XiaoMi-AI文件搜索系统
World File Search System不规则
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。
在线轨迹重新启动器，用于动态抓住不规则对象
摘要 - 本文提出了一种用于抓住不规则对象的新轨迹重新启动器。与常规的掌握任务不同，该任务简单地假定对象的几何形状，我们旨在实现不规则对象的“动态掌握”，这需要在握把过程中持续调整。为了有效处理不规则的对象，我们提出了一个构成两个阶段的轨迹优化框架。首先，在指定的时间限制为10 s的指定时间限制中，为从机器人的初始配置中进行无缝运动计算初始离线轨迹，以掌握对象并将其传递到预定义的目标位置。其次，实现了快速的在线轨迹优化，以在100毫秒内实时更新机器人轨迹。这有助于减轻视力系统中的估计错误。为了解释模型的不准确性，干扰和其他非模块化效果，实施了机器人和抓手的轨迹跟踪控制器，以从提出的框架中阐明最佳轨迹。密集的实验结果有效地证明了我们在模拟和现实世界中的轨迹计划框架的性能。
对比后 MRI 上原发性脑淋巴瘤自动分割的边界不规则损失
与其他脑肿瘤不同，关于原发性中枢神经系统 (CNS) 淋巴瘤的自动分割研究很少。这是一项具有挑战性的任务，因为肿瘤及其边界的模式高度多变。在这项工作中，我们提出了一种新的损失函数来控制边界不规则性，用于基于深度学习的原发性 CNS 淋巴瘤自动分割。我们引入了一种边界不规则损失，它基于分割和平滑版本的比较。边界不规则损失与之前提出的拓扑损失相结合，以更好地控制不同的连通分量。该方法是通用的，可以用于任何分割网络。我们研究了 99 名原发性 CNS 淋巴瘤患者。从一开始就分离出 40 名患者并形成独立测试集。分割是在对比后 T1 加权 MRI 上进行的。MRI 是在临床常规中获得的，并且高度异质。所提出的方法在各种评估指标上的表现都大大优于基线（Dice 分数高出 6 个百分点，Hausdorff 距离高出 40 毫米，平均表面距离高出 6 毫米）。然而，总体表现一般，突显出自动分割原发性中枢神经系统淋巴瘤是一项艰巨的任务，尤其是在处理临床常规 MRI 时。代码可在此处公开获取：https://github.com/rosanajurdi/LymphSeg 。
数据分析和不规则测量碳纳米酮CNC T（M）
摘要。不规则指数本质上是拓扑指数。它们对于确定非规范图的分子结构的定量形态非常有帮助。定量结构 - 特性关系（QSPR）和定量结构 - 活性关系（QSAR）都在很大程度上取决于图中异常的计算。它由几种化学和物理特征组成，包括抗性，焓，熵，毒性，熔融和沸点以及熵。本文研究了不同不规则性指数在碳纳米酮分子网络中识别不规则度测量（IMS）CNC T（M）的应用，t = 4、5和T。我们使用了不同的不规则指标，例如IRDIF（ξt），AL（ξt），IRL（ξt），IRLU（ξt），IRLF（ξT），IRF（ξT），IRLA（ξT），IRLA（ξt），IRD 1（IRD 1（IRD 1（ξt），IRA（ξt），IRA（IRA（IRA），IRA（IRA（IRA），IRGA（IRGA（IRGA），IRGA（IRGA（IRGA）），IRB（IRB），IRB（ξT）在CNC 4（M），CNC 5（M）和CNC T（M）中的不规则性比较图形测量也已被阐明并提出。我们有兴趣创建新的公式，以便使用上述指数更好地了解碳纳米酮中的不规则度量。
技术革命与不规则战争
为合作伙伴的军事、执法和情报部队和机构提供建议、协助、陪同和装备。■非常规战争：为试图抵抗敌对行为者的非国家合作伙伴提供训练、建议、协助、陪同和装备。非常规战争可能涉及美国或合作伙伴部队与游击队、抵抗组织、民兵或其他非国家组织合作、与其合作或通过其开展工作。■信息行动：告知和影响外国受众或反击对手的信息、错误信息和虚假信息行动。信息和影响行动可以是公开的，也可以是秘密的。对于美国军事力量（包括特种作战部队）而言，这些类型的任务通常属于军事信息支援行动（MISO）的范畴。■直接行动：利用专门能力进行打击或其他进攻行动，夺取、破坏、摧毁、俘获或收复指定目标。这些行为还包括破坏或扰乱——或者威胁破坏或扰乱——对手的基础设施，或者通过内部秘密行动削弱外国实体。
公共水族馆的高度不规则期刊
2个编辑的信：区域水上学研讨会 - “这是官方” Pete Mohan 4 Drum and Croaker 50年前：回顾性Steven L. Bailey 7 Novus Aquas（New Waters）Barrett L. Christie 12收集和饲养两个萨尔什海洋的萨尔里斯海洋杂物和巢Serratissima。马克·默里（Mark Murray）和梅根·鲁森（Megan Rusin）22重金属和抗生素：解决Chrysaora plocamia plocamia chelsea bremer的衰变问题31偶然性培养Nereocystis luetkeana luetkeana和其他海带Chris Emmet 38 Raw 2025宣布：BALLED 2025：BALT，BALTIMERE，BALTIMORE，BALTIMORE，4024岁。