XiaoMi-AI文件搜索系统
World File Search System异构
pmfl：针对异构任务的部分元元学习及其在现实世界病历上的应用
摘要 - 填充的机器学习是一种多功能且灵活的工具，可利用来自不同来源的分布式数据，尤其是当通信技术迅速发展并且可以在移动设备上收集空前的数据时。联合学习方法不仅利用了数据，还利用网络中所有设备的计算能力来实现更有效的模型培训。然而，尽管大多数传统的联合学习方法在同质数据和任务中都很好地工作，但将方法调整为杂项数据和任务分布既具有挑战性。此限制限制了联邦学习在现实世界中，尤其是在医疗环境中的应用。受到元学习的基本观念的启发，在本研究中，我们提出了一种新算法，该算法是联合学习和元学习的整合，以解决这个问题。此外，由于模型概括的转移学习的优势，我们通过引入部分参数共享以平衡全球和本地学习来进一步改善算法。我们将此方法命名为部分元元学习（PMFL）。最后，我们将算法将其应用于两个医疗数据集。我们表明，我们的算法可以获得最快的训练速度，并在处理异质医疗数据集时获得最佳性能。源代码可在https://github.com/destiny301/pmfl上找到。索引术语 - 填写学习，学习，转移学习，医学，自然语言处理
文章 使用低精度异构声纳浮标传感器的纯角度测量来定位水下目标
摘要：本文考虑了水下目标的定位，其中放置了许多声纳浮标来测量目标声音的方位。声纳浮标的方位精度非常低，例如 10 度。在实践中，我们可以使用多个异构声纳浮标，这样传感器噪声的方差可能与另一个传感器的方差不同。此外，一个传感器的最大感应范围可能与另一个传感器的最大感应范围不同。如果传感器检测到目标的方位，则真实目标必须存在于传感器的感应范围内。为了基于低精度的方位测量来估计目标位置，本文介绍了一种基于多个虚拟测量集 (VMS) 的新型目标定位方法。这里，每个 VMS 都是考虑到每个声纳传感器的方位测量噪声而得出的。据我们所知，本文在考虑传感器的最大感应范围的情况下，基于低精度的异构声纳浮标传感器对目标的 2D 位置进行定位方面是新颖的。通过使用计算机模拟将所提出的定位方法与其他最先进的定位方法进行比较，验证了所提出的定位方法的优越性（同时考虑时间效率和定位精度）。
如何高效训练你的人工智能代理？在异构平台上表征和评估深度强化学习
摘要 — 深度强化学习 (Dee p RL) 是自动驾驶汽车、机器人、监控等多个领域的一项关键技术。在深度强化学习中，使用深度神经网络或 KMO 德尔、ANA温柔地学习如何与环境互动以实现特定目标。深度强化学习算法架构的运行效率取决于若干因素，包括：( 1) 硬件架构对深度强化学习的基础内核和计算模式的适应性；( 2) 硬件架构的内存分层在通信层面的最小化能力； (3)硬件架构能够通过深度嵌套的高度不规则计算特性来隐藏深度强化学习算法中的开销引入。GP Us 一直是加速强化学习算法的流行方法，然而它们并不能最好地满足上述要求。最近的一些工作已经为特定的深度强化学习算法开发了高可定制加速器。然而，它们不能推广到所有可用的深度强化学习算法和 DNN 模型选择。在本文中，我们探索了开发现场框架的可能性，该框架可以加速各种深度强化学习算法，包括训练方法或 DNN 模型结构的变量。我们通过定义一个领域内特定的高级抽象或一类广泛使用的深度强化学习算法——基于策略的深度强化学习 (on-policy Deep R L) 来实现这个目标。此外，我们还对 CP U-GPU 和 CP U-FPGA 平台上最先进的基于策略的深度强化学习 (on-policy Deep R L) 算法的性能进行了系统分析。我们针对机器人和游戏这两个应用领域选择了两个代表性算法——PPO 和 A 2 C。我们展示了基于 FPG 的定制加速器，它们分别实现了高达 2.4 倍（PPO）和 8 倍（A 2 C）的训练速度提升，以及 1.7 倍（PPO）和 2.1 倍（A 2 C）的整体吞吐量提升。索引术语——强化学习、FPGA
可扩展且量子弹性的异构边缘计算实现值得信赖的人工智能 (SMARTY)
值得信赖的人工智能 (AI) 是边缘计算的关键问题。边缘计算涉及在网络边缘（靠近数据生成位置）处理数据，而不是将其发送到集中位置 [1]。这种方法可以提供更快、更高效的数据处理，但它也要求 AI 系统在远程环境中自主可靠地运行。因此，边缘计算中的 AI 系统值得信赖非常重要，这意味着它们是透明、安全和准确的 [2]。更详细地说，理想情况下，值得信赖的 AI 可以从网络中的任何点透明、安全、准确地部署。从根本上讲，这些要求转化为提供对传输中数据和处理中数据的保护，同时确保低延迟和可访问性。接下来，我们将描述如何应对这些技术挑战。
ATSC 3.0 广播 5G 单播异构网络融合服务从第 16 版开始
摘要 — 在本文中，ATSC 3.0 广播无线接入技术 (RAT) 与 3GPP 5G NR RAT 保持一致，从版本 16 开始，5G 融合的背景下开始。5G 系统架构版本 16 包括一个新的 5G 物理层，称为 5G NR“新无线电”和使用云计算的“云原生”5G 核心 (5GC)。5GC 与所使用的无线接入技术类型无关，并且是多种融合的推动者。讨论了一种旨在与 5GC 互通的新型共享多租户广播核心网络架构。使用 Release 16 的方法，3GPP 5G NR 单播和非 3GPP ATSC 3.0 广播协同对齐。这包括使用 3GPP 接入流量引导、交换、拆分 (ATSSS) 和多无线电双同步连接用户设备 (UE)。这使 ATSC 3.0（第一个前瞻性（非向后兼容）原生 IP OFDM 广播标准）与 3GPP LTE/5G 单播作为融合的 5G 垂直行业保持一致。所提出的方法和架构与 LTE 广播 Release 16 正交，并且与未来的 5G NR 混合模式多播单播协同。
