XiaoMi-AI文件搜索系统
World File Search System重播
用于量子增强量的混合参与者 - 批评算法在Cern Beam Lines
用夹紧的量子玻尔兹曼机器（QBM）的抽象自由能增强学习（FERL）被证明与经典Q学习及其限制相比，可以显着提高学习效率。在本文中，FERL方法扩展到多维连续的状态行动空间环境，以打开更广泛的现实应用程序的门。首先，研究了基于自由能的Q-学习，以用于离散的作用空间，但是评估了连续状态空间以及经验重播对样本效率的影响。在第二步中，基于深层确定性的策略梯度算法与基于QBM的评论家相结合的深层确定性政策梯度算法开发了连续国家行动空间的混合参与者（A-C）方案。讨论了使用量子退火（QA）获得的结果，包括模拟和D-Wave QA硬件，并将性能与经典的增强学习方法进行了比较。在欧洲核研究组织中，整个环境代表了现有的粒子加速器光束线。除其他外，在高级韦克菲尔德实验的实际电子束线（醒）上评估了混合A-C代理。
Brain-IHM 数据集：研究人与人、人机对话的大脑基础的新资源
摘要 本文介绍了一个原始的受控交互数据集，重点研究反馈项目。它包括由演员扮演的医生和患者之间的不同对话的记录。在这个语料库中，患者主要是倾听者，并产生不同的反馈，其中一些反馈不一致（自愿）。此外，这些对话已在虚拟现实环境中重新合成，其中患者由人工智能代理扮演。最终的语料库由不同的人与人对话电影以及在人机环境中重播的相同对话组成，从而产生了第一个人与人/人机平行语料库。然后，语料库在语言和非语言层面上用不同的多模态注释进行了丰富。此外，这是第一个此类数据集，我们设计了一个实验，在此期间，不同的参与者必须观看电影并对互动进行评估。在此任务中，我们记录了参与者的大脑信号。然后，Brain-IHM 数据集被构思用于三重目的：1/ 通过比较一致和不一致的反馈来研究反馈 2/ 比较人与人和人机产生的反馈 3/ 研究反馈感知的大脑基础。
用平滑的贝尔曼方程式在最终奖励下初始化深Q学习
本文考虑了仅在达到某些最终状态（或此类实例的组成）时才能获得积极奖励的RL实例，例如迷宫探索出口时有大量积极的奖励。尽管这种设置显然受到限制，但本文指出，培训与一项政策相关的深层网络，然后仅通过平滑贝尔曼方程并添加对初始状态的积极限制，可以通过随机性或好奇心来完成，而在此设置中，即在0-loss假设下，就可以在0板的假设中表现出积极的阳性Q值，以至于是在0板的假设中（以下一个效果），因此它是在0-loss假设中的出现（以下是一个效果），因此它是在0板的假设中（以下是一个效果），因此一定是一个效果，因此，这是一个效果，因此，这是一个效果，以至于一定要么在0层状态下（以下情况下），因此，一定是一个效果。被锁定。从这种初始化中，可以使用包含通往良好出口的路径的重播缓冲区来完善经典的深Q学习。未来的作品应考虑此框架的实际实验。
马尔可夫决策过程的安全加固学习对手臂操纵的安全性学习
摘要：在人类与肉体共存的世界中，确保安全互动至关重要。传统的基于逻辑的方法通常缺乏机器人所需的直觉，尤其是在这些方法无法解释所有可能场景的复杂环境中。强化学习在机器人技术中表现出了希望，因为它的适应性优于传统逻辑。但是，增强学习的探索性质会危害安全性。本文解决了动态环境中机器人手臂操纵器计划轨迹的挑战。此外，本文强调了容易奖励黑客的多种奖励作品的陷阱。提出了一种具有简化奖励和约束配方的新方法。这使机器人臂能够避免从未重置的非机构障碍，从而增强操作安全性。提出的方法将标量的预期回报与Markov决策过程结合在一起，通过Lagrange乘法器，从而提高了性能。标量组件使用指示器成本函数值，直接从重播缓冲区采样，作为附加的缩放系数。这种方法在条件不断变化的动态环境中特别有效，而不是仅依靠Lagrange乘数扩展的预期成本。
EDHOC是一种新的安全握手标准
物联网（IoT）的兴起（IoT）驱动了诸如Internet工程工作组（IETF）之类的组织，以开发满足相关设备和网络要求的协议。一些挑战是它们的低处理能力，稀缺带宽，电池寿命和降低的数据速率。为了解决这些问题，互联网社区已经开发了针对受限环境的标准化协议。这些工作的结果包括受约束的应用程序协议（COAP）和受约束休息环境（Oscore）的对象安全性。COAP是一种专门的Web传输协议，可提供HTTP的其余服务，但开销和处理减少。Oscore是一种可应用的安全协议，可用于保护COAP通信，包括跨托管代理的端到端加密和完整性，重播保护和对请求的响应的约束。Oscore本身并未定义关键建立协议。在使用Oscore之前，交流方必须建立安全关联，包括通过一些带外机制的共享加密密钥。为了解决此问题，IETF创建了轻巧身份验证的钥匙交换（Lake）工作组，该工作组开发并标识了短暂的Diffie-Hellman，而不是Cose（EDHOC）Pro-Tocol。EDHOC旨在启用身份验证的
议程镇罗马计划委员会公开听证会
