XiaoMi-AI文件搜索系统
World File Search System伪词
利用基于大脑的语义特征解码词向量
词嵌入是使用计数或预测技术构建的矢量语义表示，旨在从词语共现中捕捉含义的细微差别。自从它们被引入以来，这些表示就因缺乏可解释的维度而受到批评。词嵌入的这种特性限制了我们对它们实际编码的语义特征的理解。此外，它导致了它们所用于任务的“黑箱”性质，因为词嵌入性能的原因通常对人类来说仍然是模糊的。在本文中，我们探索了词嵌入中编码的语义属性，将它们映射到可解释的向量上，由明确的和神经生物学驱动的语义特征组成（Binder 等人，2016 年）。我们的探索考虑了不同类型的嵌入，包括分解计数向量和预测模型（Skip-Gram、GloVe 等），以及最新的情境化表示（即 ELMo 和 BERT）。
利用基于大脑的语义特征解码词向量
词嵌入是使用计数或预测技术构建的矢量语义表示，旨在从词语共现中捕捉含义的细微差别。自从它们被引入以来，这些表示就因缺乏可解释的维度而受到批评。词嵌入的这种特性限制了我们对它们实际编码的语义特征的理解。此外，它导致了它们所用于任务的“黑箱”性质，因为词嵌入性能的原因通常对人类来说仍然是模糊的。在本文中，我们探索了词嵌入中编码的语义属性，将它们映射到可解释的向量上，由明确的和神经生物学驱动的语义特征组成（Binder 等人，2016 年）。我们的探索考虑了不同类型的嵌入，包括分解计数向量和预测模型（Skip-Gram、GloVe 等），以及最新的情境化表示（即 ELMo 和 BERT）。
合并实体类型感知和单词 - 词关系 -
摘要：命名实体识别（NER）是自然语言处理中的关键子任务。在解决NER问题时，对实体边界和实体类型有更深入的了解特别有价值。大多数以前的顺序标签模型都是特定于任务的，而近年来，由于在编码器 - 犯罪模型框架中解决NER任务的优势，因此目睹了生成模型的兴起。尽管达到了有希望的性能，但我们的试点研究表明，现有的生成模型在检测实体边界和估计实体类型方面无效。在本文中，提出了一个多个关注框架，该框架将实体类型嵌入和单词 - 单词关系的注意力引入了指定的实体识别任务。为了提高实体型映射的准确性，我们采用外部知识库来计算先前的实体类型分布，然后通过编码器的自我注意力将信息输入到模型中。为了增强上下文信息，我们将实体类型作为输入的一部分。我们的方法从实体类型的隐藏状态中获得了其他注意，并将其用于解码器中的自我和跨注意机制。我们将序列中的实体边界信息转换为单词 - 单词关系，并将相应的嵌入到交叉注意机制中。通过单词 - 单词关系信息，该方法可以学习和了解更多实体边界信息，从而提高其实体识别精度。我们在广泛的基准测试基准上进行了实验，包括四个平面和两个长实体基准。我们的方法显着改善或表现类似于最佳的生成NER模型。实验结果表明，我们的方法可以大大增强生成模型的能力。
纳米词 - 药物输送系统的多功能方法
在设计药物输送系统时，研究人员主要专注于在目标部位提供准确的药物。这样，通过使用现代纳米技术来利用许多方法，这在其方式上被证明是最好的。1纳米技术是科学的一个分支，在纳米级使用纳米材料来创建具有先进特征和改进特性的纳米工程产品，尺寸范围为1至100 nm。十亿分之一是纳米。纳米材料是物理化合物，至少在1至100 nm的范围内。2这些NP在多种不同的形状中观察到，包括聚合物纳米颗粒，硬磷脂纳米颗粒，纳米乳液，树枝状聚合物，纳米体，脂质体，脂质体，碳纳米管，胶束系统等3在这方面，纳米技术在医学领域中的使用正在通过更精确的药理药物治疗或“智能药物”过渡到“活跃结构”，或者是通过将某些配体耦合到纳米载体或适当性的“智能药物”。可以将多种药物（如抗真菌，抗病毒，抗癌，挥发性油，气体，蛋白质和肽）固定在称为纳米杂物的胶体纳米含量结构中。
伪磁场诱导的慢速载体动力学...
