XiaoMi-AI文件搜索系统
World File Search System码器
unibev：具有均匀BEV编码器的多模式3D对象检测，以抗缺失传感器方式
摘要 - 多传感器对象检测是自动驾驶中的一个积极研究主题，但是这种检测模型的鲁棒性针对缺失的传感器输入（缺少模态）（例如，由于突然的传感器故障）是一个关键问题，这是一个关键问题，这仍然不足。在这项工作中，我们提出了Unibev，这是一种端到端的多模式3D对象检测框架，旨在稳健性，以防止缺失模式：Unibev可以在Lidar Plus相机输入上运行，但也可以在无激光镜或仅相机输入的情况下操作。为了促进其检测器头以处理不同的输入组合，Unibev旨在从每种可用方式中创建良好的鸟类视图（BEV）特征图。与以前的基于BEV的多模式检测方法不同，所有传感器模态都遵循统一的AP-prach，以从原始传感器坐标系统重新示例到BEV功能。我们还研究了各种融合策略W.R.T.的鲁棒性缺少模态：常用的特征串联，但也通过通道平均，以及对平均定期通道归一化权重的加权平均化的概括。为了验证其有效性，我们将Unibev与所有传感器输入组合的Nuscenes的最新bevfusion和Metabev进行了比较。在这种情况下，对于所有输入组合，Unibev的性能比这些基准更好。一项消融研究表明，通过对常规的con依的加权平均融合的鲁棒性优势，并在每种模态的BEV编码器之间共享查询。我们的代码将在纸上接受时发布。
基于自然的信用科学解码器系列
高质量的ALM碳项目应使用相同的量化方法来量化项目信贷期间的基线和项目方案下的排放和拆卸。项目使用不同的量化方法进行基线与项目方案的项目或在一种方案下排放或删除的假设“保守”等于0（例如基线SOC去除= 0）应视为质量较低。基线场景应该是动态的，并反映如果未实施该项目，则在项目年期间会发生的排放和删除。使用相同的工具和方法在每种情况下量化排放和去除，可确保一致的碳会计保持动态基线场景的完整性，同时还降低了项目产生的信用中的不确定性（Zhou等人 2023）。2023）。
用掩盖的变异自动编码器
抽象提取神经活动的高维记录与复杂行为之间的关系是系统神经科学中的无处不在问题。朝向这个目标，编码和解码模型试图推断出给定行为的神经活动的条件分布，反之亦然，而维度降低技术旨在提取可解释的低维表示。变化自动编码器（VAE）是易于推断神经或行为数据低维嵌入的富裕深度学习模型。然而，VAE准确地对任意的条件分布进行建模，例如在神经编码和解码中遇到的有条件分布，甚至是同时遇到的。在这里，我们提出了一种基于VAE的方法，用于准确计算此类条件分布。我们通过在掩盖行走环的掩盖身体部分上检索条件分布来验证具有已知地面真理的任务的方法，并证明了对高维行为时间序列的适用性。最后，我们概率地从猴子到达任务中的神经种群活动中解释运动轨迹，并查询同一VAE的编码神经活动的编码。我们的方法为神经和行为数据的关节维度降低和学习条件分布提供了统一的观点，这将允许将神经科学中的常见分析扩展到当今的高维多模式数据集。
自动形态合奏的极性代码解码器6G URLLC
根据作者克劳斯·凯斯特尔（Claus Kestel），马文·盖塞尔哈特（Marvin Geiselhart），卢卡斯·约翰逊（Lucas Johannsen），斯蒂芬·恩·布林克（Stephan Ten Brink）和诺伯特·韦恩（Norbert Wehn）的作者克劳斯·凯斯特尔（Claus Kestel）和诺伯特·韦恩（Norbert Wehn），的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。 实现接近ML的性能是具有挑战性的，尤其是对于短块长度。 极性代码是此应用程序的有前途的候选人。 上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。 本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。 本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。 因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。的题为“ 6G urllc的自动化集合代码解码器”，这是即将到来的6G标准标准的urllc sereario。实现接近ML的性能是具有挑战性的，尤其是对于短块长度。极性代码是此应用程序的有前途的候选人。上述论文讨论了连续的取消列表（SCL）解码算法，该算法提供了良好的误差校正性能，但在高计算解码的复杂性下。本文引入了自动形态集合解码（AED）方法，该方法在并行执行了几种低复杂性解码。本文介绍了AED架构，并将其与最先进的SCL解码器进行了比较。因此，鉴于Kestel等人的理论和实验证明，我们在这里概述了由TLB GmbH管理的PCT应用保护的这项技术发明的位置和背景。
因果扩散自动编码器：迈向表示 - ...
