XiaoMi-AI文件搜索系统
World File Search System集中学习
检测航空临时网络中的欺骗攻击...
摘要 — 我们考虑一个依赖于在欺骗者存在的情况下运行的飞机的航空自组织网络。如果合法飞机发送信号并且没有欺骗攻击，则地面基站接收到的聚合信号被视为“干净”或“正常”。相反，面对欺骗信号，接收信号被视为“虚假”或“异常”。自动编码器 (AE) 经过训练以从训练数据集中学习特征/特性，该训练数据集仅包含与没有欺骗攻击相关的正常样本。AE 将原始样本作为其输入样本并在其输出中重建它们。基于训练后的 AE，我们定义了欺骗发现算法的检测阈值。更具体地说，将 AE 的输出与其输入进行对比，将为我们提供曲线峰值方面的几何波形相似性/不相似性的度量。为了量化未知测试样本与给定训练样本（包括正常样本）之间的相似性，我们首先提出一种所谓的基于偏差的算法。此外，我们估计每架合法飞机的到达角（AoA），并提出一种所谓的基于 AoA 的算法。然后，基于这两种算法的复杂融合，我们形成了最终的检测算法，用于在严格的测试条件下区分虚假异常样本和正常样本。总之，我们的数值结果表明，只要仔细选择检测阈值，AE 就可以改善正确的欺骗检测率和误报率之间的权衡。
从大规模和多样的视频中学到的通用世界模型
世界模型通过在环境中提供代理商的预测性表示，并使代理商能够推理未来并做出更明智的决定，从而在基于模型的增强学习（RL）中起着至关重要的作用。但是，仍然存在两个主要问题，限制了世界模型的应用。首先，当前方法通常仅使用特定于域的数据来训练世界模型，这使得概括地看不见的情况或适应环境中的变化具有挑战性。第二，在使用野生视频中训练世界模型时，很难定义动作。在这项工作中，我们通过从不同规模和大型现实世界的视频数据集中学习通用世界模型来解决这两个问题，并提取了潜在的动作。具体来说，我们的方法利用预先训练的视觉编码器将两个相邻帧的图像投射到状态中；然后，根据向量量化，将潜在作用提取到低维空间中；最后，使用潜在动作学习了动态功能。结果表明，在野外视频数据集中测试时，提出的通用世界模型可以成功提取任意相邻帧的潜在动作。此外，在适应看不见的环境时，仅对少量域内数据进行微调可以显着提高通用世界模型的准确性。
基于原型的独立于主体的脑机接口领域泛化框架
摘要 — 由于脑电图 (EEG) 的受试者间/受试者内变异性，脑机接口 (BCI) 在实践中难以使用。通常，BCI 系统需要一种校准技术来获取受试者/会话特定数据，以便在每次使用系统时调整模型。这个问题被认为是 BCI 的一个主要障碍，最近出现了一种基于领域泛化的新策略来解决它。鉴于此，我们专注于开发一个 EEG 分类框架，该框架可以直接应用于来自未知域（即受试者）的数据，仅使用先前从不同受试者获得的数据。为此，在本文中，我们提出了一个框架，该框架采用开放集识别技术作为辅助任务，从源数据集中学习特定于主题的风格特征，同时帮助共享特征提取器将看不见的目标数据集的特征映射为新的看不见的域。我们的目标是在同一域中施加跨实例样式不变性，并降低潜在未见主体的开放空间风险，以提高共享特征提取器的泛化能力。我们的实验表明，使用域信息作为辅助网络可以提高泛化性能。临床相关性——本研究提出了一种提高独立于主体的 BCI 系统性能的策略。我们的框架可以帮助减少进一步校准的需要，并可用于一系列心理状态监测任务（例如神经反馈、癫痫发作的识别和睡眠障碍）。
机器学习进步时间序列预测
但是，什么是机器学习？当然，这是一个流行语，在过去的几年中，它在广受欢迎。文献中有无数的定义，最有良好的定义是来自人工智能先驱阿瑟·塞缪尔（Arthur L. Samuel），后者将ML定义为“使计算机的学习领域，使计算机能够学习而无需明确编程。” 2我们更喜欢一个不太模糊的定义，其中ML是自动化计算机算法与有力的统计方法的组合，可以在丰富的数据集中学习（发现）HID-DEN模式。从这个意义上讲，统计学习理论为ML的统计基础提供了统计基础。因此，本文是关于统计学习的发展，而不是ML，因为我们将重点关注统计模型。ML方法可以分为三个主要群体：受监督，无监督和强化学习。本调查是关于监督学习的，该任务是学习将输入（解释变量）映射到输出（因变量）的函数，该函数基于组织为输入输出对的数据。回归模型属于此类。另一方面，无监督的学习是一类ML方法，它在没有预先存在的标签的数据集中发现未发现的模式，例如群集分析或数据压缩算法。最后，在强化学习中，代理商学会在环境中执行某些行动，从而使其获得最大的奖励。它通过探索和剥削知识来做到这一点，它通过重复提高奖励的重复试验而学习。这是几个人工智能游戏玩家（例如Alfago）以及顺序治疗（例如强盗问题）的核心。
