XiaoMi-AI文件搜索系统
World File Search System递归
通过递归自我...
作为AI功能，越来越多地超过了人类在复杂任务中的水平，当前的一致性技术在内，包括SFT和RLHF在确保可靠的监督方面面临着基本挑战。这些方法依赖于直接的人类评估，并且当AI输出超过人类认知阈值时变得站不住脚。应对这一挑战，我们探讨了两个假设：（1）对批评的行为比批评本身更容易，从而扩展了广泛认可的观察，即验证比批评本身是一种专业的一代形式，而对cripique领域来说比生成更容易。 （2）这种难度关系被递归地持有，表明当直接评估是不可行的，进行高阶的文献（例如，对批评批评的批评）提供了更可拖延的监督途径。考试这些假设，我们在多个任务中执行人类，人类和AI-AI实验。我们的结果表明，支持这些假设和表达的令人鼓舞的证据表明，递归自我批判是可扩展监督的有前途的方向。
所有的递归亚型
递归类型和有限的量化是许多现代编程语言中的突出特征，例如Java，C＃，Scala或打字稿。不幸的是，过去显示递归类型，有限的定量和亚型之间的相互作用在过去是有问题的。因此，定义一个结合这些特征并具有理想特性的简单基础演算，例如可确定性，亚型的传递性，保守性以及声音和完整的算法配方是长期的挑战。本文显示了如何在称为𝐹𝐹≤的新微积分中使用ISO回复类型扩展。𝐹≤是一种众所周知的多态演算，具有有界定量的限制。在𝐹𝐹≤中，我们添加了ISO恢复类型，并使用最近提出的名义展开规则来相应地通过ISO恢复亚型扩展了亚型关系。此外，我们还使用所谓的结构折叠/展开规则来打字，这是受Abadi，Cardelli和Viswanathan（1996）提出的结构展开规则的启发。结构规则为文献中更传统的折叠/展开规则增添了表达能力，它们可以实现其他应用程序。我们提出了几个结果，包括：类型的声音；传递性；超过𝐹≤的保守性；以及𝐹≤的声音和完整的算法公式。我们研究了两个变体𝐹≤。第一个使用核的扩展（一种众所周知的可决定变体𝐹≤）。此扩展名接受等效而不是相等的界限，并显示出可以保留可决定的亚型。第二个变体采用全𝐹≤规则进行有限的定量，并且具有不可确定的亚型。此外，我们还研究了𝐹𝐹的内核版本的扩展名，称为𝐹𝜇≤≥≥报，具有相交类型和下限定量的形式。来自𝐹𝐹内核版本的所有属性都保留在𝐹𝜇≤≥。本文中的所有结果均已在COQ Theorem Prover中形式化。
使用非递归和递归刚体动力学的高效系留气球模型公式
推荐引用 推荐引用 Hembree, Bradley C.，“使用非递归和递归刚体动力学的高效系留气球模型公式”（2010 年）。学位论文。260。https://louis.uah.edu/uah-dissertations/260
神经符号递归机
当前的学习模型通常难以实现像人类一样的系统泛化，特别是在从有限的数据中学习组合规则并将它们推断为新的组合时。我们引入了神经符号递归机（NSR），其核心是根基符号系统（GSS），允许直接从训练数据中产生组合语法和语义。NSR采用模块化设计，集成了神经感知、句法分析和语义推理。这些组件通过一种新颖的演绎-溯因算法进行协同训练。我们的研究结果表明，NSR的设计充满了等变性和组合性的归纳偏差，使其具有良好的表现力，可以熟练地处理各种序列到序列任务并实现无与伦比的系统泛化。我们在四个旨在探测系统泛化能力的具有挑战性的基准上评估了NSR的有效性：用于语义分析的SCAN、用于字符串操作的PCFG、用于算术推理的HINT和组合机器翻译任务。结果证实了 NSR 在泛化和可转移性方面优于当代神经和混合模型。
通过深入的增强学习和递归
摘要：Rubik的立方体是一种典型的组合拼图，具有较大的状态空间，具有单个目标状态。不太可能使用随机生成的动作订单来检索目标状态，从而为机器学习带来独特的挑战。上面提出的工作是用递归和深猫来解决魔方的上述工作，这是一种深入的加强学习方法，该方法学习了如何在没有任何特定领域知识的情况下以逆转目标状态解决日益困难的状态。DeepCubea解决了所有测试模式的100％，找到了目标状态的最短路径60.3％。深度立方体概括到其他组合难题，并能够解决15个拼图，24个拼图，35个拼图，48个拼图，灯光和苏科班，在大多数可验证的情况下找到了最短的路径。这些模型接受了1-4 GPU和20-30 CPU训练。这在整个培训中都有所不同，因为培训经常被停止并再次开始为其他过程腾出空间。进一步，我们的实验比较了递归和深腹部之间的Rubik立方体解决的结果以及最先进的模型。稍后，我们打算使用应用程序开发新的深度学习模型。
使用递归特征消除方法
