日之前接受简历，以填补国防部某些人员直接雇用权下的天文学家空缺。 简历/履历和成绩单应通过电子邮件发送至 NAVOBSY_NOBS_N1-DL@navy.mil，并在电子邮件的主题行中引用上面的传单编号。 非官方版本的成绩单是可以接受的，只要它们列出了所有课程、已完成的学分和学生的姓名。 求职信不是必需的，但鼓励提交。 将通过电子邮件联系高素质的申请人以安排面试。 薪资范围：每年 94,199 美元至 122,459 美元 工作地点：华盛顿特区 工作简介：成功的候选人将受雇于驻扎在华盛顿特区的美国海军天文台 (USNO)。 USNO 为海军、国防部 (DoD)、其他联邦机构和民用部门提供精确时间、地球方位参数、天体位置和运动以及相关天文信息。这些职位支持 USNO 的天体参考框架 (CRF) 部门和 USNO 的精确时间和天文测量 (PTA) 任务。申请人将在 CRF 的先进技术开发部门工作，该部门专注于开发仪器和软件以支持海军的天文任务目标。这些职位将集中在轨道力学和轨道跟踪数据领域；以及可见/红外天文仪器和技术（包括天体测量、光度测定和光谱学）的开发、使用和支持。高素质候选人将展示出执行以下必需任务的强大能力：
使用头脑风暴优化动态神经网络
动态神经网络 (NN) 可以在推理过程中使稀疏激活的子网络适应输入，与静态神经网络相比，它在准确性、计算效率和自适应性方面表现出了明显的优势。然而，现有的深度学习框架和编译器主要侧重于优化具有确定性执行的静态 NN，而错过了动态 NN 中激活分布不均匀所带来的优化机会。优化动态 NN 的关键在于跟踪数据在推理过程中如何动态地分派到不同路径。这种动态性通常发生在子张量级别（例如，张量的条件分派标记），因此由于表达粒度不一致，现有的以张量为中心的框架很难跟踪。在本文中，我们提出了 Brainstorm，一个用于优化动态 NN 的深度学习框架，它通过统一动态性的表达方式来弥补这一差距。 Brainstorm 提出（1）Cell，这是关键的数据抽象，可让模型开发人员表达存在动态的数据粒度；（2）Router，这是一个统一的接口，可让模型开发人员表达如何动态调度Cell。Brainstorm 处理路由操作的有效执行。这种设计使 Brainstorm 能够以正确的粒度收集细粒度数据流的配置文件。可追溯性进一步为动态 NN 开辟了新的动态优化空间，使其执行专门针对运行时动态分布。广泛的评估表明，通过提出的动态优化，Brainstorm 将流行的动态神经网络的加速提高了 11.7 倍（平均为 3.29 倍），或内存消耗减少了 42%。
通过Web 3.0增强LLM和Genai的影响...