2019 cohort - PolyU
1.2 特色 本课程有以下特色： (a) 本课程为香港四年制学位课程，旨在培养学生成为航空业工程师。(b) 部分科目由理大学者与业界专业人士共同教授，让学生获得航空业第一手资料。(c) 课程可安排暑期实习、技术参观及实地经验分享，以加强学生在业界的学习和工作经验。在本课程中，学生在第一年获得广泛的科学和工程知识，为他们在高年级学习航空工程相关科目打下坚实基础。在第二年，他们将获得飞机和航空系统的基本知识，并拥有飞机部件制造过程的实践经验。在第三年，学生将开始学习更高级的科目，例如飞机设计、安全、控制和推进系统。在最后一年（即正常学习模式的第四年），学生有机会集中学习所选的课程，以获得航空工程特定领域的专业知识。可能的学习课程包括 (a) 飞机维修工程、(b) 飞行器自主、(c) 航空服务工程和 (d) 飞行员地面理论。工业中心 (IC) 培训旨在通过研讨会和项目培训为学生提供现代飞机设计的基本动手工程技能和实践。学生可在暑假参加实习计划，以获得真实的工作经验并提高他们将来的竞争力。可能会为学生提供以工业为基础的最后一年项目，以提高他们解决实际问题的技能和知识。1.3 最低入学要求
Bachelor of Engineering (Honours) Aviation Engineering - PolyU
1.2 特色 本课程有以下特色： (a) 本港独有的四年制学位课程，旨在培育学生成为航空业工程师。(b) 部分科目由理大学者与业界专业人士合教，让学生掌握航空业第一手资料。(c) 课程可安排暑期实习、技术参观及实地经验分享，以加强学生在业界的学习及工作经验。在本课程中，学生在第一年获得广泛的科学及工程知识，为高年级学习航空工程相关科目打下坚实基础。在第二年，学生将获得飞机及航空系统的基本知识，并亲身体验飞机零件制造过程。在第三年，学生将开始学习更高级的科目，例如飞机设计、安全、控制及推进系统等。在最后一年（即正常学习模式的第四年），学生有机会集中学习所选的课程，以获得航空工程特定领域的专业知识。可能的学习课程包括 (a) 飞机维修工程、(b) 飞行器自主、(c) 航空服务工程和 (d) 飞行员地面理论。工业中心 (IC) 培训旨在通过研讨会和项目培训为学生提供现代飞机设计的基本动手工程技能和实践。学生可在暑假参加实习计划，以获得真实的工作经验并提高他们将来的竞争力。可能会为学生提供以工业为基础的最后一年项目，以提高他们解决实际问题的技能和知识。1.3 最低入学要求
2019 年学生 - 理工大学
(a) 在香港开设四年制学位课程，培养学生成为航空业工程师。(b) 部分科目由理大学者和业界专业人士共同教授，让学生获得航空业的第一手资料。(c) 可安排暑期实习、技术参观和现场经验分享，以加强学生在业界的学习和工作经验。在本课程中，学生在第一年获得广泛的科学和工程知识，为他们在高年级学习航空工程相关科目奠定坚实基础。在第二年，他们将获得飞机和航空系统的基本知识，并获得飞机零部件制造过程的实践经验。在第三年，学生将开始学习更高级的科目，例如飞机设计、安全、控制和推进系统。在最后一年（即正常学习模式的第四年），学生有机会集中学习所选的课程，以获得航空工程特定领域的专业知识。可能的学习课程包括 (a) 飞机维修工程、(b) 飞行器自主、(c) 航空服务工程和 (d) 飞行员地面理论。工业中心 (IC) 培训旨在通过研讨会和项目培训为学生提供现代飞机设计的基本动手工程技能和实践。学生可在暑假参加实习计划，以获得真实的工作经验并提高他们将来的竞争力。可能会为学生提供以工业为基础的最后一年项目，以提高他们解决实际问题的技能和知识。1.3 最低入学要求