摘要。情感识别是情感计算的一个分支，在过去几十年中引起了极大的关注，因为它可以实现更自然的脑部计算机界面系统。脑电图（EEG）已被证明是情绪识别的有效方式，可以跟踪和记录用户情感状态，尤其是对于原始的情感事件（例如唤醒和价值）。尽管已经显示出大脑信号与情绪状态相关，但提出的模型的有效性在某种程度上受到限制。挑战是提高准确性，同时适当提取有价值的功能可能是成功的关键。本研究提出了一个基于结合分形维度和递归特征消除方法的框架，以增强基于EEG的情绪识别的准确性。要提取和使用基于频谱的分形尺寸和基于光谱的特征，以更准确地识别。递归功能消除将用作特征选择方法，而情绪的分类将由支持向量机（SVM）算法进行。将使用广泛使用的公共数据库测试所提出的框架，与其他研究相比，结果有望证明其准确性和鲁棒性更高。这项研究的贡献主要是关于改善基于脑电图的情绪分类精度。潜在的限制对结果的通用性可能是不同的，因为不同的脑电图数据集可能会为同一框架产生不同的结果。因此，尝试不同的EEG数据集并测试替代特征选择方案对于将来的工作非常有趣。
第 10 章 递归网络
请注意，这些可变大小的结构可以出现在输入级别、输出级别或两者。例如，翻译问题可以看作是序列到序列的问题。输入和输出序列不必具有相同的长度。蛋白质二级结构的预测可以看作是从具有 20 个字母的字母表（每个字母代表一种天然存在的氨基酸）到具有三个字母的字母表（对应于三个主要的二级结构类别（α-螺旋、β-链和卷曲））的翻译问题。在这种特殊情况下，输入序列和输出序列具有相同的长度。在解析问题中，输入是序列，输出是树。在蛋白质接触图预测中，输入是序列，输出是矩阵，依此类推。在所有这些问题中，标签可以存在于节点上、边缘上或两者上。有机化学中的小分子可以在节点上具有与原子类型（例如 C，N，O，H）相对应的标签，也可以在边缘上具有与键类型（例如单键，双键，三键和芳香键）相对应的标签。
开发用于检测被困的递归机器学习模型
在全球范围内和不同频率下，发生了许多天然灾难，包括地震，火灾事故，野火，洪水，海啸和火山活动。这些事件导致建筑物和其他人造基础设施崩溃。在紧急情况下寻找和定位受害者是最艰巨的任务之一，尤其是当受害者被埋葬在碎片下时。必须在现代发展救灾技术。即使已经以生命体征，图像和信号处理以及基于机器学习的救灾技术进行了进步，但必须做更多的工作，尤其是在像非洲这样的地区经常发生建筑物倒塌的地区。这项工作使用非视线（NLOS）人类检测信号数据集来改善建筑物崩溃后的分类和本地化。循环。这项工作使用非视线（NLOS）人类检测信号数据集来改善建筑物崩溃后的分类和本地化。已经检查了23,552个实例后，使用递归特征消除（RFE）实现了尺寸的降低。减少的数据集的支持向量机（SVM）分类产生的精度为82.76％。使用尖端方法的比较评估显示了所提出的方法的成功程度；这些方法改善了搜索和救援（SAR）操作的理论基础和实际应用。关于结构崩溃后受害者预测，认同和本地化的实际方法，这些发现对搜救（SAR）团队具有重要意义。
WTTE-RNN：威布尔事件时间递归神经网络
在本论文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题时。所有这些问题在客户流失、剩余使用寿命、故障、尖峰训练和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松地进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险等概念，并且可以在允许的情况下收敛到点估计。预测的威布尔参数可用于预测下一个事件时间的预期值和分位数。它还导致未来风险的自然 2d 嵌入，可用于监控和探索性分析。我们使用通用的审查数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。所提出的模型在具有不同程度的审查和时间分辨率的模拟数据上进行了评估。我们将其与二元固定窗口预测模型和处理审查数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优势和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上进行训练的能力。应用于 CMAPSS 数据集以进行模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
递归量子幺正程序合成的一个案例
由于与量子编程相关的量子知识不直观，量子程序的编码和验证非常困难。因此，迫切需要自动化工具来减轻与低级量子细节相关的繁琐和错误。在本文中，我们发起了量子酉程序的程序合成研究，该程序以递归方式定义一系列用于不同输入大小的酉电路，这些电路在现有的量子编程语言中被广泛使用。具体来说，我们介绍了第一个量子程序合成框架 QSynth，其中包括一种新的归纳量子编程语言、其规范、合理的推理逻辑以及将推理过程编码为 SMT 实例。 QSynth 利用现有的 SMT 求解器，成功合成了 10 个量子幺正程序，包括量子算术程序、量子特征值反演、量子隐形传态和量子傅里叶变换，这些程序可以轻松地转换为主要量子平台上的可执行程序，例如 Q#、IBM Qiskit 和 AWS Braket。