华盛顿州塔科马市的Tacomraw，Point Refiance动物园和水族馆（5月4日至9日）75在Cabrillo Marine Aquarium atsuhiro atsuhiro atsuhiro atsuhiro kubo Kubo，Christopher Bautista，Christopher Bautista，Christopher Bautista，kararla G.Burgos，karthle i.Burgos，karthle I.Dean，Cristina Fuentes，Chris L. Okamoto，Nathan Perrin，Dominique T. Richardson，Milinda A. Thompson，Juliann Vannordstrand，Emily Wilson，Emily Wilson和Andres Carrillo 85胚胎学，饲养，饲养，饲养和养父 by Any Other Name… Notes on Recent Changes in Cephalopod Taxonomy Gregory J. Barord and Barrett L. Christie 100 “The Magnificent Butterflyfish”, Prognathodes Falcifer : A Timeline of Its Connection and History with Scripps Institution of Oceanography and Birch Aquarium at Scripps Fernando Nosratpour 114 AALSO 2024 abstracts: Pittsburgh, PA (March 2-6) 121 Quantifying海洋哺乳动物生命支持系统Barrett L. Christie和Erik Holmberg
基于图的扩散模型，用于使用不规则几何量的热量量表中的快速淋浴模型
仿真在解释大型强子对撞机（LHC）实验的碰撞数据以及与理论预测的测试对齐中起着至关重要的作用。在模拟碰撞数据中所带来的独特挑战，包括高维特征空间和缺乏可拖动的可能性模型，启发了一系列深度学习解决方案[1,2]。特别是，对于模拟检测器中的粒子相互作用，核心挑战是有限的计算资源，以对热量计中的粒子阵雨建模所需的极端细节主导。在这里，基于Geant 4 [3 - 5]的蒙特卡洛模拟的传统方法是强大但资源高度的 - 占据了地图集模拟链中最大的时间[6]。在未来的高光度LHC运行中，热量计模拟将需要应对更高的数据速率，从而可能成为物理分析的限制因素，而在该领域没有显着进展[7]。为了大大加快热量计模拟的速度，已经采取了许多努力。虽然快速的淋浴模型已成功部署在LHC实验[8,9]中，但准确性却有限。最近，深层生成模型的出现导致了它们的广泛流行和解决这项任务的潜力。应用于量热计的第一个生成模型
用于规则和不规则时间序列分类的新型高效储层计算方法
时间序列是指在一段时间内按时间顺序收集的一系列数据点，每个点通常记录在特定的时间戳。时间序列有两个主要组成部分：时间戳和观测值。时间戳表示获取特定记录的时间，而观测值则显示与每个时间戳相关联的值，该值表明该值相对于其他时间点的相对重要性。此外，时间序列数据可能还带有一些其他模式，使时间序列分析更具挑战性。例如，来自同一数据集的样本可能具有不同的长度（可变长度）和/或相邻时间点可能具有不同的时间间隔（异质间隔）。时间序列分析涉及研究和解释样本随时间变化的趋势和依赖性等模式，并已广泛应用于现实世界现象 [1-3]。其中，时间序列分类 (TSC) 专注于将序列数据分类并标记为不同的类别，在医学、电信和金融等领域发挥着不可或缺的作用。TSC 算法的有效性取决于它们平衡短期和长期记忆以及捕捉时间依赖性的能力，同时将所需模式与噪声模式区分开来。在过去的几十年中，已经开发了大量算法来解决这一特定领域。到目前为止，长短期记忆 (LSTM) 网络可以看作是一个里程碑式的突破，它为序列数据中复杂的长期依赖关系建模所带来的挑战提供了强大的解决方案 [4-7]。LSTM 网络是一种循环神经网络 (RNN)，它利用记忆单元和门作为控制信息在网络中流动的手段。网络的设计主要是为了缓解梯度消失的瓶颈。然而，网络的训练是通过最先进的时间反向传播 (BPTT) 技术实现的。虽然 BPTT 是一种强大而有效的方法，但它的计算成本可能很高，尤其是对于大型和深度神经网络而言。除了反向传播辅助神经网络外，基于距离的方法也在广泛的 TSC 任务中取得了巨大的成功 [8-10]，其中，1-最近邻动态时间规整 (1NN-DTW) 已被证明
在具有可变车辆速度的非平稳条件下垂直轨道不规则性的定量检测
摘要：跟踪不规则性直接影响铁路车辆操作的质量和安全性。定量检测和对轨道不规则性的实时监测非常重要。然而，由于频繁的可变车速，车辆操作是一个典型的非平稳过程。传统的信号分析方法不适合非平稳过程，因此难以定量检测轨道不规则的波长和振幅。为解决上述问题，本文提出了一种定量检测方法，在非平稳条件下，通过订单跟踪分析，在非平稳条件下具有可变的车辆速度。首先，建立了简化的车轮 - 权轨动态模型，以得出轴盒垂直振动与轨道垂直不规则性之间的定量关系。其次，提出了Simpson Double Integration方法，以根据Axle-Box垂直加速度计算轴框垂直位移，并优化了过程误差。第三，基于顺序跟踪分析理论，角域重采样是在轴框垂直位移时域信号上进行的，并结合了车轮旋转速度信号，并实现了轨道不规则不规则的定量检测。最后，根据模拟和现场测试分析案例对所提出的方法进行验证。我们提供了理论支持和方法参考，用于轨道不规则的定量检测方法。
非正式经济中的不规则移民
本文提供了讨论不规则移民参与非正规经济的框架。围绕非正式性和不规则性的概念歧义破坏了对该主题的学术和公众讨论。我们回顾了非正式（正式）经济，未注册（注册）公司以及不规则（常规）移民工人的类别的非正式（正式）经济的替代方法。此外，我们对雇主和工人的微观和宏观水平的经济非正式性进行了讨论。尤其是我们详细介绍了劳动力市场中规则和不规则移民面临的其他额外和独特的激励和约束。我们以对衡量非正式经济规模的方法学方法的调查结尾，目的是为构建新型方法的构建提供了对非正规移民参与非正式经济的参与的独立估计。