XiaoMi-AI文件搜索系统
World File Search System隐含地
102 定义：合法性或必要性[第 2 版；同行评审
摘要 非正规经济的过程已经得到充分证实，但学术文献中对其概念的处理却并非如此。它们构成了跨部门和学科的复杂现象，并产生了同时排斥和鼓励它们的其他因素。对于许多经济中的正式利益相关者来说，它们是必须击败的敌人；对于当局来说，非正式活动被视为国库收入的损失；对于可持续发展目标而言，通过在目标 8 中隐含地承认它们，它们构成了范式转变。同时，对于那些参与非正规经济的人来说，现实是，这是一种生活方式，而不仅仅是一种选择，它会导致所有经济中最具社会性：必需品。学术界对非正规性及其影响没有共识，因此需要从理论构建的角度分析非正规经济的过程，以发现其范围和深度，以及其相互关系和理论含义。为此，通过识别和解构它们的维度并对其在 Google Scholar 中的引用频率进行计数，分析了 102 个非正规经济定义。该分析表明，定义中缺乏文化元素，而文化元素才是造成这种现象的真正根本原因，而且定义中过于突出法律层面。
一般量子系统的自由能原理
摘要 自由能原理 (FEP) 指出，在适当的弱耦合条件下，具有足够自由度的随机动力系统将表现为最小化意外 (又名自信息) 的上限，形式化为变分自由能。这个上限可以理解为贝叶斯预测误差。同样，它的负数是贝叶斯模型证据 (又名边际似然) 的下限。简而言之，某些随机动力系统表现出一种自我证明。在这里，我们在时空背景自由、无标度量子信息理论的形式化环境中重新表述 FEP。我们展示了如何将通用量子系统视为观察者，在标准选择自由假设下，它们成为能够为观察结果分配语义的代理。我们展示了此类代理如何在以不确定性、学习不足和量子语境为特征的环境中最小化贝叶斯预测误差。我们表明，在量子理论公式中，FEP 渐近等同于幺正原理。基于这些结果，我们提出生物系统将量子相干性用作计算资源，并隐含地用作通信资源。我们总结了一些未来研究的问题，
基于集成驱动程序的推理和深度强化学习
随着自主驾驶技术的继续发展并逐渐成为现实，确保在复杂的交通情况下自动驾驶的安全已成为当前研究中的重点和挑战。无模型的深钢筋学习（深度强化学习）方法已被广泛用于解决复杂的交通情况下的运动计划问题，因为它们可以隐含地学习车辆之间的互动。但是，基于深度强化学习的当前规划方法表现出lim的鲁棒性和泛化性能。他们努力适应培训方案以外的交通状况，并面临困难处理因意外情况而引起的不确定性。因此，本文解决了综合交通情况所带来的挑战，例如无信号交叉点。首先利用在这些情况下观察到的相邻车辆的历史轨迹来做到这一点。通过基于门控复发单元（GRU）复发性神经网络的变量自动编码器（VAE），它提取了驱动程序样式功能。然后将这些驱动程序样式功能与其他状态参数集成在一起，并用于在扩展强化学习框架内训练运动计划策略。这种方法最终产生了一种更健壮和可解释的中期运动计划方法。实验结果证实，在复杂的传统方案中，提出的方法可实现低碰撞率，高效率和成功完成任务。
1 通知
图 1. Ahmadi 实验室的工作流程设计，重点关注混合钙钛矿合成。类似的试剂用于高通量合成和快速光致发光发射评估，包括带隙能量、稳定性和量子产率、单晶生长和薄膜沉积。根据最终形式，材料可用于制造器件并进行后续物理测试，或通过空间分辨成像技术（包括阴极发光和化学成像）进行探索。反过来，可以通过这些方法的空间分辨版本来表征有源器件，从而深入了解电子和离子动力学。这构成了实验室操作工作流程的支柱。工作流程构思基于多个反馈步骤，其中属性和功能测量结果为选择成分和加工条件的决策提供信息，稳定性测量为薄膜沉积和器件制造的样品选择提供信息，等等。大多数这些决定都是由人类代理做出的，并隐含地由对感知奖励、测量编排延迟和成本的直觉组合驱动。a) 经皇家化学学会许可，从参考文献 53 复制。 b) 经 John Wiley and Sons 许可，从参考文献 54 复制。
bevgan：生成鱼眼交叉视图变形金刚
摘要：当前的停车援助和监测系统合成鸟类视图（BEV）图像，以提高驱动程序的可见度。这些BEV图像是使用称为“逆透视图”（IPM）的流行透视转换创建的，该转换将其投射到FishEye摄像头捕获的环绕视图图像的像素上。然而，IPM在准确地表示高度和接缝的对象方面面临挑战，因为它依赖于刚性几何变换，因此将预计的环绕视图缝合在一起。为了解决这些局限性，我们提出了Bevgan，这是一种新型的几何形状引导的条件生成副本网络（CGAN）模型，将多尺度鉴别器与基于变形金刚的生成器相结合，该生成器利用Fisheye摄像机校准和注意力机械机制，以隐含地模拟该视图之间的几个几何形式的变换。实验结果表明，在图像保真度和质量方面，Bevgan的表现优于IPM和最先进的跨视图生成方法。与IPM相比，我们报告了 + 6的改进。在PSNR上的2 dB，MS-SSIM上的 + 170％在描绘停车场和驾驶场景的合成数据集上进行评估。此外，还通过零射推理证明了Bevgan在现实世界中的图像上的概括能力。
timix：有效视觉的文本感知图像混合 - ...