多模式扩散变压器：从多模式目标学习多功能行为
摘要 - 这项工作介绍了多模式扩散变压器（MDT），这是一种新颖的扩散策略框架，它擅长从多模式目标规范中学习多功能行为，而语言注释很少。MDT利用基于扩散的多模式变压器主链和两个自我监督的辅助目标来掌握基于多模式目标的长马操纵任务。绝大多数模仿学习方法仅从个人目标方式中学习，例如语言或目标图像。但是，现有的大规模模仿学习数据集仅以语言注释为部分标记，这禁止当前的方法从这些数据集中学习语言条件行为。MDT通过引入潜在的目标状态表示来解决这一挑战，该状态表示同时接受多模式目标指令进行培训。此状态表示将基于图像和语言的目标嵌入对齐，并编码足够的信息以预测未来状态。该表示是通过两个自制的辅助目标来训练的，从而增强了提出的变压器主链的性能。MDT在具有挑战性的Calvin和Libero基准提供的164项任务上显示出出色的表现，其中包括包含不到2％语言注释的Libero版本。此外，MDT还建立了关于加尔文操纵挑战的新记录，证明了对先前最新的最新方法的绝对性能提高了15％，该方法需要大规模预处理并包含10倍更多可学习的参数。MDT显示了其在模拟和现实世界环境中稀疏注释的数据中求解长马的能力。演示和代码可在https://intuitive-robots.github.io/mdt policy/。
笔和纸CS教育的手写代码识别
通过让学生手工编写课程来教授计算机科学（CS）具有关键的教学优势：它可以集中学习，并且与使用智能支持工具或“只是尝试”的整体开发环境（IDE）相比，需要仔细思考。笔和纸的熟悉环境也减少了没有以前没有计算机经验的学生的认知负担，而这些计算机的基本用法可能会令人生畏。最后，这种教学方法为获得计算机访问权限的学生打开了学习机会。但是，一个关键的障碍是目前缺乏用于使用手写程序和运行手写程序的教学方法和支持软件。手写代码的光学特征识别（OCR）具有挑战性：较小的OCR错误，可能是由于各种手写样式，很容易使代码不运行，并且识别凹痕对于像Python这样的语言至关重要，但由于不一致的水平间距很难在手写上进行。我们的方法是两种创新的方法。第一个将OCR与凹痕识别模块和一种用于后官方误差校正的语言模型相结合，而无需引入幻觉。据我们所知，这种方法在手写代码识别中超过了所有现有的系统。，由于对学生计划的逻辑修复程序的最小幻觉，它将误差从艺术状况减少到5％。第二种方法利用了多模式模型来识别端到端时尚中的手写程序。我们发布了手写程序和代码的数据集，以支持未来的研究1。我们希望这项贡献能够刺激进一步的教学研究，并有助于使CS教育易于获得。
蛋白质电晕研究中的十年机器学习
纳米材料及其多种生物医学应用跨越了分子成像，在暴露于生物学环境的情况下会在蛋白质电动（PC）层的吸附。由复杂的相互作用形成的动态层，显着影响免疫识别，生物分布和纳米粒子毒性。传统的蛋白质组学方法，例如液相色谱 - 串联质谱法，有效但受到低通量，高成本和对专业知识的要求的限制。从聚合物评估期间无意的PC分析转变到对其在靶向药物中的作用的故意研究强调了对更有效的分析方法的需求。机器学习（ML）与PC研究的集成已成为有前途的解决方案。这种计算方法学从特定纳米颗粒上的特征蛋白质层数据集中学习，为传统方法提供了更简化和资源有效的替代方案。最近的研究强调了ML预测PC动力学和生物学效应的能力，在预测器官的积累模式中获得了明显的准确性。然而，仍然存在挑战，包括需要更大，更多样化的数据集，重大的计算需求以及生物学家，化学家和数据科学家之间跨学科合作的必要性。此外，标准化实验方案的开发对于确保整个研究的可重复性和可比性至关重要。道德考虑，例如在传统领域的潜在工作流离失所，例如化学，也值得谨慎关注，因为ML在该领域继续发展。总而言之，尽管ML显示出彻底改变PC研究的巨大潜力，但对方法论的进一步完善和跨学科的协作增强对于完全实现其在临床纳米医学中的应用至关重要。