亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

隨著人工智能技術的發展和計算機硬件算力的提升，越來越多的武器裝備開始搭載高性能計算機以及 先進的人工智能算法。基于無人作戰平臺的防空火箭炮系統的研究現狀，闡述了人工智能技術在無人防空火箭炮中 的應用，建立了無人防空火箭炮的作戰流程。分析了無人駕駛、無人值守、目標識別、數據挖掘等人工智能技術在無 人防空火箭炮中的應用，為無人防空火箭炮的發展提供了技術支撐和解決思路。 在當前高技術現代戰爭中，空襲與反空襲成為 戰爭之初主要的作戰模式，并且貫穿整個戰爭，在 很大程度上決定戰爭的勝負。無人防空火箭炮是集 人工智能技術于一身的自主化無人作戰武器。目前 人工智能技術方興未艾，在武器裝備中已經得到了 廣泛的應用。美國的“大狗”機器人和雙足人形“阿特拉斯”機器人自帶大量傳感器，通過人工智能算 法進行自學習不斷積累經驗，具備在高危戰場環境 下的作戰能力。俄羅斯的天王星 -6 無人戰車通過 自主探測識別算法，在敘利亞戰場出色地完成了掃 雷任務。我國的 WJ-600 無人機同樣搭載著先進的 人工智能算法，擁有自主控制飛行和一定的自主決 策打擊能力。面對智能化:武器裝備的日趨發展，傳 統的防空武器裝備出現命中精度差、反應慢等問 題，并且絕大部分環節都需要人為操作或者作出決 策，這種作戰方式已經無法滿足現代戰爭的需求。 而基于人工智能技術的武器裝備擁有更高的命中 精度，并擁有一定自主決策能力，是未來武器裝備 的重要研究方向。 為了應對日益復雜的空戰環境，通過使用人工 智能技術，搭建無人防空火箭炮作戰平臺，在人工 智能算法的驅動下，此平臺將擁有更加智能化的決 策功能，可以實現全天候、全時域作戰，多方位打 擊，并且持續作戰能力強，火控系統的命中率也會 大大提升。相較于導彈防空，無人防空火箭炮有著 較大的價格優勢，并且生產周期短、研發快，是未來 重要發展的防空武器裝備。要實現無人自主作戰必 須以人工智能技術作為支撐，通過將人工智能技術 運用到無人防空火箭炮上，可以減少火控系統的反 應時間，提高對目標的追蹤能力，從而提高火箭彈 的命中精度。因此，對無人防空火箭炮上的人工智 能技術進行分析和研究是至關重要的。

多智能體學習（MAL）中的合作是一個跨越多個學科的主題，包括博弈論、經濟學、社會科學和進化生物學。這一領域的研究旨在理解智能體如何在目標一致時有效協調以及在合作可能帶來收益但沖突可能性豐富的環境中如何合作。在這篇論文中，我們提供了多智能體學習的基本概念、問題設置和算法的概述。這包括強化學習、多智能體順序決策制定、與多智能體合作相關的挑戰，以及對最近進展的全面回顧，連同相關度量標準的評估。最后，我們討論了該領域的開放性挑戰，旨在激發新的研究途徑。 合作型多智能體學習（MAL）研究讓多個智能體能夠學習如何在共享環境中協作、適應和做出決策的算法和策略。隨著多智能體系統在我們這個科技驅動的世界中變得越來越普遍，確保智能體之間有效和無縫合作的重要性也在增長。

合作型MAL自然與經濟學[Zheng et al., 2021a; Johanson et al., 2022]和進化生物學[Jaderberg et al., 2019; Dué?ez-Guzmán et al., 2023]等多個其他領域交叉。社會科學的其他概念，如溝通、規范和信任[Hertz et al., 2023]，也扮演著重要角色。博弈論為理解智能體之間的戰略互動提供了堅實的基礎，包括合作和非合作決策制定[Shapley, 1953; Littman, 1994]。它的數學形式主義與經濟學原理相一致，并在智能體需要最大化共享效用或在充滿潛在沖突的環境中需要鼓勵合作的情況下特別有用。

雖然MAL這一更廣泛的領域涵蓋了廣泛的主題，但我們旨在關注其合作維度。隨著合作型AI的勢頭增長（例如[Dafoe et al., 2020]），為讀者提供該領域的綜合理解變得尤為重要。該領域有兩個主要分支：基于團隊的MAL（在第4節中介紹）和混合動機的MAL（在第5節中介紹）。

