XiaoMi-AI文件搜索系统
World File Search System重新学习
前进视觉感知学习：来自数据的见解...
上午11:30 - 下午12:30 │2025年2月21日（星期五）CPD1.24，1/f，Run Run Shaw Tower│Centennial Campus│香港大学抽象视觉感知学习（VPL）可以通过培训来增强任务性能，有时通过培训提高了准确性，从近乎机会到熟练程度。 鉴于其在优化视觉和认知功能中的关键作用，因此了解通过学习的看法如何变化至关重要。 然而，人类学习是一个动态过程，涉及一般学习，遗忘，快速重新学习和适应，由于许多研究中使用的粗糙时间分析，通常会忽略它们。 本谈话从大规模的多任务VPL研究中介绍了发现，揭示了特定于主题的一般学习能力，会议内和间隔过程以及任务之间的干扰效应。 为了更好地分析这些学习动力学，我们使用非参数和分层贝叶斯模型介绍了新的数据分析方法，从而为人类学习行为提供了细粒度的见解。 此外，新的计算建模技术允许对生成过程模型进行逐审拟合，从而通过最小的培训数据可以预测学习性能。 这些进步为优化培训策略和改善人类绩效提供了基础。 演讲将以未来的研究方向结束，包括精炼生成模型，探索组件学习过程对经典感知学习操作的影响，并开发一个全面的框架来增强学习概括和效率。上午11:30 - 下午12:30 │2025年2月21日（星期五）CPD1.24，1/f，Run Run Shaw Tower│Centennial Campus│香港大学抽象视觉感知学习（VPL）可以通过培训来增强任务性能，有时通过培训提高了准确性，从近乎机会到熟练程度。鉴于其在优化视觉和认知功能中的关键作用，因此了解通过学习的看法如何变化至关重要。然而，人类学习是一个动态过程，涉及一般学习，遗忘，快速重新学习和适应，由于许多研究中使用的粗糙时间分析，通常会忽略它们。本谈话从大规模的多任务VPL研究中介绍了发现，揭示了特定于主题的一般学习能力，会议内和间隔过程以及任务之间的干扰效应。为了更好地分析这些学习动力学，我们使用非参数和分层贝叶斯模型介绍了新的数据分析方法，从而为人类学习行为提供了细粒度的见解。此外，新的计算建模技术允许对生成过程模型进行逐审拟合，从而通过最小的培训数据可以预测学习性能。这些进步为优化培训策略和改善人类绩效提供了基础。演讲将以未来的研究方向结束，包括精炼生成模型，探索组件学习过程对经典感知学习操作的影响，并开发一个全面的框架来增强学习概括和效率。关于发言人Lu Zhong-lin教授是NYU上海的神经科学教授，也是纽约大学神经科学中心的全球网络教授。Lu教授于2019年加入俄亥俄州立大学的纽约大学，在那里他是艺术与科学学院杰出心理学教授，心理学，验光学和转化数据分析教授，以及认知和脑科学中心，以及认知和行为脑智慧中心的中心。lu是实验心理学家和心理科学协会的会员。Zoom会议（对于无法亲自参加研讨会的参与者）
步兵 - 2024 年秋季 - 摩尔堡
