XiaoMi-AI文件搜索系统
World File Search System性能提升
偏差、最佳线性估计以及基于脉冲的脑机接口算法的开环模拟和闭环性能之间的差异
同时记录的数十个神经元的活动可用于控制机械臂或计算机屏幕上光标的运动。这种运动神经假体技术激发了人们对推断运动意图的算法的兴趣。这些算法中最简单的是群体向量算法 (PVA)，其中每个细胞的活动用于加权指向该神经元首选方向的向量。离线时，可以证明更复杂的算法（例如最佳线性估计器 (OLE)）可以大大提高重建手部运动的准确性，优于 PVA。我们称之为开环性能。相反，这种性能差异可能不存在于闭环在线控制中。开环和闭环控制之间的明显差异是适应当时使用的解码器的具体情况的能力。为了预测算法在闭环控制中可能产生的性能提升，有必要建立一个模型来捕捉这种适应过程的各个方面。这里我们提出了一个用于对 PVA 和 OLE 的闭环性能进行建模的框架。通过模拟和实验，我们表明 (1) 某些解码器的性能增益可能远低于离线结果的预测，(2) 受试者能够补偿解码器中某些类型的偏差，以及 (3) 必须小心确保估计误差不会降低理论上最佳解码器的性能。© 2009 Elsevier Ltd. 保留所有权利。
加密程序的安全性和建筑的实际意义
为了确保 IT 系统的运行，必须保持数据的机密性和完整性，这基于某些加密过程。加密过程基于算法，其理论由密码学给出。由于其复杂性，不仅普通人难以理解，而且大多数熟悉 IT 的专业人士也难以理解。所使用的算法不是永恒的；各种设计或实施错误，甚至计算机硬件改进带来的性能提升，都使曾经取得高成就的算法过时且容易被黑客入侵。强算法可以通过其他方式绕过，个人计算设备已经可以构建必要的软件和硬件基础设施。我在两个不同的密码数据库上测试了它的有效性：随着大学密码的成功破解，我证明了可以用简单的方法绕过强算法。现代加密算法的生命周期相对较长，它们会慢慢过时。量子计算机的构建创造了一种新情况，需要消除许多程序，并通过其他方法修改或保护其参数。由于对目前运行的所有 IT 系统的加密算法进行现代化改造是一项不可能完成的任务，因此必须尽快开始准备工作，以便至少对于关键系统而言，能够应对新情况。在我的文章中，我想提请大家注意加密方法的弱点，提出一种绕过当前使用的加密方法的可能方法，演示量子计算机的运行以及一些与该主题相关的算法。
RISC-V 处理器中的 CSD 驱动加速
摘要。本文介绍了一种可综合的 µ 架构设计方法，通过在处理器流水线内的执行阶段利用规范有符号数字 (CSD) 表示来提高给定 RISC-V 处理器架构的性能。CSD 是一种独特的三进制数系统，无论字长 N 是多少，都可以在常数时间 O (1) 内实现无进位/无借位加法/减法。CSD 扩展以 Potato 处理器为例进行了演示，这是一种简单的 RISC-V FPGA 实现。但是，该方法原则上也可以应用于其他实现。我们通过 CSD 实现的性能提升需要二进制和 CSD 表示之间的转换开销。该开销通过扩展到七级流水线架构来补偿，该架构具有三步执行阶段，可提高吞吐量和工作频率并实现循环展开，这在具有连续计算的应用中尤其有利，例如信号处理。根据实验结果，我们将基于 CSD 的三元解决方案与原始实现进行了比较，后者使用通常的纯二进制数表示操作数。与 FPGA 上的原始 RISC-V 处理器相比，我们的方法实现了 2.41 倍的运行频率提升，其中超过 20% 的增益归功于 CSD 编码。对于计算密集型基准测试应用程序，这种增强使吞吐量提高了 2.40 倍，执行时间缩短了 2.37 倍。
![arXiv:2312.15252v1 [q-bio.BM] 2023 年 12 月 23 日](/simg/f\ff46232bb704c4d3dff958375a56735191bb04a2.webp)
arXiv:2312.15252v1 [q-bio.BM] 2023 年 12 月 23 日
