XiaoMi-AI文件搜索系统
World File Search System模型
基于能量的模型的流对比估计
本文研究了一种联合估计基于能量的模型和基于流的模型的训练方法，其中两个模型基于共享的对抗值函数进行迭代更新。该联合训练方法具有以下特点：（1）基于能量的模型的更新基于噪声对比估计，流模型作为强噪声分布。（2）流模型的更新近似地最小化了流模型与数据分布之间的 Jensen-Shannon 散度。（3）与生成对抗网络（GAN）估计由生成器模型定义的隐式概率分布不同，我们的方法估计数据上的两个显式概率分布。使用所提出的方法，我们证明了流模型的综合质量的显著改进，并展示了通过学习到的基于能量的模型进行无监督特征学习的有效性。此外，所提出的训练方法可以轻松适应半监督学习。我们取得了与最先进的半监督学习方法相媲美的成果。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
使用预先训练的垂直二维扩散模型改善三维成像
扩散模型由于其众多优点已成为一种流行的图像生成和重建方法。然而，大多数基于扩散的逆问题解决方法仅处理二维图像，即使是最近发表的三维方法也没有充分利用三维分布先验。为了解决这个问题，我们提出了一种新方法，使用两个垂直的预训练二维扩散模型来解决三维逆问题。通过将三维数据分布建模为不同方向切片的二维分布的乘积，我们的方法有效地解决了维数灾难。我们的实验结果表明，我们的方法对于三维医学图像重建任务非常有效，包括 MRI Z 轴超分辨率、压缩感知 MRI 和稀疏视图 CT。我们的方法可以生成适合医疗应用的高质量体素体积。代码可在 https://github.com/hyn2028/tpdm 获得
具有扩散模型的生成文本视频检索
现有的文本视频检索解决方案本质上是侧重于最大程度地提高条件可能性的模型，即P（候选人|查询）。虽然很简单，但这种事实上的范式却忽略了基本的数据分布p（查询），这使得识别出分布数据的挑战。为了解决这一限制，我们从生成观点创造性地解决了此任务，并将文本和视频之间的相关性建模为其关节概率P（候选人，查询）。这是通过基于扩散的文本视频检索框架（扩散-RET）来完成的，该框架将检索任务建模为从噪声中产生关节分布的过程。在训练过程中，从发电和犯罪的角度优化了Diffusionret，其发电机通过生成损失优化，并且具有对比度损失的训练的特征提取器。以这种方式，diffusionret巧妙地杠杆化了生成和歧视方法的优势。在五个常用的文本检索基准测试中进行了广泛的实验，包括MSRVTT，LSMDC，MSVD，ActivityNet字幕和DIDEMO，并具有出色的性能，证明了我们方法的效果。更加谨慎，没有任何修改，diffusionret甚至在外域检索设置中表现良好。我们认为这项工作带来了对相关领域的基本见解。代码可从https://github.com/jpthu17/diffusionret获得。
一击开放的负担能力学习与基础模型
我们介绍了一声开放的负担能力学习（OOAL），其中一个模型只有一个基本对象类别的一个示例训练，但有望识别新颖的观点和负担能力。虽然视觉语言模型在识别新颖的物体和场景方面表现出色，但它们通常会努力理解诸如亲戚之类的粒度水平。为了解决这个问题，我们对现有基础模型进行了全面分析，以探索他们对负担的理解并评估潜在的数据限制负担能力学习。然后，我们提出了一个视觉语言框架，并具有简单有效的范围，以增强视觉特征和负担能力文本嵌入之间的对齐方式。对两个负担能力分割基准的实验表明，所提出的方法优于最先进的模型，这些模型少于1％的完整培训数据，并且在看不见的物体和负担能力上表现出合理的概括能力。项目页面：https：//reagan1311.github.io/ooal。
抽水蓄能水电投资模型的开发
