Automatic Mapping of NES Games with Mappy
University of California at Santa Cruz(加州大学圣克鲁兹分校)
游戏地图对于人类玩家、一般的游戏代理和数据驱动的过程内容生成非常有用。这些地图通常是通过手工组装手工创建的游戏关卡截图制作的。除了繁琐和容易出错之外,这种方法还需要为每个新游戏和要映射的关卡付出额外的努力。这些结果对于人类或计算系统来说仍然很难利用,将视觉外观置于语义信息之上。我们描述了一个软件系统,地图,产生一个很好的近似的链接地图的房间给定的任天堂娱乐系统游戏程序和一个序列的按钮输入探索它的世界。除了可视化地图,Mappy还输出瓦片网格(以及它们如何随时间变化)、非瓦片对象的位置、可能实际上是同一个房间的类似房间的集群,以及这些房间之间的一组链接。我们相信这是通过机器学习和其他应用程序为PCG开发更大的高质量语义注释地图语料库的必要一步。
2017-07-12 cs.AI
Automatic Generation of Individual Fuzzy Cognitive Maps from Longitudinal Data
Miami University(迈阿密大学);Maastricht University(马斯特里赫特大学)
模糊认知图(FCM)是一种计算模型,它表示因素(节点)如何根据其他因素的因果影响(加权有向边)在离散交互作用中发生变化。这种方法传统上被用作聚合,类似于系统动力学,以描述系统的功能。在个体层面上采取这种聚合方法的兴趣越来越大,例如通过为基于代理的模型的每个代理配备自己的FCM来表达其行为。虽然框架和研究已经采取了这种方法,但持续的限制是很难创建与个人一样多的FCM。事实上,目前的研究已经能够创建代理人的特点是不同的,但其决策模块往往是相同的,从而限制了模拟人口的行为异质性。在本文中,我们解决了这个问题,使用遗传算法创建一个FCM为每个代理,从而提供了自动创建一个虚拟人口的异质行为的手段。我们的算法建立在Stach及其同事之前的工作基础上,在过程中引入了额外的约束条件,并将其应用于纵向的个人数据。来自现实世界的营养干预的案例研究证实,我们的方法可以生成紧密遵循现实世界人类对应物轨迹的异质代理。未来的工作包括技术改进,例如降低该方法的计算时间,或使用我们的虚拟人群测试新的行为改变干预措施的计算智能案例研究。
2022-02-14 cs.AI
What's under the hood: Investigating Automatic Metrics on Meeting Summarization
University of Göttingen(哥廷根大学)
本文针对会议摘要评估中自动指标难以捕捉会议特有错误的问题,基于 QMSum 与人工错误标注分析常用指标,揭示其相关性弱及错误掩盖现象。
2024-10-18 cs.AI cs.CL
What is the Best Grid-Map for Self-Driving Cars Localization? An Evaluation under Diverse Types of Illumination, Traffic, and Environment
Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)(圣埃斯皮里图联邦教育、科学和技术学院);Universidade Federal do Espírito Santo (UFES)(圣埃斯皮里图联邦大学);Universidade Federal do Rio de Janeiro (UFRJ)(里约热内卢联邦大学)
自动驾驶汽车的本地化需要执行多项任务,例如保持地图更新,跟踪目标和规划。定位算法通常利用地图来估计汽车姿态。由于维护和使用多个映射在计算上是昂贵的,因此分析哪种类型的映射更适合每个应用程序是很重要的。在这项工作中,我们提供了这样的分析数据,通过比较粒子滤波器定位时,使用占用率,反射率,颜色,或语义网格地图的准确性。据我们所知,这种评价在文献中缺失。为了构建语义和彩色网格地图,来自光探测和测距(LiDAR)传感器的点云与前置摄像头捕获的图像融合。利用深度神经网络从图像中提取语义信息。实验在不同的环境中进行,在不同的照明和交通条件下。结果表明,占有率网格地图导致更准确的定位,其次是反射率网格地图。在大多数情况下,使用语义网格地图的定位保持了位置跟踪,没有灾难性的损失,但误差比以前大2到3倍。彩色网格地图导致不准确和不稳定的定位,即使使用一个强大的度量,熵相关系数,比较在线数据和地图。