Web 1.0被称为连接Internet，Web 2.0作为促进数据集的数据出处，可作为公共“信息互联网”和Web 3.0的输入，可以定义为“ LLM Internet of LLM培训模型，全球价值的大规模干预措施”。在这里，我们需要在分散Web的上下文中提到Web 3.0。这些无法通过几乎没有架构来启用全球运营商的数据谱系和数据出处的作用来实现，而应包括在宽Web中进行系统的大修。基本上，数据的所有权属于实施的人：生成和使用它。每个人都有平等的权利和访问数据的权利，因此。全世界基于基于数据的标准化，促进了数据民主化。数据存储的广泛网络分散化，其所有者对货币数据的平等权利，ii。强大的实践跟踪守则和从源到原点的数据追踪，建立SSOT是基于Web 3.0架构的关键原理。此外，基于区块链的III。详尽的社区支持，例如开发人员，论坛，在线技术，进一步有助于完成社区的这些关键原则和特征等。Web 3.0。但是，这样的干预措施可能需要数年才能实施。在我们参考数据出处一词（也称为私人LLMS的数据案例）时，可以通过行业的一致努力来完成同样的工作，它是指几个月来占有的记录道路。这降低了数据操纵的风险。一块数据的起源以及它已经从目前的位置移到了位置。2数据出处可确保有可追溯的历史记录，因为企业希望提高私人数据从其原始源到当前部署的地方的有效性。llm，我们建议它实施分散的数据架构，并在企业内的Web 3.0原理上设置SSOT，并且随着区块链带来分散性，可以在其拥有的生态系统中分发数据。多个位置，从而确保在单个实体上没有数据浓度。区块链带来这将允许私人LLMS解决幻觉并防止SSOT元素中的错误。该区块链提供的这种不变性促进了输出和伪造，如本文的其余部分所述。透明度并确保数据是准确且不变的，并允许跟踪数据。
人工智能造福社会：人机交互增强智能视频可理解性评估，促进健康素养
2022 年 12 月 3 日 据估计，美国有 74% 的成年人会访问互联网，其中高达 80% 的人会在网上寻找健康信息。然而，只有 12% 的美国成年人被评估为具备熟练的健康素养，能够有意义地解读健康信息。全球数十亿个人在社交媒体平台上获取医疗保健信息，他们可能会接触到误导性、有害或不相关的信息。社交媒体平台缺乏把关，对公共健康产生了严重的不利影响。美国国家医学院 (NAM) 和世界卫生组织 (WHO) 等组织强调了规范性指南的重要性，这些指南对于通过技术支持的解决方案在社交媒体上识别可靠的健康信息来源至关重要。从社交媒体使用中收集的数字跟踪数据的可用性以及通过算法进行的信息搜索的普遍性，需要更好地理解内容审核挑战和规范性干预措施，将人类智能融入机器学习。 2021 年，美国卫生局局长的咨询报告指出，社交媒体平台迫切需要扩大高质量的健康信息。我们借鉴患者教育材料评估工具 (PEMAT)，这是一种系统化的视听教育材料评估方法，开发了一种从患者教育角度评估视频可理解性的方法。我们从 YouTube 中提取视频特征和元数据，开发了一种人机互动评估，该评估明确侧重于人机算法交互，结合基于 PEMAT 的患者教育结构、领域专家的注释和机器学习的共同训练方法，以评估糖尿病视频的可理解性。我们进一步研究了可理解性对视频参与度的几个维度的影响。讨论了对研究和实践的影响。致谢：作者感谢 AIDR 研讨会、AMIA、机器学习、优化和数据科学会议、Informs 数据科学研讨会、VIDE 研讨会系列、Neurips MLPH、WITS、WISE 和 SCECR 会议的参与者对本文早期草稿的评论，以及波士顿大学、麦吉尔大学、麻省理工学院、MSU Outreach、马里兰大学、纽约大学、天普大学、德克萨斯 A&M 大学和伊利诺伊大学芝加哥分校的研讨会参与者对本文早期草稿的评论。我们感谢 Ernestina Bioh、Sreeja Nair、Mukund Nakhate 和 Namrata Navge 的研究协助。我们还要感谢美国国家医学图书馆 (NIH Grant R01LM013443) 的资助。
无意中武装中国？一年后 - Civitas
