XiaoMi-AI文件搜索系统
World File Search System动态分配
大脑中的新颖性和模仿性：组合问题的达尔文神经动力学方法
在广阔的组合空间（例如可能的动作序列、语言结构或因果解释）中进行有效搜索是智能的重要组成部分。是否有任何计算领域足够灵活，可以为如此多样化的问题提供解决方案，并且可以在神经基质上稳健地实现？根据以前的论述，我们提出达尔文过程是一个有希望的候选者，该过程在连续的不完美复制和神经信息模式选择周期中运行。在这里，我们通过一个储存器计算单元教另一个储存器计算单元来实现不完美的信息复制。根据对读出信号的评估，动态分配教师和学习者角色。我们证明，新兴的达尔文读出活动模式群体能够在崎岖的组合奖励景观上维持并不断改进现有解决方案。我们还证明了存在一个尖锐的错误阈值，即神经噪声水平，超过该水平，进化过程积累的信息就无法维持。我们介绍了一种新的分析方法，即神经系统发育，它展示了神经进化过程的展开。
CECS研讨会
摘要：在本次演讲中，我们将介绍我们的自感知多态架构 (SAPA) 设计方法，以支持新兴的上下文感知应用程序并减轻高性能计算系统日益增加的复杂性和异构性所带来的编程挑战。通过 SAPA 设计，我们研究了自适应计算系统的显着软件硬件特性，这些特性允许 (1) 根据程序需求动态分配计算资源（例如，程序中的并行量）和 (2) 自动近似以满足程序和系统目标（例如，执行时间预算、功率限制、安全性和计算弹性），而无需当前多核和众核系统的编程复杂性。所提出的多态计算机架构框架根据收集的有关系统运行时性能权衡的信息将机器学习算法和控制理论技术应用于应用程序执行。它具有异构可重构内核，具备快速硬件级迁移能力、自组织内存结构和层次结构、自适应应用感知片上网络以及用于动态、自主资源管理的内置硬件层。我们的原型架构在大量应用程序上表现极佳。
通过缺失模态合成和模态级注意力融合进行多模态脑肿瘤分割
摘要 —多模态磁共振 (MR) 成像为诊断和分析脑胶质瘤提供了巨大潜力。在临床场景中，常见的 MR 序列（例如 T1、T2 和 FLAIR）可以在单次扫描过程中同时获得。然而，获取对比增强模态（例如 T1ce）需要额外的时间、成本和注射造影剂。因此，开发一种方法来合成不可用的模态具有临床意义，这些模态也可以用作下游任务（例如脑肿瘤分割）的额外输入以提高性能。在这项工作中，我们提出了一个端到端框架，称为模态级注意力融合网络 (MAF-Net)，其中我们创新地进行逐块对比学习以提取多模态潜在特征并动态分配注意力权重以融合不同的模态。通过在 BraTS2020 上进行大量实验，发现我们提出的 MAF-Net 具有优异的 T1ce 合成性能（SSIM 为 0.8879 和 PSNR 为 22.78）和准确的脑肿瘤分割（在分割肿瘤核心、增强肿瘤和整个肿瘤方面的平均 Dice 分数分别为 67.9%、41.8% 和 88.0%）。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
综合能源系统项目管理计划
能源部门。要最大限度地生产低排放能源，就需要继续增加使用可变可再生能源，同时提高核能发电的灵活性，使核电站在支持可变电网需求的同时，也能实现经济繁荣。实现这种灵活性的关键机制是利用多余的热能和电力（在净电力需求低时可用）来生产氢气、海水淡化或其他工业过程。IES 是协作控制系统，可动态分配热能或电能，为电网提供响应性发电。它们由多个子系统组成，这些子系统可能在地理上共置，也可能不共置，包括多个发电源（例如，核热发电、可再生能源发电、带碳捕获的化石发电）、将热能转化为电能的涡轮机，以及一个或多个利用能源的热能或电能生产商品规模产品的工业过程。系统架构中可能包括提供小规模热能、电能或化学存储的其他子系统，以便更好地管理系统边界内和电网中的能源。 IES b 有三种主要的实现方法，每种方法都需要稍微不同的商业可行性考虑：
在5G启用IoT环境中网络切片的安全含义
5G技术的出现代表了移动通信的革命性步骤，其标志是无与伦比的数据传输速率，低延迟和对大量连接设备密度的支持。高级技术（例如网络切片），可以使网络资源的动态分配以满足各种服务要求，这是这种革命性转移的基础[1]。使用网络切片，可以在单个物理基础架构上建立几个针对某些用例定制的虚拟网络[2]。网络切片是5G的关键组成部分，可以很好地满足物联网的不断扩展的需求，包括无人驾驶汽车，智能城市和医疗保健等应用程序。网络切片将物理网络通过使用虚拟化技术作为软件定义的网络（SDN）和网络功能虚拟化（NFV）[3]，将物理网络分为离散的虚拟切片。每个切片都可以自主功能，规定分配给其的资源和服务是为满足特定需求而定制的。旨在增强移动宽带（EMBB）的网络切片可能优先考虑视频流的高通量服务，而另一个支持超可靠的低延迟通信（URLLC）的切片可能会服务于任务至关重要的应用程序[4]。
面向自动驾驶的高效脑启发学习...