2020-09-19 cs.AI cs.RO
What Was That Again? Certified Robustness for Automatic Speech Recognition
University of Melbourne(墨尔本大学);DST Group(国防科技集团)
针对自动语音识别系统对扰动敏感且缺乏真实转录的问题,提出双门诊断管道(双侧原子审计和基于排名的锦标赛),实现词错误率降低55%并提供词级和句级认证。
2026-07-02 cs.AI cs.CR cs.LG
DuMapper: Towards Automatic Verification of Large-Scale POIs with Street Views at Baidu Maps
Baidu Inc.(百度公司)
针对大规模POI数据库验证人力成本高的问题,本文设计DuMapper系统,以招牌图像和坐标为输入生成低维向量,通过ANN算法在数十亿POI中快速准确搜索验证,将吞吐量提升50倍,节省成本并提高效率。
2024-11-27 cs.AI cs.IR
Collaborative 3D Object Detection for Automatic Vehicle Systems via Learnable Communications
Southern University of Science and Technology(南方科技大学)
三维点云中目标的精确检测是自动驾驶系统中的关键问题。协同感知可以整合来自空间上不同的传感器的信息,并为提高自动驾驶系统的感知准确性提供显着的好处。在这项工作中,我们认为,自主车辆使用本地点云数据,并结合信息从邻近的基础设施,通过无线链路的合作三维目标检测。然而,在预定义的通信方案中,车辆和基础设施之间的信息共享可能导致通信拥塞和/或带来有限的性能改进。为此,我们提出了一种新的协同3D目标检测框架,该框架由三个部分组成:特征学习网络,将点云映射到特征图;高效的通信块,将紧凑和细粒度的查询特征图从车辆传播到支持基础设施,并优化查询和关键字之间的注意力权重以细化支持特征图;融合局部特征图和加权支持特征图的区域建议网络,用于3D目标检测。我们使用一个合成的合作数据集在两个复杂的驾驶场景:一个环形交叉路口和一个T型路口的性能评估所提出的框架。实验结果和带宽利用率分析表明,该方法在不同检测难度下均能有效降低通信和计算开销,显著提高检测性能。
2022-05-24 cs.AI cs.CV
High-Resolution Swin Transformer for Automatic Medical Image Segmentation
Xi’an University of Posts&Telecommunications(西安邮电大学);Xidian University(西安电子科技大学)
特征图的分辨率是医学图像分割的关键。大多数现有的基于变换器的医学图像分割网络都是类似U网的架构,其包含编码器和解码器,编码器利用一系列Transformer块将输入的医学图像从高分辨率表示转换为低分辨率特征图,解码器从低分辨率特征图逐渐恢复高分辨率表示。与以前的研究不同,在本文中,我们利用高分辨率网络(HRNet)的网络设计风格,用Transformer块替换卷积层,并从由Transformer块生成的不同分辨率特征图中连续交换信息。本文提出的新的基于变压器的网络表示为高分辨率Swin Transformer网络(HRSTNet)。大量实验表明,HRSTNet可以在脑肿瘤分割(BraTS)2021和医学分割Decathlon的肝脏数据集上实现与最先进的基于Transformer的U-Net类似架构相当的性能。HRSTNet的代码将在https://github.com/auroua/HRSTNet上公布。
2022-07-23 cs.AI cs.CV
Automatic Posology Structuration : What role for LLMs?