一般而言。至少应该包括国防科技大学 (NUDT)、国防七子和所有中国国防集团。应认真考虑将澳大利亚战略政策研究所 (ASPI) 评为高风险和极高风险的所有大学添加到其大学跟踪数据中。• 列出那些希望阻止对英国进行外向投资的实体。这是美国政府的做法，拜登政府似乎将继续这样做。• 对接受与敌对军事力量有联系的实体的资金和其他支持的英国大学和研究中心引入更彻底的监督机制。这种情况不会像伊朗或朝鲜那样发生在中国的赞助下，但可能会进一步破坏国家安全。• 对英国大学的赞助政策进行公开审计，以确定中国对英国技术研究的总资助，并为大学本身以及英国研究与创新局 (UKRI)、创新英国 (Innovate UK)、皇家学会和研究委员会制定新规则。结合“实体清单”，这可能最适合放在专门针对研究和中国军方相关组织或专制国家的新立法中。• 设立一个类似于美国外国投资委员会 (CFIUS) 的新政府组织，其职责包括监督和评估大学赞助。• 虽然维护学术自由很重要，但政府应该更深入地评估目前被视为“基础科学研究”或研究成果属于公共领域的研究是否可能在包括中国在内的受制裁国家有双重用途，以及研究中心的批准是否可能允许面临这种风险的项目进行。• 进一步审查学术技术审批制度 (ATAS)，以更好地控制国际学生和研究人员（豁免国籍除外）的签证（重新）申请，他们的研究可能会在某些敏感主题上造成风险——尤其是那些与敌对外国有军事联系的人。有具体案例表明，在英国大学学习军民两用技术的解放军人员的 ATAS 申请似乎已获批准。• 重新评估公共研究机构可以开展的科学研究领域和/或可以公开发布研究成果的领域。这不仅是内政部令人难以置信的疏忽，而且那些被发现来自敌对外国军队并研究具有潜在军事双重用途的敏感技术课题的个人应该被吊销签证并驱逐出英国。这些措施应成为紧急重新评估所谓的“黄金时代”对华政策及其所依据的战略假设的安全影响的一部分。
用于凝视跟踪任务期间用户表现和疲劳评估的人机自适应模型
摘要：眼动界面是一种新兴技术，用户只需注视图形用户界面 (GUI) 即可控制它们。然而，使用凝视控制的 GUI 可能是一项艰巨的任务，会导致认知和身体负荷过重以及疲劳。为了应对这些挑战，我们提出了基于生物反馈的自适应人机辅助人机界面 (HA-HCI) 的概念和模型。该模型可以有效和可持续地使用由生理信号（例如凝视数据）控制的计算机 GUI。所提出的模型允许基于阻尼谐振子 (DHO) 模型在人机交互过程中进行分析性人类表现监测和评估。为了测试该模型的有效性，作者从 12 名玩凝视控制计算机游戏的健康志愿者那里获取了凝视跟踪数据，并使用奇偶统计分析对其进行了分析。实验结果表明，所提出的模型有效地描述和解释了注视跟踪性能动态，包括 GUI 控制任务性能的主体变化、长期疲劳和训练效果，以及基于注视跟踪的控制任务期间用户性能的短期恢复。我们还分析了现有的 HCI 和人类性能模型，并开发了现有生理模型的扩展，以开发自适应用户性能感知界面。所提出的 HA-HCI 模型从用户性能的角度描述了人与生理计算系统 (PCS) 之间的交互，结合了与 PCS 的标准 UI 组件交互的性能评估程序，并描述了系统应如何应对生产力 (性能) 的损失。我们通过设计眼控游戏进一步证明了 HA-HCI 模型的适用性。我们还开发了一个基于阻尼谐振的分析用户性能模型，该模型适用于描述基于注视跟踪的 PC 游戏性能的变化。使用奇偶分析测试了该模型的有效性，结果显示存在很强的正相关性。阻尼振荡模型建立的用户个人特征可用于根据玩家的游戏技能和能力对玩家进行分类。实验结果表明，玩家可以分为学习者（阻尼因子为负）和疲劳者（阻尼因子为正）。我们发现振幅和阻尼因子之间存在很强的正相关性，这表明良好的启动者通常疲劳率较高，而启动缓慢的疲劳率较低，甚至可能在比赛中提高其表现。提出的 HA-HCI 模型和分析用户性能模型为开发自适应的人性化 HCI 提供了一个框架，该框架能够监控、分析和提高使用基于生理计算的用户界面的用户的性能。所提出的模型在提高未来人类辅助凝视控制界面系统的可用性方面具有潜在的应用。