XiaoMi-AI文件搜索系统
World File Search System基准
零射击学习的多模式基准和改进的体系结构
在这项工作中，我们证明，由于现有评估协议和数据集中的不足，因此有必要重新审视并全面研究Mul-timodal零射击学习（MZSL）问题问题。具体来说，我们解决了MZSL方法面临的两个主要挑战。 （1）既定基线的情况通常是无与伦比的，而且有时甚至是有缺陷的，因为现有的评估数据集通常与培训数据集有一些重叠，因此违反了零照片范式； （2）大多数现有的方法都偏向可见的类，这在对可见和看不见的类别进行评估时会大大降低性能。为了应对这些挑战，我们首先引入了一个新的多模式数据集，用于零照片评估，称为MZSL-50，其中有4462个视频来自50个广泛多元化的类别，并且与培训数据没有重叠。此外，我们提出了一种新型的多模式零射击变压器（MZST）体系结构，该体系结构利用了吸引瓶颈进行多模式融合。我们的模型可以直接预测语义表示，并且在将偏见降低到可见的类别方面表现出色。我们进行了广泛的消融研究，并在三个基准数据集和我们的新型MZSL-50数据集上实现最先进的结果。具体来说，我们提高了传统的MZSL绩效2。1％，9。81％和8。 vgg-sound，UCF-101和ActivityNet的68％。 最后，我们希望引入MZSL-50数据集将促进对社区中多模式零射击的深入研究。 181％和8。vgg-sound，UCF-101和ActivityNet的68％。最后，我们希望引入MZSL-50数据集将促进对社区中多模式零射击的深入研究。1
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
条例01-O-25，“健康建筑条例”修改城市法规第4-22条“建筑能源和水利用基准测试”以合并建筑物
建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。建议采取的行动：环境委员会和公用事业委员会建议采用法令01- O-25，以创建公平的社区主导的脱碳方法。鲤鱼：市政业务，建筑效率，可再生能源，弹性法规，实施，问责制和合伙企业：市政运营，建筑效率，可再生能源，可再生能源，弹性法规，实施，问责制，责任及合伙企业
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
用于缓解量子误差的开销基准测试管道
零噪声外推 (ZNE) 是一种量子经典混合技术。它运行噪声水平不断增加的量子电路，提取每个电路的期望值，然后使用经典拟合外推无噪声环境中的理想期望值。在 Mitiq 的 ZNE 实现中，有两个相关的经典变量：(1) 用于查找 y 截距（理想期望值）的外推或拟合类型和 (2) 噪声缩放值，它们决定了噪声在运行的每个附加电路中如何增长 [3]。
基准作为未来经济的基础
不幸的是，今天，竞争性问题通常仅从生产的角度考虑，而不会影响其他领域。现代思想假设确保无形资产和智力资本发挥竞争力的主要作用[1]。但是，该声明与市场上的俄罗斯现实并不完全一致：公司之间的信息链接仍然太弱，创新的引入薄弱，法律框架尚未充分准备[2]。另一方面，俄罗斯公司对各种因素，尤其是危机现象的越来越大的压力导致对他们之间的市场份额的竞争加剧。同时，大多数公司很少关注，也不在决策领域进行研究，以制定竞争性发展的战略。在经济各个部门管理生产方面和企业经济活动方面的有效机制之一是一项比较研究，是确定，理解和适应最近竞争性公司有效运作的现有示例的建模，以提高自己的绩效[3]。模型和决策方法，用于管理自己的竞争力
S2N -TLS基准测试和比较分析-libraetd
jmz8rm@virginia.edu摘要作为亚马逊Web服务的实习生（AWS），我以前无需使用AWS的S2N-TLS和其他公共运输层安全（TLS）库的简单且可靠的比较基准，以确定优化和确定S2N-TLS的区域。S2N-TLS每秒处理数亿美元的连接，从而使任何小的优化可节省大量成本。基准线束将每个库（S2N-TLS，OpenSSL和Rustls）适应一个共同的接口，并测量握手延迟，吞吐量和内存使用情况。s2n-tls比Rustls和OpenSSL更具性能，但要比Rustls更高的内存使用，这使得内存成为优化的可能目标。未来的工作包括将基准纳入测试中，以防止部署前的性能回归，更详细的测试以获得更具体的见解，并使用更多参数进行测试。1。简介TLS是一个网络协议，可确保两个端点（例如，您的计算机和Web服务器）安全通信。TLS有两个主要目标：身份验证和加密。身份验证是对端点身份的验证，它阻止了不良演员假装是客户端可能想要与之交谈的服务器。加密保护在运输中数据的安全性，这可以防止
FedRAMP 基准修订版 5 过渡指南
■ 客户可以使用 CSP 时间表和 CRM 来了解其自身实施计划的计划变更。● 在 POA&M 管理流程和/或下一次年度评估（如适用）期间，评估修订版 4 到修订版 5 过渡计划的实施情况。修订版 5 控制措施的实施必须在下一次年度评估之前完成，以支持控制措施实施的测试。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda