XiaoMi-AI文件搜索系统
World File Search System优越性
超越体素预测的不确定性：识别值得信赖的脑损伤
摘要。深度神经网络已成为自动分割 3D 医学图像的黄金标准方法。然而，由于缺乏对提供的结果进行可理解的不确定性评估，临床医生仍然无法完全接受它们。大多数量化不确定性的方法，例如流行的蒙特卡罗 dropout，都限制了体素级预测的某种不确定性。除了与真正的医学不确定性没有明确的联系外，这在临床上也不令人满意，因为大多数感兴趣的对象（例如脑病变）都是由体素组组成的，而体素组的整体相关性可能不会简单地归结为它们各自不确定性的总和或平均值。在这项工作中，我们建议使用创新的图形神经网络方法超越体素评估，该方法由蒙特卡罗 dropout 模型的输出训练而成。该网络允许融合三个体素不确定性估计量：熵、方差和模型置信度；并且可以应用于任何病变，无论其形状或大小如何。我们证明了我们的方法在多发性硬化症病变分割任务中的不确定性估计的优越性。
提前出版
锂离子电池（LIB）用于为从便携式消费电子设备到电动汽车和网格式储能系统的一系列应用。现在，随着LIB在高功率和复杂应用中的越来越多的应用，预测可靠操作的剩余有用寿命（RUL）并保护电池组免受包括灾难性故障在内的不必要的事件的意义非常重要。关于RUL的实时信息对于预测电池故障状况至关重要，从而有效预防或至少减少电池故障可能造成的损坏。此外，准确的Rul对于在其使用寿命结束时安排常规维护和必要的更换非常有帮助。因此，RUL预测已成为研究人员感兴趣的话题。在过去的十年中提出了几种RUL估计技术，基于机器学习（ML）的技术在准确性，适应性和建模方面表现出了优越性。因此，基于ML的RUL预测方法是根据本文中的基本绩效参数对其基本性能参数进行了全面审查的。还提出了有关问题，挑战，趋势和未来研究范围的详细讨论，以向研究人员提供明确的指南。
使用 Vision Transformer 区分恶意无人机
摘要：无人机因其大小和工作量各不相同而广泛用于各种应用，例如监视、导航、在自主农业系统中喷洒农药、各种军事服务等。然而，携带有害物体的恶意无人机经常被用来侵入禁区并袭击关键公共场所。因此，及时发现恶意无人机可以防止潜在的危害。本文提出了一种基于视觉变换器 (ViT) 的框架来区分无人机和恶意无人机。在提出的基于 ViT 的模型中，无人机图像被分割成固定大小的块；然后，应用线性嵌入和位置嵌入，最终将得到的向量序列输入到标准 ViT 编码器。在分类过程中，使用与序列相关的额外可学习分类标记。将提出的框架与几个手工制作的深度卷积神经网络 (D-CNN) 进行了比较，结果表明，提出的模型的准确率达到了 98.3%，优于各种手工制作的和 D-CNN 模型。此外，通过将所提出的模型与现有的最先进的无人机检测方法进行比较，证明了所提出的模型的优越性。
使用以下方法高效优化功耗和延迟
摘要 本文的目的是使用逻辑门和 CMOS 逻辑设计一个 16:1 多路复用器。在本研究中，我们研究了 16:1MUX 的延迟和功率调制。这表明 CMOS 技术处于领先地位，因为它使用的晶体管数量更少、电容更少、速度更快。在本研究中，我们进行了比较工作并得到了模拟结果，结果说明了 CMOS 逻辑设计的优越性，并且功耗和延迟非常低。使用 Synopsys 工具 HSPICE 在 32 nm BSIM 4 模型卡下对 PTM 模型的块状 CMOS 技术进行了模拟，并检查了不同电压下的结果。最小和最大延迟和功耗结果分别为 68.82ps、92.16ps 和 103.96µW、1471.4µW。我们在多路复用器中获得的总晶体管数量为 282，这是模拟的，我们使用名为 HSPICE 的高级工具获得了 MUX 的输出波形，它们在结果部分中表示出来。关键词：多路复用器、2×1 多路复用器、4×1 多路复用器、8×1 多路复用器、16×1 多路复用器、延迟、功耗
基于机器学习的剩余使用寿命预测技术用于锂离子电池管理系统：全面评论
锂离子电池（LIB）用于为从便携式消费电子设备到电动汽车和网格式储能系统的一系列应用。现在，随着LIB在高功率和复杂应用中的越来越多的应用，预测可靠操作的剩余使用寿命（RUL）并保护电池组免受包括灾难性故障在内的不必要的事件，这是非常重要的。关于RUL的实时信息对于预测电池故障状况至关重要，导致预防有效或至少减少电池故障可能造成的损坏。此外，准确的Rul对于在其使用寿命结束时安排常规维护和必要的更换非常有帮助。因此，RUL预测已成为研究人员兴趣的话题。在过去的十年中提出了几种RUL估计技术，基于机器学习（ML）的技术在准确性，适应性和建模方面表现出了优越性。因此，基于ML的RUL预测方法是根据本文中的基本绩效参数对其基本性能参数进行了全面审查的。还提出了有关问题，挑战，趋势和未来研究范围的详细讨论，以向研究人员提供明确的指南。
扩散推荐模型
