XiaoMi-AI文件搜索系统
World File Search System器框
使用编码器-解码器框架从颅内深度电极合成语音
图 6 示例性注意力矩阵，可视化三位参与者在收敛时的注意力得分（来自随机选择的训练样本）（值越亮表示注意力得分越高）。解码器中的时间步长在 y 轴上表示，编码器的时间步长在 x 轴上表示。对角线结构表明注意力得分在时间域上是很好地对齐的，例如输出中的后续步骤关注输入中的后续步骤。该图还表明，填充输入 sEEG 序列（语音规划和理解）可能是不必要的，因为没有太多注意力放在第一个和最后一个输入步骤上。
气候影响驱动器框架用于评估风险...
摘要气候科学和应用社区需要一个广泛而需求驱动的概念，以评估与对人类和自然系统的影响相关的物理气候条件。在这里，我们扩展了对“气候影响驱动器”（CID）方法（WGI）（WGI）对气候变化跨越气候变化小组（IPCC）第六次评估报告的描述。CID被广泛定义为“影响社会或生态系统元素的物理气候系统条件（例如，手段，事件和极端）。取决于系统的耐受性，CID及其变化可能是有害的，有益的，中性的，也可能是跨相互作用的系统元素和区域的混合物。”我们提供了有关IPCC报告过程的背景信息，该过程导致了7种CID类型的发展（热，潮湿，风，冰，冰，沿海，开阔海洋和其他），以及33种不同的CID类别，每种CID类别都可以使用多种CID指数进行评估这种CID的清单与WGII共同开发，以在物理气候科学家与影响/风险专家之间提供一个有用的协作点，以评估驱动部门反应的特定气候现象并确定每个部门内的相关CID指数。CID框架可确保一组全面的气候条件为适应计划和风险管理提供信息，还可以帮助优先考虑取决于气候条件的部门动态的改进。CID在识别和传达从物理气候研究中的相关发现到风险评估和计划活动时，通过增加连贯性和中立来促进气候服务。
仪器框图
准确度——它被定义为指示值和实际值之间的差异。实际值可能是一个已知标准，通过将其与获得的值进行比较可获得准确度。如果差异很小，准确度就很高，反之亦然。准确度取决于其他几个参数，如滞后、线性、灵敏度、偏移、漂移等。它通常以跨度百分比、读数百分比甚至绝对值表示。标准值由政府设定，以维持标准。 读数准确度：是读数时与真实值的偏差，以百分比表示。仪器的绝对准确度是以数字而不是百分比表示的与真实值的偏差。 跨度——它可以定义为仪器从最小到最大刻度值的范围。对于温度计，其刻度从-40°C到100°C。因此，其跨度为140°C。如前所述，准确度定义为跨度的百分比。它实际上是以跨度的百分比表示的与真实值的偏差。 精度——可定义为信号可读取的极限。例如，如果考虑一个模拟刻度，其刻度设置为 0.2 psi，则可估计仪器指针的位置在 0.02 psi 以内。因此，该仪器的精度为 0.02 psi。 范围——可定义为仪器可测量的最低读数和最高读数之间的测量值。温度计的刻度为 −40°C 至 100°C。因此，范围从 −40°C 到 100°C。 再现性——可定义为仪器在相同条件下重复读取相同输入后重复产生相同输出的能力。 灵敏度——也可称为过程的传递函数。它是仪器输出变化与相应测量变量变化之间的比率。对于良好的仪器或过程，灵敏度应始终较高，从而产生更高的输出幅度。 偏移——偏移是零输入仪器的读数。
Contramae：癌症生存预测的对比度对齐掩盖自动编码器框架
摘要 - 随着多模式融合技术的快速发展，病理图像与基因组学数据的整合已在癌症生存预测中取得了令人鼓舞的结果。但是，大多数现有的多模型模型不是通过结合病理学和基因组学模态来预训练的，而忽略了不同模态之间固有的任务无关联的关联。尽管某些自我监督的方法通过预训练的目标（例如相关性和均方误差）来对齐多模式信息，但它们缺乏深入的多模式相互作用。为了解决这些问题，我们提出了Contramae，这是一种对比度对齐的掩盖自动编码器框架，以融合病理学图像和基因组学数据，以进行癌症存活预测。具体而言，我们引入了一个对比目标，以使多形态保持一致并构建其内在的一致性。此外，我们设计了两个重建目标，以通过互补偿双方所缺乏的信息来捕获多模式之间的复杂关系。在生存预测中，将Contramae编码器的病理和基因组学编码串联为产生生存风险评分的最终表示。实验结果表明，在五个癌症基因组图集（TCGA）中，CONTORAMA的表现优于五个癌症数据集的现有最新方法。该代码可从https://github.com/suixuewang/contramae获得。
大型语言模型推理中动态策略选择的自适应求解器框架
大型语言模型 (LLM) 在处理推理任务方面表现出令人印象深刻的能力。然而，与能够本能地根据任务的复杂性调整问题解决策略的人类不同，大多数基于 LLM 的方法采用一刀切的方法。这些方法采用一致的模型、样本大小、提示方法和问题分解级别，而不管问题的复杂性如何。这些方法的不灵活性会带来不必要的计算开销或次优性能。为了解决这一限制，我们引入了一个自适应求解器 (AS) 框架，该框架可以动态调整解决策略以适应各种问题，从而实现测试时间计算资源的灵活分配。该框架有两个主要模块。初始评估模块使用答案一致性评估当前解决方案的可靠性。如果解决方案被认为不可靠，则后续的适应模块开始发挥作用。在这个模块中，各种类型的适应策略被协同使用。通过这种动态和多方面的适应，我们的框架可以帮助减少计算消耗并提高性能。复杂推理基准的实验结果表明，我们的方法可以在保持原有性能的同时显著降低 API 成本（最高可达 85%）。此外，在相同成本下，与基线相比，其准确率最高可提高 4.5%。代码和数据集可在 https://github.com/john1226966735/Adaptive-Solver 上找到。