在基于團隊的MAL中，由于單一標量獎勵信號是所有團隊智能體活動的唯一反饋，因此難以有效地學習協調的聯合政策。考慮當一個智能體采取有獎勵的行動而另一個智能體行為不利時會發生什么。共享的標量獎勵無法區分哪個智能體的行動是獲得獎勵的原因。這使得在這種環境中的信用分配變得困難[Claus and Boutilier, 1998; Foerster et al., 2018a; Sunehag et al., 2018]。 在混合動機設置中，存在個體獎勵，這些獎勵更容易從中學習。然而，這樣的游戲包含許多次優平衡，這一事實導致了社會困境的產生——即個體與集體理性之間存在緊張關系的情況[Rapoport, 1974]。在MAL中，社會困境的博弈論概念已被推廣到空間/時間擴展的復雜行為學習設置[Leibo et al., 2017]。這一領域已經看到了大量技術的發展，用以實現更接近人類世界所見合作的形式，因此，與社會科學和進化生物學的交集更多，后者是研究合作出現的重要課題[Dué?ez-Guzmán et al., 2023]。為方便起見，我們使用“共玩者”一詞來描述基于團隊和混合動機設置中的其他智能體，與零和設置中的“對手”相對。 本文的結構如下所述。第2節介紹了多智能體學習的自成一體的基礎知識，包括單智能體和多智能體RL、博弈論公式化。第4節考慮具有純粹動機的合作系統。第5節討論智能體具有混合動機的情況。第6節回顧基準和評估度量。第7節以討論該領域的挑戰和未解決的問題作為結論。

本文提供了一個關于大型語言模型（LLMs）在軟件工程（SE）中應用的新興領域的調查。它還提出了將LLMs應用于軟件工程師面臨的技術問題的開放性研究挑戰。LLMs的新興屬性帶來了創新性和創造力，其應用覆蓋了軟件工程活動的全譜，包括編碼、設計、需求、修復、重構、性能提升、文檔和分析。然而，這些同樣的新興屬性也帶來了重大的技術挑戰；我們需要能夠可靠地剔除錯誤的解決方案，如幻覺。我們的調查揭示了混合技術（傳統的SE與LLMs相結合）在開發和部署可靠、高效和有效的基于LLM的SE中的關鍵作用。本文調查了基于LLM的SE的最近發展、進展和實證結果；即大型語言模型（LLMs）在軟件工程（SE）應用的應用。我們使用這次調查來突出這個迅速發展但尚屬初級階段的研究文獻中的空白。基于文獻中的空白和技術機會，我們還確定了軟件工程研究社區的開放問題和挑戰。盡管對這樣一個迅速擴張的領域的任何調查都既不能渴望也不能聲稱是全面的，但我們希望這次調查能為這個令人興奮的新軟件工程子學科——基于LLM的軟件工程提供一個有用且相對完整的早期概述。盡管該領域的科學和技術結構仍在形成中，但我們已經可以識別出趨勢、對未來研究的有益方向以及需要解決的重要技術挑戰。特別是，我們已經能夠辨別出與軟件工程內的現有趨勢和既定方法及子學科的重要連接（和共鳴）。盡管總的來說，我們找到了很多樂觀的理由，但仍然存在重要的技術挑戰，這些挑戰很可能在未來幾年內影響研究議程。許多作者都從科學和軼事的角度指出，LLMs普遍存在幻覺問題[1]，而且它對基于LLM的SE也帶來了特定的問題[2]。與人類智慧一樣，幻覺意味著LLM可以產生虛構的輸出。在軟件工程的背景下，這意味著創造的工程制品可能是錯誤的，但看起來是合理的；LLMs可能引入錯誤。然而，與LLMs的許多其他應用不同，軟件工程師通常有可自動化的真實依據（軟件執行），大部分軟件工程制品都可以基于此進行評估。此外，軟件工程研究社區已經花了很多時間開發自動化和半自動化技術，以檢查人類可能產生的錯誤結果。這意味著，對于這個學科和研究社區，當面對像幻覺這樣的問題所帶來的挑戰時，有大量的經驗和專業知識可以借鑒。

