XiaoMi-AI文件搜索系统
World File Search System子网络
类似大脑的前馈和循环网络组件的组合实现了原型提取和
摘要：联想记忆一直是大规模循环新皮质网络执行计算的主要候选对象。实现联想记忆的吸引子网络为许多认知现象提供了机械解释。然而，吸引子记忆模型通常使用正交或随机模式进行训练，以避免记忆之间的干扰，这使得它们不适用于自然发生的复杂相关刺激，如图像。我们通过将循环吸引子网络与使用无监督赫布-贝叶斯学习规则学习分布式表示的前馈网络相结合来解决这个问题。由此产生的网络模型结合了许多已知的生物学特性：无监督学习、赫布可塑性、稀疏分布式激活、稀疏连接、柱状和层状皮质结构等。我们评估了前馈和循环网络组件在 MNIST 手写数字数据集上的复杂模式识别任务中的协同效应。我们证明了循环吸引子组件在前馈驱动的内部（隐藏）表示上进行训练时实现了联想记忆。联想记忆还被证明可以从训练数据中提取原型，并使表示对严重失真的输入具有鲁棒性。我们认为，从机器学习的角度来看，所提出的前馈和循环计算集成的几个方面特别有吸引力。
重新想象意向立场 - Pure
通常用来研究丹尼特“意向立场”的范式是比较人类与计算机竞争时的神经激活情况。这一范式混淆了对手是自然的还是人造的，是故意的还是自动的。据我们所知，这项功能性磁共振成像研究是第一个通过正交改变对手的意向性（根据脚本主动或被动响应）和体现（人或计算机）的感知来研究意向立场的研究。仅仅将对手（无论是人还是计算机）感知为有意的就会激活心理网络：双侧颞顶交界处（TPJ）、右侧颞极、前扣带皮层（aPCC）和楔前叶。与人类或计算机的互动会激活心理网络中更受限制的右侧子网络，该子网络由 TPJ 和 aPCC 组成，这可能反映了自发将意向性归因于人类的倾向。意向性（主动与被动）与对手（人类与计算机）之间的互动会激活左额极，这可能是为了应对违反对人类和计算机的默认意向立场。采用正交设计对于充分捕捉 Dennett 的意向立场概念非常重要，意向立场是一种心理化策略，可以同样适用于人类和其他意向代理。
联合操作系统（JOS）
JOS BMC2语言允许战斗网络用常见的机器可靠语言表示情境理解，订单，计划和任务。此外，JOS的沟通和协作协议还为战场提供了自主组成临时联盟的手段（AS-A-Service子网络的系统，用于实现共同目标的系统），并以机器速度共享任务和信息。JOS的战场是动态的，能够实时适应以同时执行多个命令。
设计多核大小 μBrains 以实现节能...
摘要 — 随着基于脉冲的深度学习推理应用在嵌入式系统中的增多，这些系统倾向于集成神经形态加速器（如 µ Brain）以提高能源效率。我们提出了一种基于 µ Brain 的可扩展多核神经形态硬件设计，以加速脉冲深度卷积神经网络 (SDCNN) 的计算。为了提高能源效率，内核在神经元和突触容量方面设计为异构的（即大核与小核），并且它们使用并行分段总线互连，与传统的基于网格的片上网络 (NoC) 相比，这可以降低延迟和能耗。我们提出了一个名为 SentryOS 的系统软件框架，将 SDCNN 推理应用程序映射到所提出的设计中。SentryOS 由一个编译器和一个运行时管理器组成。编译器利用大和小 µ Brain 内核的内部架构将 SDCNN 应用程序编译成子网络。运行时管理器将这些子网络调度到内核上并流水线执行以提高吞吐量。我们用五个常用的 SDCNN 推理应用程序评估了所提出的大多核神经形态设计和系统软件框架，并表明所提出的解决方案可降低能耗（37% 至 98%）、降低延迟（9% 至 25%）并提高应用程序吞吐量（20% 至 36%）。我们还表明 SentryOS 可以轻松扩展到其他脉冲神经形态加速器，例如 Loihi 和 DYNAP。索引术语 — 神经形态计算、脉冲深度卷积神经网络、多核、嵌入式系统、µ Brain
基于 PC 的飞机数据链路处理器 - 欧洲空中导航安全组织
图 1 模式 S 子网的功能元素.................................................................................................................2 图 2 ARINC 协议堆栈...............................................................................................................................3 图 3 基于 PC 的 ADLP.................................................................................................................................4 图 4 高级 ARINC 卡......................................................................................................................................5 图 5 软件架构.......................................................................................................................................11 图 6 FITAMS - ATN 模式 S 和 SDU....................................................................................................................30 