准确而稳健地预测药物-靶标相互作用 (DTI) 在药物发现中起着至关重要的作用。尽管人们在预测新型 DTI 方面投入了大量精力，但现有方法仍然存在标记数据不足和冷启动问题。更重要的是，目前缺乏阐明药物和靶标之间作用机制 (MoA) 的研究。区分激活和抑制机制对于药物开发至关重要且具有挑战性。在这里，我们介绍了一个称为 DTIAM 的统一框架，旨在预测药物和靶标之间的相互作用、结合亲和力以及激活/抑制机制。DTIAM 通过自监督的预训练从大量无标记数据中学习药物和靶标表示，从而准确提取药物和靶标的子结构和上下文信息，从而有利于基于这些表示的下游预测。DTIAM 在所有任务中都比其他最先进的方法实现了显着的性能提升，尤其是在冷启动场景中。此外，独立验证证明了 DTIAM 强大的泛化能力。所有这些结果表明，DTIAM 可以提供一种实用的工具来预测新型 DTI 并进一步区分候选药物的作用机理。DTIAM 首次提供了一个统一的框架，可以准确、稳健地预测药物-靶标相互作用、结合亲和力以及激活/抑制机制。
通过交叉研究实现医疗保健领域的高效表征学习...
在医疗保健和生物医学应用中，极端的计算要求对采用表示学习构成了重大障碍。表示学习可以通过从有限的医疗数据中学习有用的先验来提高深度学习架构的性能。然而，最先进的自监督技术在使用较小的批量或较短的预训练时间时性能会降低，这在临床环境中更为实用。为了应对这一挑战，我们提出了跨架构-自监督（CASS）。这种新颖的暹罗自监督学习方法协同利用 Transformer 和卷积神经网络（CNN）进行高效学习。我们的实证评估表明，CASS 训练的 CNN 和 Transformer 在四个不同的医疗保健数据集上的表现优于现有的自监督学习方法。仅使用 1% 的标记数据进行微调，CASS 实现了 3.8% 的平均提升；使用 10% 的标记数据，它获得了 5.9%；而使用 100% 标记数据，其性能提升显著，达到 10.13%。值得注意的是，与最先进的方法相比，CASS 将预训练时间缩短了 69%，使其更适合临床实施。我们还证明，CASS 对批次大小和预训练周期的变化具有更强的鲁棒性，使其成为医疗保健应用中机器学习的合适候选者。
基于量子态保真度的量子-经典协同训练架构
摘要 最近的进展凸显了当前量子系统的局限性，特别是近期量子设备上可用的量子比特数量有限。这一限制极大地限制了可以利用量子计算机的应用范围。此外，随着可用量子比特的增加，计算复杂性呈指数增长，带来了额外的挑战。因此，迫切需要有效使用量子比特并减轻当前的限制和未来的复杂性。为了解决这个问题，现有的量子应用试图将经典系统和量子系统集成在一个混合框架中。在本文中，我们专注于量子深度学习，并介绍一种名为 co-TenQu 的协作经典量子架构。经典组件采用张量网络进行压缩和特征提取，使高维数据能够编码到具有有限量子比特的逻辑量子电路上。在量子方面，我们提出了一种基于量子态保真度的评估函数，通过双方之间的反馈回路迭代训练网络。co-TenQu 已在模拟器和 IBM-Q 平台上实现和评估。与最先进的方法相比，co-TenQu 在公平环境下将经典深度神经网络的性能提升了 41.72%。此外，它的性能比其他基于量子的方法高出 1.9 倍，在实现相似准确度的同时，使用的量子比特数却减少了 70.59%。
倒下的Apple检测作为辅助任务-UCL Discovery
在现代农业实践中，先进的机器学习技术在优化产量和管理方面起着关键作用。果园管理中的一个重大挑战是检测到树木上的苹果，这对于有效的收获计划和收益率估算至关重要。YOLO系列，尤其是Yolov8模型，它是用于对象检测的最新解决方案，但其在果园中的潜力仍未开发。解决这个问题，我们的研究评估了Yolov8在果园Apple检测中的能力，旨在设定基准。通过采用图像增强技术，例如曝光，旋转，马赛克和切口，我们将模型的性能提升到了最新的水平。我们进一步整合了多任务学习，还通过在地面上识别出苹果来增强苹果的检测。这种方法在评估指标之间产生了具有稳健精度的模型。我们的结果强调了Yolov8模型达到了果园Apple检测的领先标准。在接受树木和倒下的苹果发现训练时，当专门为前者接受培训时，它的表现优于苹果。认识到堕落的苹果不仅减少了废物，而且还可能表明有害生物活动，影响战略或凝视的决策并有可能提高经济回报。将尖端技术与农业需求合并，我们的研究展示了在深度学习中进行多任务学习在水果检测中学习的希望。
后 FIPS 202 哈希函数的硬件加速器......