顯然，自動化測試技術 [3]–[5] 將在確保正確性中發揮核心作用，就像它們已經為人工設計的制品所做的那樣。在生成全新的功能和系統時，由于缺乏可自動化的oracle [6]（一種自動技術，用于確定給定輸入刺激的輸出行為是否正確），自動測試數據生成受到限制。考慮到LLMs的幻覺傾向，Oracle問題仍然非常相關，對它的解決方案將變得更加有影響力。但是，一些SE應用關心現有軟件系統的適應、改進和開發，對于這些應用，有一個現成的可自動化的oracle：原始系統的功能行為。在本文中，我們稱其為“自動回歸Oracle”，這種方法已在遺傳改進領域得到證明是有益的 [7]。自動回歸Oracle簡單地使用軟件系統的現有版本作為參考，以對任何后續的適應和更改的輸出進行基準測試。當然，有“烘焙”功能錯誤的風險，因為自動回歸Oracle無法檢測系統應該做什么，只能捕捉它當前做什么。因此，自動回歸Oracle只能測試功能退化，所以它最適合于需要保持現有功能的用例。例如，對于性能優化和語義保持不變的重構。LLM的輸入將成為越來越多研究的焦點，我們可以預期關于prompt工程和prompt優化文獻的迅速發展 [8]。在這次調查中，我們突出了關于軟件工程的幾個特定方面的prompt工程的現有工作和開放挑戰。LLM的輸出不僅可以限于代碼，還可以包括其他軟件工程制品，如需求、測試用例、設計圖和文檔。總的來說，LLM的基于語言的特性使其能夠生成任何語言定義的軟件工程制品。我們通常認為軟件工程制品是LLM的主要輸出，但它不是唯一的輸出。與主要輸出一起提供的解釋也是LLM的重要輸出。我們的調查突出了需要進行更多的研究的需求，不僅要優化prompt工程（專注于LLM的輸入），還要優化與主要輸出一起提供的解釋的工作。LLMs本質上是非確定性的：相同的prompt在不同的推斷執行中產生不同的答案（除非溫度設為零，這在多次執行中經常被發現是次優的）[9]。此外，無論溫度設置如何，prompt的微妙變化都可能導致非常不同的輸出[9]。除了激勵‘prompt工程’和輸出處理，這種非確定性行為為基于LLM的軟件工程的科學評估帶來了挑戰：如果每次我們運行整個工程過程時結果都會變化，我們如何確定所提議的技術是否超越了現有的技術？這是一個在經驗軟件工程[10]和基于搜索的軟件工程(SBSE)[11]的背景下已經被深入研究的問題。特別是，SBSE與基于LLM的軟件工程有很多相似之處，在存在嘈雜、非確定性和不完整的結果[12]、[13]的情況下實現穩健的科學評估都與之有關。因此，已經有一個成熟的軟件工程文獻專門研究適用于基于LLM的科學評估所需的穩健的科學評估技術。例如，參數和非參數的推斷統計技術現在經常被用來在SBSE學科中提供在高度非確定性算法存在的情況下的穩健的科學結論。為了找出與LLM相關的計算機科學論文，我們過濾了出版物，將其細分為以下子類別：人工智能 (cs.AI)、機器學習 (cs.LG)、神經和進化計算 (cs.NE)、軟件工程 (cs.SE) 和編程語言 (cs.PL)。我們使用查詢“Large Language Model”、“LLM”和“GPT”在標題或摘要中進行篩選（我們手動排除了重載縮寫，例如將GPT誤認為是通用規劃工具），結果是L列。最后，我們使用相同的查詢來識別基于LLM的軟件工程論文，這些論文位于軟件工程 (cs.SE) 和編程語言 (cs.PL) 類別中。這些查詢本質上是近似的，因此我們只局限于基于總體趨勢得出的結論，而這些總體趨勢有強有力的證據支持，而不是觀察到的數字的具體細節。盡管如此，我們報告了觀察到的原始數字，以支持其他人的復制。

圖2展示了arXiv上發布的計算機科學論文數量（|A|，以藍色表示）和LLM相關論文的數量（|L|，以橙色表示）的增長。特別是與軟件工程和LLM相關的論文以綠色表示（|L ∩ S|）。考慮到總體發表量的快速增長，我們為縱軸使用了對數刻度。不出所料，我們看到了計算機科學出版物數量的整體增長。同時，鑒于LLM最近受到的關注增多，LLM相關論文數量的指數增長也相對不足為奇。或許更有趣的是LLM在軟件工程應用中的快速采納，如圖中的綠色所示。為了更詳細地檢查這一趨勢，我們在圖3中畫出了LLM出版物（L）與所有計算機科學出版物（A）的比例（以藍色表示），以及基于LLM的軟件工程出版物（L ∩ S）與所有LLM出版物的比例（以橙色表示）。如圖所示，自2019年以來，基于LLM的軟件工程論文的比例已經急劇上升。目前，所有關于LLM的論文中已有超過10%與基于LLM的軟件工程有關。由于這一增長，我們可以預期將有更多其他的基于LLM的軟件工程調查。文獻的快速擴展使得進一步的全面軟件工程研究不太可能適應單篇論文的空間限制，但我們可以預期會有許多關于感興趣的子領域的全面調查，以及針對系統評審中的主要文獻提出具體研究問題的系統文獻回顧（SLRs）。例如，Hou等人[14]提供了一個出色的最新SLR，涵蓋了2017年至2023年的229篇研究論文，報告了所處理的軟件工程任務、數據收集和預處理技術，以及優化LLM性能的策略（例如提示工程）。本文的其余部分按照主要的頂級軟件開發活動和研究領域進行組織。圖1顯示了軟件開發活動、研究領域和我們論文結構之間的映射。