Graph-DTI：一种基于异构网络图嵌入的药物-靶标相互作用预测新模型
受近年来图嵌入和知识表示学习的启发，我们开发了一种新的端到端学习模型，称为 Graph-DTI，它整合了来自异构网络数据的各种信息，并自动学习保留拓扑的药物和靶标表示，以促进 DTI 预测。我们的框架由三个主要构建块组成。首先，我们整合了药物和靶标蛋白的多种数据源，并从一组数据集中构建了异构网络。其次，通过使用受 GCN 启发的图自动编码器提取高阶结构信息来学习节点（药物、蛋白质）及其拓扑邻域表示，形成异构网络。最后一部分是预测潜在的 DTI，然后将训练好的样本发送到分类器进行二元分类。
2021 BEETL 竞赛：推进针对受试者独立性和异构 EEG 数据集的迁移学习
Stylianos Bakas 1 , 2 , 3 stelios@cogitat.io Siegfried Ludwig 1 , 2 siegfried@cogitat.io Konstantinos Barmpas 1 , 2 ntinos@cogitat.io Mehdi Bahri 1 , 2 mehdi@cogitat.io Yannis Panagakis 1 , 2 , 4 yannis@cogitat.io Nikolaos Laskaris 1 , 2 , 3 nikos@cogitat.io Dimitrios A. Adamos 1 , 2 , 3 dimitrios@cogitat.io Stefanos Zafeiriou 1 , 2 stefanos@cogitat.io William C. Duong 5 , 6 wduong@dcscorp.com Stephen M. Gordon 5 , 6 sgordon@dcscorp.com 弗农·J·劳恩 (Vernon J. Lawhern) 6 vernon.j.lawhern.civ@army.mil Maciej ´ Sliwowski 7 , 8 , 9 maciej.sliwowski@opium.sh Vincent Rouanne 7 vincent.rouanne@gmail.com Piotr Tempczyk 9 , 10 piotr.tempczyk@opium.sh 1 Cogitat Ltd.，英国 2 智能行为理解小组，伦敦帝国理工学院，英国 3 塞萨洛尼基亚里士多德大学，希腊 4 雅典国立和卡波迪斯特里安大学，希腊 5 DCS 公司，弗吉尼亚州亚历山大，美国 6 人类研究与工程理事会，DEVCOM 陆军研究实验室，马里兰州阿伯丁试验场，美国 7 大学。格勒诺布尔阿尔卑斯大学，CEA，LETI，Clinatec，F-38000 格勒诺布尔，法国 8 巴黎萨克雷大学，CEA，List，F-91120，帕莱索，法国 9 波兰国家机器学习研究所 (OPIUM)，华沙，波兰 10 deeptale.ai，波兰
2021 BEETL 竞赛：推进针对受试者独立性和异构 EEG 数据集的迁移学习
Stylianos Bakas 1 , 2 , 3 stelios@cogitat.io Siegfried Ludwig 1 , 2 siegfried@cogitat.io Konstantinos Barmpas 1 , 2 ntinos@cogitat.io Mehdi Bahri 1 , 2 mehdi@cogitat.io Yannis Panagakis 1 , 2 , 4 yannis@cogitat.io Nikolaos Laskaris 1 , 2 , 3 nikos@cogitat.io Dimitrios A. Adamos 1 , 2 , 3 dimitrios@cogitat.io Stefanos Zafeiriou 1 , 2 stefanos@cogitat.io William C. Duong 5 , 6 wduong@dcscorp.com Stephen M. Gordon 5 , 6 sgordon@dcscorp.com 弗农·J·劳恩 (Vernon J. Lawhern) 6 vernon.j.lawhern.civ@army.mil Maciej ´ Sliwowski 7 , 8 , 9 maciej.sliwowski@opium.sh Vincent Rouanne 7 vincent.rouanne@gmail.com Piotr Tempczyk 9 , 10 piotr.tempczyk@opium.sh 1 Cogitat Ltd.，英国 2 智能行为理解小组，伦敦帝国理工学院，英国 3 塞萨洛尼基亚里士多德大学，希腊 4 雅典国立和卡波迪斯特里安大学，希腊 5 DCS 公司，弗吉尼亚州亚历山大，美国 6 人类研究与工程理事会，DEVCOM 陆军研究实验室，马里兰州阿伯丁试验场，美国 7 大学。格勒诺布尔阿尔卑斯大学，CEA，LETI，Clinatec，F-38000 格勒诺布尔，法国 8 巴黎萨克雷大学，CEA，List，F-91120，帕莱索，法国 9 波兰国家机器学习研究所 (OPIUM)，华沙，波兰 10 deeptale.ai，波兰
有毒表皮坏死>的狗中的局部异构外泌体治疗
本报告描述了狗在狗中对有毒表皮坏死（十）的局部外泌体治疗的积极结果。在尿道病手术后的第二天和7天，皮下施用了霉素。停止治疗后的十四天，将狗送到诊所，以在背侧区域散布浅表组织丧失，这与不良药物反应有关，基于评估表皮坏死的药物因果关系的评估。牛衍生的脐带血外泌体以100万千克的剂量每天两次施用，并在伤口周围的多个点进行皮内和喷雾路线。每周监测狗，并在治疗后58天观察到完全恢复。本报告表明，局部异构外泌体可能是狗伤口愈合的另一种治疗方法。
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。