摘要 — 在当今的数字环境中，密码学通过加密和身份验证算法在确保通信安全方面发挥着至关重要的作用。虽然传统的密码方法依靠困难的数学问题来保证安全性，但量子计算的兴起威胁到了它们的有效性。后量子密码学 (PQC) 算法（如 CRYSTALS-Kyber）旨在抵御量子攻击。最近标准化的 CRYSTALS-Kyber 是一种基于格的算法，旨在抵御量子攻击。然而，它的实现面临着计算挑战，特别是基于 Keccak 的函数，这些函数对于安全性至关重要，也是 FIPS 202 标准的基础。我们的论文通过设计 FIPS 202 硬件加速器来提高 CRYSTALS-Kyber 的效率和安全性，从而解决了这一技术挑战。我们选择在硬件中实现整个 FIPS 202 标准，以扩大加速器对所有依赖此类哈希函数的可能算法的适用性，同时注意提供对片上系统 (SoC) 内系统级集成的现实假设。我们针对 ASIC 和 FPGA 目标提供了面积、频率和时钟周期方面的结果。与最先进的解决方案相比，面积减少了 22.3%。此外，我们将加速器集成在基于 32 位 RISC-V 的安全导向 SoC 中，我们在 CRYSTALS-Kyber 执行中展示了强大的性能提升。本文提出的设计在所有 Kyber1024 原语中表现更好，在 Kyber-KeyGen 中的改进高达 3.21 倍。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
已发布版本 (APA) 引用：Asif, AR、Waris, A.、Gilani, SO、Jamil, M.、Ashraf, H.、Shafique, M. 和 Niazi, IK (2020)。性能特点
摘要：肌电图 (EMG) 是肌肉收缩产生的电活动的量度。基于非侵入性表面肌电图 (sEMG) 的模式识别方法已显示出上肢假肢控制的潜力。然而，它仍然不足以进行自然控制。深度学习的最新进展表明生物信号处理取得了巨大进步。已经提出了多种架构，可为离线分析提供高精度 (> 95%)，但由于系统优化而导致的延迟仍然是实时应用的挑战。由此产生了对基于微调超参数的优化深度学习架构的需求。尽管实现收敛的机会是随机的，但重要的是要注意，所获得的性能提升足以证明额外的计算是合理的。在本研究中，我们利用卷积神经网络 (CNN) 解码 18 位受试者记录的 sEMG 数据中的手势，以研究超参数对每个手势的影响。结果表明，将学习率设置为 0.0001 或 0.001，并进行 80-100 次训练，其效果显著优于其他考虑因素 (p < 0.05)。此外，我们还观察到，无论网络配置如何，某些动作（握紧手、屈手、伸手和细握）在整个研究过程中表现更好（分别为 83.7% ± 13.5%、71.2% ± 20.2%、82.6% ± 13.9% 和 74.6% ± 15%）。因此，可以根据表现最佳的手部动作设计出稳健稳定的肌电控制。随着识别能力的提高和性能的统一提升，基于深度学习的方法有可能成为传统机器学习算法的更强大的替代方案。