SAS Posos;Sorbonne Université(索邦大学)
针对法语处方中用药方案结构化的难题,本文比较了提示与微调LLM方法,并提出结合NERL与LLM的混合流程,以91%的准确率实现高效结构化。
2025-06-24 cs.AI cs.CL
Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents
Novaxbot
本文证明视觉界面机器人智能体的工具链可由优化器智能体自动进化,其效果取决于每轮回滚规模(增大批次提升信噪比)和修订选择机制(冠军-挑战者机制防止性能退化),可将留出成功率从51%提升至67%。
2026-10-23 cs.AI cs.RO
Automatic Authorities: Power and AI
Australian National University(澳大利亚国立大学)
本文提出“自动权威”概念,分析AI自动化系统如何塑造知识、资源与选择并强化权力关系,同时借助政治哲学探讨权力的证成、正当权威与程序合法性。
2024-04-09 cs.AI cs.CY
A survey of neural models for the automatic analysis of conversation: Towards a better integration of the social sciences
Institut Polytechnique de Paris(巴黎理工学院);Carnegie Mellon University(卡内基梅隆大学);Inria Paris(法国国家信息与自动化研究所巴黎分部)
在过去的几年里,已经引入了一些令人兴奋的新方法来分析会话的神经架构。这些包括用于检测情感、对话行为和情感极性的神经架构。它们利用了当代机器学习的一些关键属性,例如具有注意力机制的递归神经网络和基于transformer的方法。然而,虽然架构本身非常有前途,但迄今为止应用它们的现象只是使对话引人入胜的一小部分。在本文中,我们调查这些神经架构和它们已被应用。在社会科学文献的基础上,我们描述了我们认为是最基本的和定义性的会话特征,这是随着时间的推移,由两个或两个以上的对话者的共同建设。我们将讨论如何将所调查的神经架构有益地应用于这些更基本的会话方面,以及这为我们带来了什么,以便更好地分析会话,甚至从长远来看,为会话系统生成会话的更好方法。
2022-03-31 cs.AI cs.CL cs.HC
Understanding AI Data Repositories with Automatic Query Generation
我们描述了一套技术,自动生成查询的基础上一个或多个摄取,输入语料库。这些查询不需要先验领域知识,因此不需要人类领域专家。因此,这些自动生成的查询有助于解决我们如何知道我们知道什么的认识论问题,或者更准确地说,在这种情况下,具有摄取数据的AI系统如何知道它知道什么。这些自动生成的查询还可以用于识别和纠正摄入材料中的问题区域-人工智能系统的知识不完整甚至错误的区域。同样,所提出的技术促进了AI能力的测试-无论是在覆盖范围还是准确性方面。通过将人类从主要的学习循环中移除,我们的方法还允许更有效地扩展人工智能和认知能力,以提供(1)在健康或地质等单一领域的更广泛覆盖范围;以及(2)更快速地部署到新领域。所提出的技术还允许摄取的知识自然地扩展。我们的调查是早期的,本文提供了一个描述的技术。评估其效力是我们今后工作的下一步。
2018-04-20 cs.AI
What Makes Good Data for Alignment? A Comprehensive Study of Automatic Data Selection in Instruction Tuning
ShanghaiTech University(上海科技大学);Beijing University of Posts and Telecommunications(北京邮电大学);Meituan(美团);Alibaba Group(阿里巴巴集团);The Hong Kong University of Science and Technology(香港科技大学)
本文研究指令微调中的自动数据选择,从复杂度、质量和多样性衡量数据,并提出 deita 方法,仅用 6K SFT 样本即达到或超过开源对齐模型的先进水平。
2024-04-16 cs.AI cs.CL cs.LG
A Cognitive Mind-map Framework to Foster Trust
University of Luxembourg(卢森堡大学)
探索性思维导图是一个动态的框架,从输入中自动出现,它得到。它不像一个验证性的建模系统,现有的(人类)思想被放置和连接在一起。在这方面,探索性思维导图不断地改变它们的大小,与内部的联结细胞相适应;思维导图渐进地处理数据输入,并通过适当的通信界面提供与用户交互的许多可能性。对于像伙伴之间的对话这样的认知动机的情况,思维导图变得有趣,因为它们能够在任何时候处理刺激信号。如果这些信号接近自己对世界的理解,那么对话伙伴就会自动变得比信号不匹配或不匹配自己的知识体系时更信任。因此,在这篇(立场)论文中,我们激励探索思维导图作为认知引擎,并提出这些作为决策支持引擎,以促进信任。
2009-08-24 cs.AI
From Elevation Maps To Contour Lines: SVM and Decision Trees to Detect Violin Width Reduction
UCLouvain - ICTEAM(鲁汶大学 - ICTEAM);UCLouvain - INCAL(鲁汶大学 - INCAL);Musical Instruments Museum (MIM)(乐器博物馆(MIM))
本文比较了基于高程图的SVM和决策树方法与基于参数等高线拟合的方法,在自动检测小提琴宽度减少方面,等高线方法表现更优。
2026-04-02 cs.AI cs.CV