自我监管的多模式对比度学习（SMCL）明显地通过使视觉和语言方式结盟现代视觉预训练（VLP）模型。由于网络收获的文本图像对中的噪音，因此在计算成本和数据效率低下方面，SMCL的培训数据量扩大了相当大的obs。为了提高VLP的数据效率，我们提出了文本感知图像混合（TIMIX），该图像混合（TIMIX）将基于混合的数据增强技术集成到SMCL中，从而在没有显着增加计算开销的情况下进行了显着的性能改进。我们从共同信息（MI）的角度提供了TIMIX的理论分析，表明跨模式对比度学习的混合数据样本隐含地充当对比损失的常规器。实验结果表明，即使在针对现有方法的基准测试时，Timix在下游任务上也表现出可比的性能，即使减少了训练数据和较短的训练时间。这项工作在经验上和理论上证明了数据混合对于数据有效和计算可行的VLP的潜力，从而使更广泛的VLP模型在实际情况下受益。我们的代码可在https://github.com/chaoyajiang/timix/tree/main上使用。
文本引导的视频蒙版自动编码器
摘要。最近的视频蒙版自动编码器（MAE）作品已签署了以显着性为重点的改进的掩盖算法。这些作品利用了视觉提示，例如掩盖最突出区域的运动。但是，此类视觉提示的鲁棒性取决于输入视频的频率匹配基础假设。另一方面，自然语言描述是视频的信息密集表示，它隐含地捕获了显着性而无需特定于模态的标题，并且尚未探索视频MAE。为此，我们介绍了一种新颖的文本引导掩蔽算法（TGM），该算法掩盖了与配对字幕最高对应的视频区域。在不利用任何显式视觉提示的情况下，我们的TGM与最先进的掩蔽算法（如运动引导掩盖）具有竞争力。为了从自然语言的语义中进一步受益于掩盖重建的语义，我们接下来引入了一个统一的MAE和蒙版视频文本对比学习的统一框架。我们表明，在现有的掩蔽算法中，与纯MAE相比，在各种视频识别任务上，统一MAE和蒙版视频对比学习可以改善下游性能，尤其是对于线性探测。在这个统一的框架内，我们的TGM在五个动作识别和一个以自我为中心的数据集上实现了最佳的相对性能，从而突出了自然语言对掩盖视频建模的互补性。
脱氧得分蒸馏：从嘈杂的扩散预处理到一步高质量一代
扩散模型在产生各种自然分布的高分辨率，逼真的图像方面取得了巨大的成功。但是，他们的性能在很大程度上依赖于高质量的培训数据，这使得从损坏的样本中学习有意义的分布变得具有挑战性。此限制限制了它们在稀缺或昂贵的科学领域中的适用性。在这项工作中，我们引入了DeNoising评分蒸馏（DSD），这是一种出奇的有效和新颖的方法，用于训练低质量数据的高质量生成模型。DSD首先预修了一个扩散模型，专门针对嘈杂，损坏的样品，然后将其提炼成能够生产精制，干净的输出的单步生成器。传统上将得分蒸馏视为加速扩散模型的一种方法，但我们表明它也可以显着提高样本质量，尤其是从退化的教师模型开始时。在不同的噪声水平和数据集中，DSD始终提高生成性能 - 我们在图中总结了我们的经验证据1。此外，我们提供了理论见解，表明在线性模型设置中，DSD识别了干净的数据分散协方差矩阵的特征空间，并隐含地正规化了生成器。此透视图将蒸馏片重新升级为效率的工具，而且是改善生成模型的机制，尤其是在低质量的数据设置中。
平衡对策略方法I的不变性I：理论