高度靈活、可重用的人工智能(AI)模型的異常快速發展可能會在醫學中引入新的能力。本文提出一種醫學人工智能的新范式，稱為全科醫學人工智能(GMAI)。GMAI模型將能夠使用很少或沒有特定任務的標記數據來執行一系列不同的任務。GMAI通過在大型、多樣化的數據集上進行自監督而建立，將靈活地解釋不同的醫療模式組合，包括來自圖像、電子健康記錄、實驗室結果、基因組學、圖或醫學文本的數據。反過來，模型將產生表現力的輸出，如自由文本解釋、口頭建議或圖像注釋，這些顯示了先進的醫學推理能力。本文確定了GMAI的一組高影響的潛在應用，并列出了實現它們所需的特定技術能力和訓練數據集。我們預計，支持GMAI的應用程序將挑戰目前監管和驗證醫療人工智能設備的策略，并將改變與大型醫療數據集收集相關的實踐。

本文描述了ACE0，這是一個輕量級平臺，用于評估人工智能方法在多Agent仿真中的行為發現的適用性和可行性。具體來說，ACE0被設計用來探索與自主飛機等新技術相關的運籌學研究中使用的多Agent仿真的人工智能方法。生產中使用的仿真環境通常是高保真、復雜的，需要大量的領域知識，因此研發成本很高。最小和輕量級的模擬環境可以幫助研究人員和工程師以更敏捷和潛在的成本效益方式評估新的人工智能技術行為發現的可行性。在本文中，我們描述了開發ACE0的動機。我們提供了系統架構的技術概述，描述了一個關于航空航天領域行為發現的案例研究，并對系統進行了定性評估。該評價包括對與學術伙伴的合作研究項目的簡要描述，探索不同的人工智能行為發現方法。

生物醫學數據正變得越來越多，從而捕捉生物過程之間的潛在復雜關系。基于深度學習(DL)的數據融合策略是建模這些非線性關系的一種流行方法。因此，我們回顧了目前這種方法的最新進展，并提出了一個詳細的分類，以促進更明智的選擇融合策略的生物醫學應用，以及新方法的研究。通過這樣做，我們發現深度融合策略往往優于單模態和淺層方法。此外，提出的融合策略子類顯示出不同的優點和缺點。對現有方法的回顧表明，聯合表示學習是首選的方法，特別是對于中間融合策略，因為它可以有效地模擬不同層次生物組織的復雜相互作用。最后，我們注意到，逐步融合，基于先前的生物知識或搜索策略，是一個有前途的未來研究路徑。同樣，利用遷移學習可以克服多模態數據集的樣本大小限制。隨著這些數據集變得越來越容易獲得，多模態DL方法提供了訓練整體模型的機會，這些模型可以學習健康和疾病背后復雜的監管動態。

//pubmed.ncbi.nlm.nih.gov/35089332/

單個細胞和完整的有機體是典型的復雜系統，因為它們由許多不同的部分組成，相互作用，并產生緊急行為[1]。當試圖對復雜疾病進行預測時，了解這些相互作用尤為重要。數據模態是用一個特定的傳感器[2]測量這種現象的結果，因此它本身提供的信息有限。有了多模態數據，就有可能獲得關于單個部件及其應急行為的信息。由于高通量技術的快速發展，我們現在可以前所未有地獲得大規模多模態生物醫學數據，提供了利用這些更豐富信息的機會。

數據融合是將來自不同模態的數據結合起來，對一個共同現象提供不同的觀點，以解決一個推理問題。這有希望解決這樣的問題，比單模態方法的錯誤少[3]。更具體地說，數據融合的優勢可以分為互補特征、冗余特征和協作特征[4,5]，盡管這些特征并不相互排斥。