能源市场正在不断发展，预计能源消费将大幅增加，从而导致生产增加。与此同时，欧盟指令的目标是优先实现无化石燃料发电、减少温室气体排放和到 2050 年实现气候中和，这对北欧目前的电力生产状况构成了挑战。为了管理这些预测，到 2045 年，可再生能源的发电量需要增加三倍。因此，间歇性能源的份额将大幅增加，从而需要更多的能源存储容量、辅助服务和电网平衡。抽水蓄能水电等能源存储系统可以在这一能源市场转型中发挥关键作用。然而，抽水蓄能水电尚未得到充分开发或证明在北欧进行大规模投资是可行的。本文研究了北欧抽水蓄能水电站的可行性和盈利能力。可行性评估是通过基于文献摘要和 PESTLE 框架内的访谈的 SWOT 分析进行的。受访者包括 Fortum 不同领域的专家，他们具备与本文相关的知识。为了评估盈利能力，我们在 MathWork 的 MATLAB 中创建了一个抽水蓄能水电站投资分析工具，重点关注 Fortum 现有的一个抽水蓄能水电站。该投资分析工具是针对几个具有固定运营时间表的案例构建的，时间范围为每周。
定量系统药理学 (QSP) 模型框架
背景和背景：抗体-药物偶联物 (ADC) 是一类很有前途的靶向癌症疗法，它结合了单克隆抗体的特异性和化疗药物的细胞毒性。ADC 在将药物直接输送到癌细胞的同时，还显示出了巨大的潜力，可以最大限度地减少脱靶效应。然而，在临床环境中预测 ADC 的疗效和毒性仍然是一项重大挑战。经验模型通常无法准确捕捉与这些生物治疗相关的复杂药代动力学和药效学 (PKPD)。
Zigma：DIT风格的曲折Mamba扩散模型
摘要该扩散模型长期以来一直受到可扩展性和二次复杂性问题的困扰，尤其是在基于变压器的结构中。在这项研究中，我们旨在利用称为Mamba的状态空间模型的长序列建模可容纳，以扩展其对视觉数据生成的适用性。首先，我们确定了大多数基于MAMBA的视力方法的关键监督，即缺乏对Mamba扫描方案中空间连续性的考虑。Secondly, build- ing upon this insight, we introduce Zigzag Mamba, a simple, plug-and- play, minimal-parameter burden, DiT style solution, which outperforms Mamba-based baselines and demonstrates improved speed and memory utilization compared to transformer-based baselines, also this heteroge- neous layerwise scan enables zero memory and speed burden when we consider more scan paths.最后，我们将Zigzag Mamba与随机插值框架整合在一起，以研究大分辨率视觉数据集上该模型的可扩展性，例如FaceShQ 1024×1024和UCF101，Multimopal-Celeba-HQ，以及MS Coco 256×256。
Hanooman：一种生成的AI和大型语言模型聊天机器人，受到Hanuman勋爵的启发
摘要本文介绍了Hanooman，这是一种生成的AI和大型语言模型聊天机器人，其灵感来自Hindu Geity Lord Hanuman。Hanooman旨在体现力量，敏捷性和奉献精神的素质，利用尖端的语言处理能力，为用户提供信息丰富且引人入胜的对话。我们探索了哈诺曼的概念框架，架构和培训程序，展示了其在各个领域的潜在应用。我们的评估结果表明，在响应准确性和上下文理解方面，Hanooman优于现有的聊天机器人，使其成为自然语言处理和人类计算机互动的有前途的工具。大语言模型（LLM）和生成AI是人工智能的重大进步，彻底改变了我们与技术的互动，生成内容和理解人类语言的方式。llms，在大量数据集中受过培训，在语言翻译，文本摘要，问题答案和创意写作等任务中表现出色。生成的AI（AI的一个子集）会产生自主输出，通常表现出惊人的创造力和连贯性。印度亿万富翁穆克什·安巴尼（Mukesh Ambani）与IIT孟买和其他八个印度技术学院合作，加入了AI竞赛，以推出“ Hanooman”，这是一集，该集合以22种印度语言培训了大型语言模型。关键字：哈诺曼，大语言模型，人工智能，生成AI1。简介