摘要：准确安全地预测周围车辆的轨迹对于完全实现自动驾驶 (AD) 至关重要。本文提出了类人轨迹预测模型 (HLTP++)，该模型模拟人类的认知过程以改进 AD 中的轨迹预测。HLTP++ 采用了一种新颖的师生知识提炼框架。配备自适应视觉区的“老师”模型模仿人类驾驶员根据空间方向、距离和驾驶速度等因素表现出的注意力动态分配。另一方面，“学生”模型侧重于实时交互和人类决策，与人类的记忆存储机制相似。此外，我们通过引入新的傅里叶自适应脉冲神经网络 (FA-SNN) 来提高模型的效率，从而可以用更少的参数进行更快、更精确的预测。使用 NGSIM、HighD 和 MoCAD 基准进行评估，HLTP++ 表现出比现有模型更优异的性能，在 NGSIM 数据集上将预测轨迹误差降低了 11% 以上，在 HighD 数据集上将预测轨迹误差降低了 25%。此外，HLTP++ 在输入数据不完整的具有挑战性的环境中表现出很强的适应性。这标志着在实现完全 AD 系统的过程中迈出了重要一步。
文献调查和云机器人平台的审查-IJRPR
“云”是一个通用术语，该术语封装了一个模型，用于启用无处不在的按需网络访问可共享的可配置资源池（例如服务器，网络应用程序和存储服务）。Domaine（2016）进一步断言，云有可能使用云计算，大数据，无线网络，统计机器学习和其他共享资源来实现新一代的机器人和自动化技术，以提高各种任务的性能。云机器人技术是机器人技术中的一个独特领域，从根本上讲，它源于云存储和其他以融合体系结构为中心的Internet基础架构，以实现更大的计算能力，增强的记忆和机器人应用程序的互连性（Szewczyk等人，等等，2015年）。通过无处不在的云平台的数据和共享资源池的动态分配有助于增强机器人服务的信息段落，检索和网络（Kazuya等，2014）。因此，这意味着云机器人的主要内存，传感和计算功能不是集成到集中式硬件系统中，而是通过云控制。云机器人技术的利用进一步使机器人能够在专用的云空间上共享知识，从而提高运营效率（Quesnel，2014）。云机器人技术领域的演变导致了该主题内的积极研究，从云机器人体系结构的发展到其在不同领域内的不同适用性。在这方面，该项目将涉及广泛的
1 EnzyHTP 计算定向进化与...
摘要：定向进化通过迭代诱变促进酶工程。尽管高通量筛选应用广泛，但构建“智能库”以有效识别有益变体仍然是该社区面临的主要挑战。在这里，我们基于 EnzyHTP 开发了一种新的计算定向进化协议，EnzyHTP 是我们之前报道过的用于自动化酶建模的软件。为了提高吞吐效率，我们实施了一种自适应资源分配策略，该策略根据工作流中酶建模子任务的特定需求动态分配不同类型的计算资源（例如 GPU/CPU）。我们将该策略实现为 Python 库，并使用氟乙酸脱卤酶作为模型酶测试了该库。结果表明，与在整个工作流中 CPU 和 GPU 都随时可用的固定资源分配相比，应用自适应资源分配可以节省 87% 的 CPU 小时数和 14% 的 GPU 小时数。此外，我们在自适应资源分配框架下构建了一个计算定向进化协议。该工作流程在 Kemp 消除酶定向进化实验中针对两轮突变筛选进行了测试，总共有 184 个突变体。使用折叠稳定性和静电稳定能作为计算读数，我们重现了四个实验观察到的目标变体中的三个。借助该工作流程，整个计算任务（即 18.4 μs MD 和 18,400 QM 单点计算）在三天内使用约 30 个 GPU 和约 1000 个 CPU 完成。