3 专业论坛 3 无人机的集成并非直觉：构建这一关键能力的实用方法 LTC Reed Markham 9 重新学习渗透：轻步兵的优势 LTC Aaron Childers 和 MAJ Michael Stewart 14 追捕、杀戮、报告：一个徒步步兵连作为 NTC 敌方部队的视角 CPT Anirudh Vadlamani 18 侦察兵 VS 狙击手：结合技巧求生 LSCO SSG L. Armando De Lara II 和 COL Ryan T. Kranc 21 士兵负荷：“轻型战斗”的艺术与科学 LTC Aaron Childers 和 CSM Joshua Yost 28 迫击炮弹药规划技术安德鲁·帕特森少校 32 火力支援的未来 约翰·E·鲁斯诺克上尉 34 防御关键：揭示四级战斗配置载荷在 LSCO 中的重要作用 奥利维亚·施雷茨曼少校和威廉·朗威尔少校 38 简化需求：使指挥节点更具机动性、隐蔽性和生存能力 迈克·赫里克少校和杰克·阿尔布雷希特上尉 41 空降至关重要 布拉德利·S·瓦茨上尉 46 测量空中风对空降作战的重要性 马修·扎雷克少校 49 将作战表现“发挥到极致” 威廉·泰勒上尉 51 将“C”重新纳入 BCT：通过主动权 上校 Scott C. White 和 CSM Jonathan M. Duncan
工人与工作场所人工智能（AI）共存
工作场所人工智能 (AI) 可帮助组织提高运营效率、做出更快的明智决策以及创新产品和服务。虽然关于人工智能如何为工作场所提供价值的信息很多，但关于工人和人工智能如何在工作场所共存的研究仍在不断发展。探索新兴主题和研究议程对于了解该领域学术研究的发展轨迹至关重要。本研究的首要研究问题是工人将如何与人工智能在工作场所共存。我们采用搜索协议，根据适当且具体的关键字以及文章纳入和排除标准在 Scopus、ProQuest 和 Web of Science 数据库中查找相关文章。我们确定了四个主题：（1）员工对职场人工智能的不信任源于将其视为工作威胁，（2）职场人工智能通过提供增强员工能力的服务来诱使员工与人工智能互动，（3）人工智能与员工共存需要员工的技术、人力和概念技能，（4）员工需要不断地重新学习和提升技能，以促进与职场人工智能的共生关系。然后，我们提出了四个命题，并提出了相关的研究问题，以供未来研究。这篇评论做出了四项贡献：（1）它认为存在主义论证更好地解释了员工对人工智能的不信任，（2）它收集了员工与人工智能共存所需的技能，并将它们分为技术、人力和概念技能，（3）它表明技术技能有利于共存，但不能超过人力和概念技能，（4）它提出了 20 个基于证据的研究问题来指导未来的学术研究。
作用抗抑郁药调节大鼠的情感偏见
对重度抑郁症（MDD）患者的情绪立即和持续改善的迅速作用抗抑郁药（RAADS）的了解程度不足。MDD的核心特征是与负面情感状态相关的认知处理偏见的出现，减轻负面影响的偏见可能是对药物治疗的反应指数。在这里，我们根据协会学习任务使用了大鼠中的情感偏见行为测试来研究RAAD的影响。为了产生一种情感偏见，Animals学会了在存在或不存在情感状态操作的情况下将两种不同的挖掘基质与食物奖励联系起来。使用两个奖励相关的挖掘底物之间的选择来弥补产生的情感偏差。在情感偏见测试中，用RAADS氯胺酮，Scopolamine或psilocybin选择的急性治疗会衰减负面情感偏见。低但不高的氯胺酮和psilocybin剂量逆转了RAAD处理后24小时后的负面情感偏差的价。仅用psilocybin治疗，而不是氯胺酮或cpolamine，才导致积极的情感偏见，这取决于新的学习和记忆形成。氯胺酮的重新学习效应取决于局部定位于内侧前额叶皮层的蛋白质合成，并且可以通过提示重新激活来调节，这与经验依赖性的神经可塑性一致。这些发现提出了一种神经心理学机制，可以解释RAAD的急性和持续作用，从而有可能将其对神经可塑性的影响与啮齿动物模型中的情感偏见调节联系起来。
第10章上肢电动机...