策略方法（SM）是一种日益流行的估计偏好方式，包括要求参与者在所有信息集中指示他们的选择，而不仅仅是实际达到的信息。然后比较不同信息集中决策的差异。例如，要确定最后通atum游戏中低报价的效果，可以将设置的低信息信息的决策变化与高范围信息集的决策进行比较。SM的吸引力来自其简单性以及其在理论模型表明存在多种均衡时实际播放的均衡的潜力。sm还有可能规避在异质个体之间进行比较时估计偏好时出现的许多依据问题。sm是经济学研究中使用的直接但功能强大的工具，涉及要求参与者在所有可能的信息集中做出选择，而不是仅在所达到的信息集中进行选择。通过比较不同信息集的决定性变化，研究人员可以获得宝贵的见解。例如，在最后通atum游戏中，可以通过对比低和高的场景做出的决策来评估低报价的效果。SM的吸引力在于它的简单性和揭示理论模型表明多种可能性时所发挥的实际均衡的能力。此外，SM可以帮助克服内生性问题，这些问题在估计不同个体之间比较的偏好时出现。2020; Chen and Schonger 2023）。但是，SM具有其局限性，并且可以产生与使用直接启发（DE）集合的数据不同（Brandts and Charness 2000，2011;García-Pola等人。开放的问题是为什么以及在哪些条件下这些方法不是明确等效的。我们认为，当与SM一起玩的游戏的回报是与DE玩游戏的诱发终端节点的仿射转换时，这两个游戏在表面上是相当于的，而SM的游戏本质上与游戏的战略形式相吻合。由于这种情况可能无法满足，因此SM受到可能严重的经济理论偏见的约束。大量的经济理论使SM和DE的信息集差异。DE决策节点的信息集与SM中同一决策节点的信息集不同。虽然经常对超平衡动机的经济理论进行模范，但使用SM的研究人员隐含地将其隐含地假定。三个因素使平衡动机在SM背景下成为特别重要的问题。首先，SM通常依赖于不同信息集的许多决定。第二，SM中最常用的因变量通常高度相关。第三，这是SM的固有方面，即使在不同信息集中，即使它们不影响货币收益，范围均衡的决策也会影响决策的效用。这三个因素相互加强，因此，相对于DE，可以严重偏见治疗效应的SM。基于失望厌恶的动机（Gul，1991），意图（Battigalli等，2007； Fehr＆Schmidt，2000），自我形象（Bénabou＆Tirole，
论认识论有用的物理计算
1. 简介 这一讨论源于两个基本问题：什么是物理上可计算的？图灵可计算性和物理可计算性之间是什么关系？由于图灵可计算性是可计算性理论的核心力量，前一个问题常常用后者来提出（例如，Arrighi 和 Dowek 2012 ；Cotogno 2003 ；Hogarth 1994 ；Shagrir 和 Pitowsky 2003 ；Ziegler 2009 ，以及无数其他人）。Piccinini（2011 年、2018 年）对物理上的丘奇-图灵论题的讨论遵循了这种格式。他认为，如果可计算性概念与对有限观察者在认识论上有用的东西联系起来，那么物理上的丘奇-图灵论题的一个适度版本可能成立。这个谦虚的物理丘奇-图灵论题指出，图灵可计算的内容充当了物理可计算内容的上限，前提是给定一些物理计算的限制。这些限制旨在将讨论限制在对有限观察者可能具有认识论用途的物理计算上。虽然谦虚的物理丘奇-图灵论题似乎很有道理，但我们将看到，皮奇尼尼用来论证这一论题的关于什么算作认识论有用的物理计算的说明需要更明确的概念基础。特别是，我认为它回避了关于人们认为哪些物理过程是可能的计算操作的问题，并隐含地用