基于OpenCL的设计的FPGA仪器框架
摘要通过使用开放的计算语言（OPENCL）提高了对高性能重新确定异质计算（HPRHC）系统的生产率。但是，在可编程的门阵列（FPGA）中，OpenCL编译器生成的硬件可能会导致严重的性能瓶颈解决方案。问题是由于生成的NetList细节杂乱无章的事实，使它们大部分不可读取，并且仅对设计师而言仅部分可见。本文提出了一种FPGA仪器方法和一个新的框架，用于提取基于OpenCL的设计的FPGA周期 - 准确的时间表演。结果清楚地表明，基于OPENCL的设计的选择执行模型在未正确实现时会强烈影响时间性能。我们的框架是在包含CPU和两个ARRIA10 FPGA的HPRHC平台上实现的，并通过各种具有不同复杂性的基准进行评估。在报告的基准测试后，一个插入仪器的平均逻辑开销是自适应查找表（ALUTS）总量的0.2％，而FPGA中总寄存器的0.1％。此资源利用率比最佳先前发表的作品中报告的资源低1.5至六倍。还可以通过插入多达50个乐器来评估框架的可伸缩性。实验结果表明，当插入50个仪器时，每工具的平均逻辑利用率为0.19％的Alut和0.17％的寄存器。
解码 - vit：手写数字字符串识别的视觉变压器框架
在数字化时代，手写文档识别具有多种应用，例如历史信息保存，邮政地址识别等。对无价文化宝藏的保护和分析在很大程度上取决于历史文档中手写的数字字符串识别。认可的主要挑战是写作风格的变化，噪声，扭曲和有限的数据。本文提出了一种新的方法，可以克服包含数字字符串的复杂，褪色和旧手写文档的困难。目标是创建一个可靠有效的系统，该系统自动识别古代手稿的数字字符串，有助于数字化记录。因此，本文提出了一个强大的视觉变压器框架，以识别手写数字字符串，而不会从较小数据集的未清洗图像中分割数字。所提出的方法是一个四步过程，包括预处理，通过象征化提取特征提取，使用视觉变压器的注意机制识别以及使用光束搜索解码器进行结果解码。将提出方法的性能与由卷积神经网络和长期记忆（CNN-LSTM）组成的混合方法进行比较。所提出的方法达到了56％的单词准确性，损失在更少的时间内低于0.6。结果表明，所提出的模型是一个快速学习者，可以在预期更少的时间内的实时场景中使用。这项研究的结果会影响邮政服务的数字化。在本文中还借助局部可解释的模型 - 不合Snostic解释（LIME）技术讨论了所提出的深度学习模型绩效解释。通过为实时应用程序提供软件即服务（SAAS）来概括所提出的方法的概括，以作为未来的研究方向。
CSLP-AE：用于零样本脑电信号转换的对比分裂潜在置换自动编码器框架
脑电图 (EEG) 是一种著名的非侵入性神经成像技术，可以洞察大脑功能。不幸的是，EEG 数据在不同受试者之间表现出高度的噪声和变异性，阻碍了可推广的信号提取。因此，EEG 分析的一个关键目标是提取潜在的神经激活（内容）以及考虑个体受试者的变异性（风格）。我们假设，在任务和受试者之间转换 EEG 信号的能力需要提取考虑内容和风格的潜在表示。受语音转换技术最新进展的启发，我们提出了一种新颖的对比分裂潜在排列自动编码器 (CSLP-AE) 框架，可直接优化 EEG 转换。重要的是，使用对比学习来引导潜在表示，以促进潜在分裂明确地表示主题（风格）和任务（内容）。我们将 CSLP-AE 与传统的监督、无监督 (AE) 和自监督 (对比学习) 训练进行了对比，发现所提出的方法提供了对主体和任务的良好可推广表征。重要的是，该程序还支持未见过的主体之间的零样本转换。虽然本研究仅考虑 EEG 的转换，但所提出的 CSLP-AE 为信号转换和提取内容 (任务激活) 和风格 (主体变异性) 组件提供了一个通用框架，可用于对生物信号进行建模和分析。
上下文子空间变分量子特征求解器和非上下文投影假设的稳定器框架
摘要：量子化学是噪声中型量子 (NISQ) 设备的一个有前途的应用。然而，量子计算机迄今为止尚未成功解决具有真正科学意义的问题，算法的进步对于充分利用当今可用的普通 NISQ 机器来说是必不可少的。我们讨论了一种基于将分子汉密尔顿量划分为两部分的基态能量估计方法：一部分是非上下文的，可以用经典方法求解，另一部分是上下文分量，可通过变分量子特征求解器 (VQE) 程序获得量子校正。这种方法被称为上下文子空间 VQE (CS-VQE)；然而，在将其部署到 NISQ 设备上之前，还有一些障碍需要克服。我们在这里解决的问题是 ansatz，即我们在 VQE 期间对其进行优化的参数化量子态；最初并不清楚汉密尔顿量的分裂应如何反映在 CS-VQE ansa ̈ tze 中。我们提出了一种“非上下文投影”方法，该方法由稳定器形式中 CS-VQE 的重新表述所阐明。这定义了从完整电子结构问题到上下文子空间的假设限制，并促进了可在 NISQ 设备上部署的 CS-VQE 的实现。我们使用量子模拟器验证了非上下文投影假设，并展示了一组小分子的化学精确基态能量计算，同时显著减少了所需的量子比特数和电路深度。