由于联盟19日大流行而导致的特殊视频会议选项，包括限制旅行的联邦和州紧急命令，要求社会疏远，计划委员会或公众的任何成员都可以通过电子设备参加会议。通过音频/视觉方法参加的委员会成员能够对议程项目进行投票。计划委员会会议https://townofrome.my.my.webex.com/townofrome.my/j.php?mtid=m898d063cc11706313bc6fa38c1ace6ac6ac6ac 6 6月8日，星期二，2021年6月8日，星期二，2021年4:00 4:00 PM会议：182 685 3564 Password：5264密码：5225177.52515151.525Y.525Y.AS视频系统）通过电话 +1-408-418-9388加入美国收费访问代码：182 685 3564请注意，公众可以通过使用Webex视频会议来查看视频会议，或者可以通过在无互联网访问的访问的访问中使用电话拨号来收听会议。本次会议也将在11:00 AM和第300频道的7:00 PM的重播中获得。如果公众希望向镇议会提交评论，请通过电子邮件或电话与Jami Gebert联系，电话：gebert@romewi.com或715-325-8025。通过合理的通知将努力通过适当的艾滋病和服务来满足残疾人的需求。有关请求服务的其他信息，请联系管理员Jami Gebert，715-325-8025。
长期互动驾驶模拟：MPC toRescue⋆
摘要。仿真现在在自主驾驶算法的发展中起着重要作用，因为它可以大大降低现实世界测试的环保成本和道德风险。但是，建立高质量的驾驶模拟器并不是微不足道的，因为它要求采取公路代理的现实性行为行为。最近，几个模拟器采用以数据驱动方式学习的交互式轨迹预测模型。尽管他们成功地生成了短期交互式场景，但在时间范围更长时，模拟器很快就会崩溃。我们确定了背后的原因：现有的交互式轨迹预测因子在递归喂养预测作为模型的输入时遭受室外（OOD）问题。为此，我们建议引入一个量身定制的模型预测控制（MPC）模块，以使最先进的交互式轨迹预测模型M2I，形成了一个名为M 2 SIM的新模拟器。值得注意的是，M 2 SIM可以通过执行弹性正规化来有效地解决长期模拟的OOD问题，该正规化可以接受重播数据，同时仍享受数据驱动的预测的多样性。我们使用定量结果和可视化来证明M 2 SIM的优势，并发布我们的数据，代码和模型：https：//github.com/0nhc/m2sim。
通过多代理深钢筋学习在航空等级边缘计算系统中的计算卸载
摘要 - 物联网（IoT）设备和新兴应用程序的指数增长显着提高了对无处不在的连通性和有效计算范式的要求。传统的地面边缘计算体系结构无法在全球范围内提供庞大的物联网连接。在本文中，我们提出了一个由高空平台（HAP）和无人机（无人机）组成的航空层级移动边缘计算系统。特别是，我们考虑了不可分割的任务，并制定了流动问题的任务，以最大程度地降低任务的长期处理成本，同时满足流量的过程和任务处理过程中的排队机制。我们提出了基于多代理的深钢筋学习（DRL）的流量算法计算，其中每个设备可以根据局部观察结果做出其流量决策。由于无人机的计算资源有限，无人机的高任务负载将增加放弃流量任务的比率。为了增加完成任务的成功率，使用卷积LSTM（Convlstm）网络来估计无人机的未来任务负载。此外，提出了优先的体验重播（PER）方法以提高收敛速度并提高训练稳定性。实验结果表明，所提出的流量算法的计算优于其他基准方法。
使用SRAM- ...
摘要 - 该论文引入了针对资源约束物联网（IoT）环境量身定制的轻巧，有效的键合功能，利用了Parabola Chaotic Map的混乱属性。通过将混沌系统的固有不可预测性与简化的加密设计相结合，提出的哈希功能可确保可靠的安全性和低计算开销。通过基于SRAM初始值将其与物理不封次函数（PUF）集成来进一步增强该函数，该功能可作为设备特异性键的安全且耐篡改的来源。对ESP32微控制器的实验验证证明了该函数对输入变化，特殊统计随机性以及对加密攻击的抗性的高度敏感性，包括碰撞和差分分析。在不同条件下，在关键产生中，平均比重变化的概率接近理想的50％和100％的可靠性，该系统解决了关键的物联网安全挑战，例如克隆，重播攻击和篡改。这项工作贡献了一种新颖的解决方案，该解决方案结合了混乱理论和基于硬件的安全性，以推动物联网应用程序的安全，高效和可扩展的身份验证机制。
与急性胰腺炎及其机制有关的糖尿病的招募和保留策略（梦）研究：急性胰腺炎联盟（T1DAPC）中的1型糖尿病
即时重播和视频审查作为专业运动员培训过程的一部分，历史悠久。但是，法律发现性是在手术专业中采用基于视频的培训和评估的主要障碍。无缝的视频捕获和编辑也是一个主要障碍。在2000年代初期，大多数手术室都安装了光线照相机；但是，很快指出，使用该技术捕获的视频经常被外科医生的头部阻塞。因此，在手术室中使用光线摄像机时，错过操作最重要的方面并不少见。广泛采用的最低侵入性的经验已大大提高了手术期间手术工作流程的高质量，毫无开动的观点的可用性。因此，对于使用微创技术进行的手术程序，手术视频捕获和编辑已经显着增加。手术视频的可用性增加引发了人们对使用人工智能（AI）来分析外科视频的兴趣。1在2017年，约翰·霍普金斯（Johns Hopkins）的计算机视觉工程师发布了第一个公共数据集，以帮助推动AI潜在使用自动任务识别。数据集包含使用DA Vinci机器人的三个任务的同步视频和运动数据：缝合，针，传递和