©2021作者。本文是根据创造性的共识4.0国际许可证的许可，该许可允许以任何媒介或格式的使用，共享，适应，分发和复制，只要您适合原始作者和来源的信誉，就可以提供与创建者许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的Creative Commons许可中，除非在材料的信用额度中另有指示。如果材料未包含在Thearticle的Creative Commons许可中，并且您的预期用途不允许法定调制或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
使用模拟的肌电伪影
最近的研究表明，能够记录患有半晶状体切除术的脑外伤（TBI）患者的脑电图（EEG）中高γ信号（80-160 Hz）。然而，由于与面部和头部运动相关的表面肌电图（EMG）伪影的混淆带宽重叠，因此提取与运动相关的高γ仍然具有挑战性。在我们以前的工作中，我们描述了一种增强的独立组件分析（ICA）方法，用于从EEG中删除EMG伪像，并通过添加EMG来源（ERASE）称为EMG降低。在这里，我们对六名Hemicraniectomies患者记录的EEG测试了该算法，同时他们执行了拇指流失任务。删除的平均值为52±12％（平均±S.E.M）（最大73％）EMG伪影。相比之下，常规ICA从EEG中删除了EMG伪像的平均值为27±19％（平均值±S.E.M）。尤其是，在擦除擦除后，在半晶切除术中的对侧手运动皮层区域中，高γ同步显着改善。更复杂的高γ复杂性是分形维度（FD）。在这里，我们在每个通道上计算了EEG高γ的FD。高γ的相对FD定义为移动状态下的FD在空闲状态下减去FD。我们发现，施加擦除后，高γ的相对FD与半骨切除术相对于半晶状分裂术，与纤维流量的振幅密切相关。的结果表明，与拇指流量相关的电极上的显着相关系数平均为〜0.76，而非流行性辐射切除术区域的同源电极的系数接近0。在常规ICA之后，在两个半开裂区域（最高0.86）和非流行颅切除术区域（最高0.81）中，高γ和力之间的相对FD之间的相关性均保持较高。在所有受试者中，使用擦除后，平均83％的电极与力显着相关。常规ICA后，只有19％的具有显着相关性的电极位于半晶切除术中。
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
来自哈密顿相态的有效量子伪随机性
量子伪随机性已应用于量子信息的许多领域，从纠缠理论到混沌量子系统中的扰乱现象模型，以及最近的量子密码学基础。Kretschmer (TQC '21) 表明，即使在没有经典单向函数的世界中，伪随机态和伪随机幺正态也存在。然而，时至今日，所有已知的构造都需要经典的密码构造块，而这些构造块本身就等同于单向函数的存在，并且在现实的量子硬件上实现也具有挑战性。在这项工作中，我们寻求同时在这两个方面取得进展——将量子伪随机性与经典密码学完全分离。我们引入了一个称为哈密顿相态 (HPS) 问题的量子硬度假设，该任务是解码随机瞬时量子多项式时间 (IQP) 电路的输出状态。仅使用 Hadamard 门、单量子比特 Z 旋转和 CNOT 电路即可非常高效地生成哈密顿相态。我们证明了问题的难度降低为问题的最坏情况版本，并且我们提供了证据证明我们的假设可能是完全量子的；这意味着，它不能用于构造单向函数。通过证明我们集合的近似 t 设计属性，我们还展示了当只有少量 HPS 副本可用时的信息论难度。最后，我们表明我们的 HPS 假设及其变体使我们能够有效地构造许多伪随机量子原语，从伪随机态到量子伪纠缠，再到伪随机幺正，甚至包括使用量子密钥的公钥加密等原语。在此过程中，我们分析了一种伪随机幺正的自然迭代构造，它类似于 Ji、Liu 和 Song (CRYPTO'18) 的候选者。
伪岛家庭舒适计划公告
PSEG长岛很高兴宣布2024年地热计划v2.0应用程序工作簿。新的地热应用仅用于住宅项目。所有商业项目都必须进行自定义。该申请立即生效，1月22日。我们将继续接受V1.0（用于住宅项目），直到2月1日的COB。请注意，2024年的折扣现在是基于加热BTU，并以25,000美元的价格（对于市场利率客户）和35,000美元（对于低至中等收入的客户）。All new applications are now available on the PSEG Long Island website at: https://www.psegliny.com/saveenergyandmoney/GreenEnergy/Geothermal The PSEG Long Island Energy Efficiency team holds Open House Events every Friday from 9AM to 10AM at the TRC office at 395 North Service Road, Suite 409, Melville, NY 11747 or you can join us on our Virtual Open房屋会议。如果您有任何疑问，请参加。保存日期！2月1日（星期四）上午7:30，PSEG长岛能源效率团队将在亨廷顿希尔顿举行2024年计划推出早餐和合作伙伴奖。PSEG长岛的能源效率人员将在现场回答问题。请在https://www.eventbrite.com/e/2024-anlual-anual-chart-brock-fast-and-awards-presentation-tickets-773103592657上注册代表整个家庭舒适团队，谢谢您的参与！真诚的，乔纳森·塔姆（Jonathan Tham）
RTL阶段的新伪电路的生成
抽象机器学习（ML）技术在电子设计自动化（EDA）中表现出了出色的有效性。ML模型需要在不同的电路数据集上进行培训，以提高准确性和泛化功能。但是，电路数据的可用性仍然是一个长期存在的严重问题。半导体行业的强大数据隐私问题使得几乎不可能直接分享Circuit IPS。为了解决数据可用性问题，已经提出了诸如CircuitNet之类的开源数据集，但它们主要专注于收集几种现有的开源范围的标签，而不是生成任何新设计。在这项工作中，我们进行了创新的探索，以无需人力而直接产生新的伪电路。我们认为，在可预见的将来，在半导体行业中生成伪电路是实现“大数据”的最有希望的方法。我们证明，伪电路可以在早期设计质量预测中显着提高ML模型的绩效，最早在合成前RTL阶段。