关键点Bobath概念方法和电动机重新学习计划可能对中肢康复后的上肢康复不利。Brunnstrom运动疗法可能比上肢功能的运动恢复计划更有益。中风后的双边手臂训练的文献混合在一起。双边臂训练可能无益。双边手臂训练与其他疗法方法结合使用可能对上肢康复不利。中风后的上肢康复方面的力量训练和功能强度训练混合在一起。单独或与其他治疗方法结合使用的特定于任务的训练可能对中肢功能后的某些方面有益。较高和低强度的特定任务训练可能对上肢功能具有相似的影响。约束诱导的运动疗法可能有益于慢性阶段的上肢康复。在中风后亚急性/急性期，在约束诱导的运动疗法上，文献混合在一起。修改的约束诱导的运动疗法可能对慢性阶段的上肢康复有益。修改的约束诱导的运动疗法可能对中尖/急性期在中途恢复后的上肢康复可能没有好处。伸展程序可能会改善中风后上肢功能的某些方面。强度约束诱导的运动疗法在中风后的慢性阶段可能对上肢功能具有相似的影响。文献混合了约束诱导的运动疗法以及Stoke后上肢康复的其他疗法的结合。躯干约束进行训练或分布式约束诱导的治疗可能会改善中风后上肢功能的某些方面，但是将躯干约束与约束诱导的运动治疗相结合的效果尚不清楚。矫形器可能对中肢康复后的上肢康复不利。
无意识地操纵具有解码神经反馈的概念表示影响搜索行为
人类学习中有意识意识的必要性一直是心理学和神经科学的长期话题。先前对非意识联想学习的研究受到潜意识刺激的信噪比低的限制，并且证据仍然存在争议，包括不重复复制。使用功能性MRI解码神经反馈，我们指导来自男女的参与者产生类似于视觉感知现实世界实体（例如狗）时观察到的神经模式。重要的是，参与者仍未意识到这些模式所代表的实际内容。我们利用一种联想的十NEF方法将感知含义（例如狗）浸入日本的希拉加纳角色中，这些角色对我们的参与者没有固有的含义，绕开了角色与狗的概念之间的有意识联系。尽管缺乏对神经反馈目标的认识，但参与者还是成功地学会了激活双边锻造形式的目标感知表示。在视觉搜索任务中评估了我们培训的行为意义。ecnef和对照参与者搜索了由Decnef培训期间使用的Hiragana预先塑造的狗或剪刀目标或对照Hiragana。Decnef Hiragana并未对其相关目标进行搜索，但令人惊讶的是，参与者在寻找目标感知类别时受到了损害。因此，有意识的意识可能起作用，以支持高阶关联学习。这项工作还提供了关于神经代表性漂移的ectnef效应的说明。同时，在现有神经表示中的重新学习，修改或可塑性的较低级别形式可能会在不知不觉中发生，并且在原始培训环境之外会产生行为后果。
再次自动建立余额：使用双重任务作为干预老年人的平衡康复
平衡康复和预防的科学继续发展。目前，众所周知，平衡需要人与环境的动态和实时相互作用，以确定最佳的电机程序并监视最可能需要更改的地方[1,2]。还认识到，在任何给定任务中可用的平衡反应的选项本质上都是程序性的，并且主要是在对环境的潜意识分析上进行自动化的（手工持有，有关表面摩擦和稳定性的信息，障碍，准确性需求等）[3-6]。改善自动反应的科学，即程序性记忆，正在增长，并在运动科学领域不断发展，并慢慢地进入康复。最近，进步的过程记忆训练的证据表明并最终证明，可以通过暴露于大规模重复（实践）和使用双重任务干扰的强制性潜意识处理来开发主要运动任务的自动性[7-11]。体育科学已经定期采用这种方法，培训计划涉及篮球运动员持续分心各种注意力，以加强熟练运动的准确检索，无论游戏 - 环境环境如何（第二次篮球都可以运球和参加，人群支持或人群支持或反对，天气，天气，情境压力）。证据表明，这种应用在主要运动任务中恢复自动性，也可以应用于康复中的重新学习任务[10,12]。在所有这些应用中，教练，科学家和临床医生采用了涉及引入辅助任务或分配注意力储备的次级任务的策略，导致神经系统在程序记忆中心中处理主要任务。在本文中，将考虑注入余额康复的双重任务培训，以用于医疗保健专业人员为改善老年人平衡反应的努力。
学习多
