一种基于观测可信度推断的受限学习网络用于少样本退化建模 学术背景 在复杂工程系统中，多传感器广泛应用于监控设备的退化过程并预测其剩余使用寿命（Remaining Useful Life, RUL）。然而，在仅有少量样本的情况下，确保预测性能仍然具有挑战性。少样本场景下，传感器数据中的不一致观测（discordant observations）会引入大量不确定性，导致经验损失与预期损失相差甚远。此外，学习到的退化模型往往会在有限的可用样本上过拟合，导致模型参数分布偏差，从而限制模型在未见样本上的泛化能力。为了解决这些问题，本论文提出了一种基于观测可信度推断（Observation Credibility Inference, OCI）的受限学习网络，用于少样本退化建模。 该研究旨在开发一种适用...

混合类型对话生成领域的新突破：基于少样本学习的研究 人工智能（Artificial Intelligence, AI）的一个重要目标是构建能够进行多种自然语言对话的人工智能代理。目前，行业和学术界长期以来一直期待设计出能够同时处理开放域对话（Open-Domain Dialogue）和任务导向对话（Task-Oriented Dialogue）的对话模型，这种多技能、多类型对话的融合形式被称为混合类型对话（Mixed-Type Dialogue）。然而，尽管已有不少研究尝试解决这一问题，但大多数研究依赖于构建大规模人工标注数据集，标注成本高昂，同时严重限制了实际应用场景中的可行性。为解决这一难题，Zeming Liu（刘泽明）等人发表了一项重要研究，他们首次提出了少样本混合类型对话生成（Fe...

背景介绍 中风是全球死亡和致残的主要原因之一，随着人口老龄化和城镇化的发展，中风患者总数正在全球范围内增加。尽管治疗的进步降低了死亡率，但幸存者中需要康复治疗的人数却大幅增加。特别是在低收入和中低收入国家，这种情况尤其显著。这些国家的卫生资源有限，因此亟需一种适应性强、成本效益高的康复干预措施（Feigin et al. 2022）。 中风康复是一个漫长且负担沉重的过程，不仅耗费体力，还带来巨大的经济压力，因此自动化评估系统能够减轻康复费用和减少对物理治疗师访视需求的重要性愈发显著。这些系统通过传感器数据评估中风幸存者的运动功能，提供互动康复练习的低成本方法，尤其适合家庭康复（Chen et al. 2017）。此外，将游戏融入这些系统中可以增加中风幸存者的动机和参与度，通过使他们能够从事有...