图 7 ADS-广播和 DAPS.............................................................................................................................33 图 8 SVC 和模式 S 网关.............................................................................................................................35 图 9 应答器测试架.....................................................................................................................................39 图 10 应答器前面板.............................................................................................................................43 图 11 ADLP / TAR电缆................................................................................................................................47 图 12 DERA 数据链路测试台...................................................................................................................75 图 13 DFS 整体数据链路环境................................................................................................................81 图 14 DFS 子网络......................................................................................................................................84
连续变量量子密钥分发的可组合安全性：有线和无线网络中的信任级别和实际密钥率
连续变量 (CV) 量子密钥分发 (QKD) 为安全量子通信提供了强大的环境，这要归功于使用室温现成的光学设备并且有可能达到比标准离散变量对应物高得多的速率。在本文中，我们提供了一个通用框架，用于研究在各方经历的损失和噪声的不同信任级别下，使用高斯调制相干态协议的 CV-QKD 的可组合有限尺寸安全性。我们的论文考虑了有线（即基于光纤）和无线（即自由空间）量子通信。在后一种情况下，我们表明在具有固定和移动设备的安全量子网络中，短距离光学无线 (LiFi) 可以实现高密钥速率。最后，我们将研究扩展到微波无线 (WiFi)，讨论 CV-QKD 在极短距离应用中的安全性和可行性。
fedSelect：定制的选择参数的选择 - ...
联合学习（FL）的最新进步试图通过在本地任务上对本地数据或个人架构进行细调客户端参数来提高客户层的性能。这种个性化的现有方法是修剪全球模型，要么对本地客户分布进行微调。但是，这些措施的方法要么以保留重要的全球知识为代价，要么预先确定用于微调的网络层，从而导致在客户端模型中次优的全局知识的次优储存。通过彩票票证假设的开明，我们首先引入了一个假设，用于在离开其余参数冻结的同时找到最佳的客户子网络以本地微调。然后，我们使用此过程，通过此过程直接通过同时发现用于个性化的操作参数以及在培训期间的全局聚合参数，提出了一个新颖的FL框架，即FedSelect。我们表明，此方法在CIFAR-10上实现了有希望的结果。
基于自动经济分析的公园级集成能源系统的多目标合作式优化
摘要：公园级综合能源系统（PIE）可以通过多种类型的能量子网络之间的耦合来实现能源的梯度利用并提高能源利用的效率。但是，不能使用能量分析和自我分析来评估派的经济学。此外，综合能源供应商之间感兴趣的冲突使派的生态调度更加困难。在本文中，我们提出了一种基于Exergy Economics的基于游戏协作的优化方法，在该方法中，Exergy Economics的引入实现了对派对内部任何链接的经济评估，并且基于潜在游戏的优化模型解决了多个能源供应商之间利益的问题的问题，并改善了每种供应商的实用者。最后，以广州为例以派对为例，通过将其与经典优化方案进行比较来证明本文提出的优化方案的合理性。
数据与数字自我 | ACS
Ian 目前担任新南威尔士州首席数据科学家，也是 UTS 的行业教授。Ian 在 ICT 领域拥有 30 年的经验，曾领导拥有 300 多人的组织，提供的产品和成果影响了全球数亿人。他曾在欧洲和澳大利亚担任高级管理职务，担任诺基亚无线接入性能总监、诺基亚西门子网络全球销售合作伙伴（网络软件）主管，以及 CSIRO 的部门主管和旗舰总监。Ian 被认为是数字经济的思想领袖，经常就大数据、宽带服务和技术对社会的影响发表演讲。他撰写了六本书，并合著了 130 多篇论文，这些论文被引用了 4,000 多次。Ian 拥有伦敦大学工商管理硕士学位和悉尼大学移动电信哲学博士学位。