许多认知问题可以分解为一系列由大脑依次解决的子问题。解决子问题时，需要神经元存储相关的中间结果并传播到下一个子问题，直到完成总体目标为止。我们将在这里考虑视觉任务，可以将其分解为元素视觉操作序列。实验证据表明，元素操作的中间结果存储在工作记忆中，以增强视觉皮层的神经活动。然后可以使用增强活动的重点，以使其可供行动采取行动。危险的主要问题是，在增强学习环境中，元素操作及其测序如何在仅经过奖励训练的神经网络中出现。我们在这里提出了一种新的经常性神经网络体系结构，该架构可以学习需要应用连续的Elemental操作的复合视觉任务。具体来说，我们选择了三个任务，这些任务可用于猴子视觉皮层的电生理记录。为了训练网络，我们使用了重新学习，这是一种具有生物学上合理的四因素HEBBIAN学习规则，该规则在时空上都是本地的。我们报告说，网络学习元素操作，例如轮廓组和视觉搜索，并执行操作序列，仅基于视觉刺激的字符和任务的奖励结构。在子例程之间需要交换所需的相关信息是增强活动的重点，并传递到了随后的子例程。完成训练后，与无关的图像项目引起的神经网络单位的活性要强，就像在猴子的视觉皮层中所观察到的那样，猴子求解相同的任务。我们的结果表明，生物学上的学习规则如何在多步视觉任务上训练复发性神经网络。
在疯狂的领域中的加强学习-Tommy Bird
可以合作并适应各种情况的AI代理的开发。此外，模仿现实的游戏体验，玩家实时沟通和策略是该项目的额外动机。疯狂的上帝的领域（此后，rotmg）是我成长的游戏，这是该项目的灵感。它的节奏非常快，涉及连续躲避数百个关节。因此，这种类型的名称是子弹地狱。这使得将重新学习学习成为一个非常有趣的选择，因为代理商必须学会避免过多的屏幕危害。rotmg游戏玩法通常以老板的战斗为中心。您要么努力击败世界上的老板，要么进入地牢，在最后，您会在最后的Chamber中遇到老板。为了复制这一点，我对自己的老板战斗进行了编程，以及三个受游戏启发的可玩代理角色。环境是一个岛屿，三个特工被限制在这里。这个竞技场的老板是一个名为“ polyphemus”的独眼巨人。他拥有基本的AI，具有一些固定的行为和攻击，稍后将详细介绍。这是三个代理：•向导：高攻击，高范围，但健康状况低。有效的玻璃大炮。•牧师：低攻击，高范围和中等健康特征。平衡的支持。•战士：高攻击，低范围和高健康志。小组的坦克。通过这种特征的组合，代理人应该有望合作克服多面体。每个代理都能够向各个方向移动，向各个方向射击，并像rotmg一样在冷静下激活其独特的特殊动作。向导可以发射高伤害弹丸，战士可以暂时提高盟友附近的盟友，而牧师可以在盟友附近治愈。
利用隐式人类反馈玩游戏
我们考虑深度强化学习 (DRL) 领域的以下核心问题：如何使用隐式人类反馈来加速和优化 DRL 算法的训练？最先进的方法依赖于任何明确提供的人为反馈，需要人类的主动参与（例如，专家标记、演示等）。在这项工作中，我们研究了一种替代范式，其中非专家人类正在默默观察（和评估）与环境交互的代理。通过将电极放在人的头皮上并监测所谓的事件相关电位，人类对代理行为的内在反应被感知为隐式反馈。然后使用隐式反馈来增强代理在 RL 任务中的学习。我们开发了一个系统来获取并准确解码隐式人类反馈，特别是 Atari 类型环境中的状态-动作对的错误相关事件电位 (ErrP)。作为一项基线贡献，我们证明了使用脑电图 (EEG) 帽捕获人类观察者观察代理学习玩几种不同 Atari 游戏的错误潜力的可行性，然后适当地解码信号并将其用作 DRL 算法的辅助奖励函数，旨在加速其对游戏的学习。在此基础上，我们在工作中做出了以下新颖的贡献：（i）我们认为 ErrP 的定义可以在不同的环境中推广；具体来说，我们表明观察者的 ErrP 可以针对特定游戏进行学习，并且该定义可以按原样用于另一个游戏，而无需重新学习错误潜力。（ii）为了提高 ErrP 数据效率，我们提出了一个新的学习框架，将 DRL 的最新进展结合到基于 ErrP 的反馈系统中，允许人类仅在 RL 代理训练开始之前提供隐式反馈。 （iii）最后，我们将基于隐式人类反馈（通过 ErrP）的 RL 扩展到相当复杂的环境（游戏），并通过合成和真实用户实验证明了我们的方法的重要性。