生成模型，例如生成对抗网络（GAN）和变异自动编码器（VAE），可广泛用于建模用户交互的生成过程。但是，它们遭受了内在的局限性，例如gan的不稳定性和VAE的限制代表能力。这种限制阻碍了复杂用户间生成过程的准确建模，例如由各种干扰因素引起的嘈杂相互作用。鉴于扩散模型（DMS）比传统生成模型的令人印象深刻的优势，我们提出了一种新颖的差异范围，以一种新颖的方式（命名为DIFFREC），以一种以deno的方式学习生成过程。 要将个性化信息保留在用户交互中，fiffrec减少了添加的噪音，并避免将用户的交互损坏为图像综合中的纯噪声。 此外，我们扩展了传统的DMS，以应对推荐中的独特挑战：大规模项目预先词典的高资源成本和用户偏好的时间变化。 为此，我们提出了diffrec的两个扩展：l-diffrec簇项目，用于尺寸压缩，并在潜在空间中进行扩散过程；基于交互时间戳编码时间信息，T-DIFFREC将用户交互重新加权。 我们在多个设置下（例如，清洁训练，嘈杂的训练和时间培训）对三个数据集进行了广泛的实验。 经验结果验证了二分法的优越性，两种扩展比竞争基准的延伸。 CCS概念鉴于扩散模型（DMS）比传统生成模型的令人印象深刻的优势，我们提出了一种新颖的差异范围，以一种新颖的方式（命名为DIFFREC），以一种以deno的方式学习生成过程。要将个性化信息保留在用户交互中，fiffrec减少了添加的噪音，并避免将用户的交互损坏为图像综合中的纯噪声。此外，我们扩展了传统的DMS，以应对推荐中的独特挑战：大规模项目预先词典的高资源成本和用户偏好的时间变化。为此，我们提出了diffrec的两个扩展：l-diffrec簇项目，用于尺寸压缩，并在潜在空间中进行扩散过程；基于交互时间戳编码时间信息，T-DIFFREC将用户交互重新加权。我们在多个设置下（例如，清洁训练，嘈杂的训练和时间培训）对三个数据集进行了广泛的实验。经验结果验证了二分法的优越性，两种扩展比竞争基准的延伸。CCS概念
通过POP提高自主驾驶安全性：准确观察到的轨迹预测的框架
摘要 - 准确的轨迹预测对于安全有效的自主驾驶至关重要，但是处理部分观察的驾驶提出了重大挑战。为了解决这个问题，我们提出了一个新颖的轨迹预测框架，称为拥挤的城市道路场景，称为部分观测预测（POP）。该框架由两个关键阶段组成：自我监督学习（SSL）和特征蒸馏。POP首先采用SLL来帮助模型学习重建历史记录表示形式，然后将功能蒸馏作为微调任务来从教师模型中转移知识，该教师模型已通过完整的观察进行了预先训练，该模型只有很少的观察结果。POP取得了与开环实验中最高表现方法的可比结果，并且在包括安全指标在内的闭环模拟中优于基线方法。定性结果说明了POP在提供合理和安全的轨迹预测中的优越性。演示视频和代码可在https://chantss.github.io/pop/上找到。
对供应链管理的评估和风险分析：
本研究通过基于Slack的Measitnet网络数据包络分析（SBM-NDEA）从金融市场的角度（SBM-NDEA）提出了盈利能力和资产利用对公司价值产生的贡献。尽管在面对新的数据集时，SBM-NDEA在性能测量方面具有优越性，但由于缺乏预测能力，因此仍存在限制。为了克服这一点，作者将双支持向量机集成到其中。经理对风险的态度在提高效率和价值产生中也起着至关重要的作用，但是数值不会传达此类信息。带有弹性本质的文本消息因此带来了不仅仅是数字消息的信息。为了帮助用户量化风险类型，作者引入了高级文本分析仪，以猜测经理对每种风险的态度。结果表明，具有预测能力的绩效评估模型可以将经理的角色从监视过去转移到计划未来。这项研究还表明，具有文本信息的模型达到了卓越的预测性能。
分布式量子计算中的概率感知量子比特到处理器映射
量子计算具有令人兴奋的潜力，但当前的技术障碍在于单个处理器中的量子比特数量有限。解决这一挑战的一种方法是将小型、专用的量子处理器组装成一个更大的计算系统，称为分布式量子计算。在这项工作中，我们专注于分布式量子计算中的一个关键问题：如何将特定量子电路的逻辑量子比特映射到异构量子网络中的不同处理器，以尽量减少总体通信开销。为了解决这个问题，我们制定了一个概率感知的量子比特到处理器映射模型，其中每对处理器之间的通信开销是通过基于链路纠缠生成率的概率分析确定的。我们还在模型中引入了多流路由协议，以提高整体纠缠率。之后，我们采用多级混合模拟退火算法来最小化总通信开销。最后，我们进行了广泛的模拟，以展示我们的解决方案在各种系统设置下的优越性。
agcl：方面图构建和学习方面情感分类
关于方面情感策略（ALSC）的先前研究强调了建模方面和环境之间的相互关系，但忽略了方面本身作为基本领域知识的关键作用。为此，我们提出了AGCL，这是一种新颖的A Spect G Raph C Onstruction和L Charning方法，旨在为模型提供精心调整的方面信息，以增强其任务认可能力。agcl的关键创新位于方面图构造（AGC）和方面图（AGL）中，其中AGC可以利用内在的方面连接来构建DO-MAINTEAK图形，然后AGL迭代地更新引入的方面图以增强其领域的专业知识，从而使其更适合ALSC任务。因此，此域As-pect图可以用作连接未见方面与可见方面的桥梁，从而增强了模型的概括能力。的三个广泛使用数据集的结果证明了方面信息对ALSC的重要性，并突出了AGL在方面学习中的优越性，超过了最新的基线。代码可从https：//github.com/jian-projects/agcl获得。