數據融合在生物醫學領域的優勢可以用一個癌癥患者的多模態研究來說明。來自腫瘤的基因組數據能夠識別癌癥驅動基因，而來自活檢的全切片圖像(WSI)提供了關于腫瘤形態和微環境的視圖。這些模態是“互補的”，因為它們提供了關于現象的不同部分的信息，否則就無法觀察到。轉錄組和蛋白質組數據的融合是互補的，因為所有的mRNA都不翻譯成蛋白質，而“冗余的”是因為蛋白質的豐度確定了特定的mRNA翻譯成蛋白質。當數據有噪聲或有許多缺失值時，這種冗余尤為重要。來自同一腫瘤的miRNA和mRNA測序數據可以被認為是“合作的”，因為合并的信息增加了復雜性。兩種模態的融合提供了一種可能的解釋差異豐富的蛋白質，例如，一個致癌基因。這可能在預測病人對某種治療的反應方面起著至關重要的作用。

融合策略的目的是有效地利用不同模態的互補、冗余和合作特征。為了充分利用這些對感興趣的現象的觀點，機器學習(ML)方法必須部署，能夠融合具有不同統計特性的結構化和非結構化數據、非生物變異來源、高維[6]和不同模態的缺失值[2]。

近年來，多模態ML方法在各個領域得到了越來越多的研究和應用[6,11]。圖1說明了生物醫學領域的這一趨勢。在數據融合方面，多模態深度學習(DL)比淺層方法更有優勢。全連接神經網絡(FCNNs)是深度神經網絡(DNNs)的傳統形式，可以看作是一個有向非周期圖，它通過幾個隱藏層的非線性計算操作[12]將輸入x映射到標簽y。表1總結了常見的DL架構。這種算法的目標是學習輸入數據的高級表示，通過找到底層解纏因素之間的簡單依賴關系，從而改進最終分類器的預測。較早的層學習數據的簡單抽象，而較深的層將它們組合成更抽象的表示，為學習任務[13]提供信息。重要的是，多模態DL能夠建模非線性內模態和跨模態關系。這導致了它在各種領域[2]的應用。然而，生物醫學應用面臨著多模態融合的特殊挑戰，如與組合維度相比樣本量較小、缺失整個模態以及模態之間的維數失衡。

盡管生物醫學應用的DL架構已經被綜述過，但針對異構數據的不同的基于DL的融合策略還沒有。這是在目前的綜述，其中我們描述了最先進的基于dl的融合戰略在生物醫學領域。此外，我們提出了一種分類法，不僅概述了早期、中期和晚期融合的標準分類，而且還描述了對希望應用或增強當前方法的研究人員和從業者有用的子類別。此外，本綜述的目的是提供指導，在哪些條件下，不同的融合策略最有可能執行良好。為此，首先概述了主要的融合策略，并提出了較為詳細的分類方法。接下來，對早期、中期和晚期融合類別及其子類別進行了詳細描述，并廣泛地舉例說明了在生物醫學問題上的應用。最后，我們討論了所描述的策略在生物醫學領域的挑戰和機遇，并對未來的研究提出了建議。

從微分幾何學的角度考慮了在有噪聲和雜波的情況下對小型無人機的雷達探測。由于無人機的低雷達截面（RCS），特別是在雜波環境中以及無人機在城市地區低速飛行時，無人機探測問題具有挑戰性。本文提出了兩種探測技術，即黎曼尼-布勞爾矩陣（RBM）和基于角度的混合-布勞爾（ABHB），以提高小樣本量和低信雜比（SCR）下的無人機探測概率。這些技術是基于正則化伯格算法（RBA）、布勞爾盤（BD）定理和黎曼平均數和距離。這兩種技術都利用RBA從每個快照中獲得托普利茨-赫米特正定（THPD）協方差矩陣，并應用BD定理對雜波加噪聲的THPD協方差矩陣進行分組。所提出的黎曼-布勞爾矩陣技術是基于雜波加噪聲集群的黎曼平均值與潛在目標之間的黎曼距離。所提出的基于角度的混合-布勞爾技術使用歐幾里得切空間和黎曼尼均值、黎曼尼中值和潛在目標點之間的黎曼尼測距。流形上潛在目標的角度是利用流形上的余弦定律計算出來的。所提出的檢測技術比快速傅里葉變換、基于黎曼距離的矩陣和Kullback-Leibler（KLB）分歧檢測器更有優勢。兩種提議的技術的有效性都用實際數據進行了證明。

信道建模是設計無線通信系統的基礎，傳統的信道建模方法無法自動學習特定類型信道的規律，特別是在針對特殊應用場景，如物聯網、毫米波通信、車聯網等，存在一定的局限性。此外，機器學習具有有效處理大數據、創建模型的能力，基于此，探討了機器學習如何與信道建模進行有機融合，分別從信道多徑分簇、參數估計、模型的構造及信道的場景識別展開了討論，對當前該領域的重要研究成果進行了闡述，并對未來發展提出了展望。

//www.infocomm-journal.com/txxb/CN/10.11959/j.issn.1000-436x.2021001