扩散概率模型（DPM）已成为高质量图像生成中的最先进。但是，DPM具有任意的潜在空间，没有可预处或可控的语义。尽管已经进行了重大的研究工作来提高图像样本质量，但使用扩散模型的可控生成几乎没有工作。具体来说，使用DPM的可控制的反事实生成已成为一个不受欢迎的区域。在这项工作中，我们提出了Causaldiffae，这是一种基于扩散的因果表示学习框架，以根据规范的因果模型来实现反事实。我们将高维度编码为与因果相关语义因素相对应的低维表示。我们使用神经结构性因果模型在潜在变量之间建模因果关系，并通过对齐确保其分离。鉴于预先训练的Causaldiffae，我们提出了一种基于DDIM的反事实生成程序，但要进行干预。我们从经验上表明，Causaldif-fae学习了一个分离的潜在空间，并且能够产生高质量的反事实图像。
蛋白质集合通过变异自动编码器潜在空间采样
摘要：映射有助于功能的蛋白质构象的整体，可以用小分子药物来靶向，这仍然是一个重大的挑战。在这里，我们探讨了变异自动编码器的使用来减少蛋白质结构合奏生成问题中维度的挑战。我们将高维蛋白质结构数据转换为连续的，低维的表示，在以结构质量度量为导向的空间中进行搜索，然后使用由采样的结构信息引导的Rosettafold来生成3D结构。我们使用这种方法为癌症相关的蛋白质K-RAS生成合奏，在可用的K-Ras晶体结构的子集上训练VAE和MD模拟快照，并评估接近与训练中与晶体结构接近的取样程度。我们发现，我们的潜在空间采样程序迅速生成具有高结构质量的合奏，并且能够在固定晶体结构的1Å内进行采样，其一致性高于MD模拟或Alphafold2预测。采样结构充分概括了固定的K-RAS结构中的隐性口袋，以允许小分子对接。
FaGANet：一种利用上下文信息的集成编码器的基于证据的事实核查模型
摘要 面对现实世界中虚假和误导信息的迅速传播，基于证据的人工事实核查工作变得越来越具有挑战性和耗时。为了解决这个问题，我们提出了 FaGANet，这是一个自动化、准确的事实核查模型，它利用句子级注意力和图注意力网络的强大功能来提高性能。该模型巧妙地将编码器模型与图注意力网络相结合，有效地融合了声明和证据信息，从而能够准确识别即使是伪装得很好的数据。实验结果证明了我们的 FaGANet 模型在准确率上的显著提升，以及其在基于证据的事实核查任务中的最优性能。我们在 https://github.com/WeiyaoLuo/FaGANet 发布了我们的代码和数据。
多晶格过渡的混合几何/属性自动编码器
抽象添加剂制造通过增强组件强度并减少材料要求，彻底改变了结构优化。用于实现这些改进的一种方法是应用多晶格结构。这些结构的性能在很大程度上依赖于介质元素的详细设计。许多当前的方法使用数据驱动的设计来生成多晶格过渡区域，利用共同解决介质结构的几何形状和属性的模型。但是，尚不清楚将机械性能整合到生成多晶格插值的数据集中是否仅在几何以外是有益的。为了解决此问题，这项工作实现并评估了用于生成多晶格过渡区域的混合几何/属性机器学习模型。我们将该混合模型的结果与使用仅几何模型获得的结果进行了比较。我们的研究确定，合并物理特性减少了在潜在空间中解决的变量数量，因此提高了生成模型开发多晶格结构过渡区域的能力。
vprom：一种新颖的变异自动编码器增强的减少...
减少的订单模型（ROM）在计算时间带来困难的许多工程领域都非常重要。已建立的方法采用基于投影的减少，例如正交分解。该运算符的线性性质的限制通常是通过局部还原子空间库来解决的，该库需要众多本地ROM来解决参数依赖性。我们的工作试图定义参数输入和减少基础之间的更广泛的映射，以实现生成建模的目的。我们建议使用变分自动编码器（VAE）代替典型使用的聚类或互插操作，以推断基本向量，称为模式，该模式近似于任何和每个参数输入状态的模型响应的流形。衍生的ROM仍然依赖于投影库，该投影库是基于全订单模型模拟而构建的，从而保留了刻痕的物理内涵。但是，它另外利用了系数的矩阵，该矩阵将每个局部样品响应和动力学与参数输入域之间的全局现象相关联。VAE方案用于近似任何输入状态的这些系数。这种耦合导致高精油的低阶表示，这特别适合模型依赖性或激发性状导致动态行为跨越多个响应制度的问题。对VAE表示的概率处理允许在还原碱基上进行不确定性定量，然后可以将其传播到ROM响应中。在具有磁滞和多参数依赖性的开放式仿真基准和以非线性材料行为和模型不确定性为特征的大型风力涡轮机塔上，在开放式仿真基准上进行了验证。
bev-mae：在自动驾驶场景中进行点云预训练的鸟类视图蒙面的自动编码器
现有的基于LIDAR的3D对象检测方法主要采用从划线范式进行训练。不幸的是，这种范式在很大程度上重新确定了大规模标记的数据，其收集可以充分陈述且耗时。自我监管的预训练是一种减轻这种依赖对广泛注释数据的有效且理想的方法。在这项工作中，我们提出了一种有效的掩盖自动编码器预训练框架 - 基于LIDAR的3D对象检测的自动驾驶前训练框架。具体来说，我们提出了鸟类视图（BEV）指导性掩盖策略，以指导3D编码器学习功能表示BEV的角度，并避免在预训练期间使用综合解码器设计。此外，我们还可以学习一个可学习的点令牌，以维持3D编码器的一致的回收字段大小，并进行微调的遮罩云输入。基于自主驾驶场景中室外点云的属性，即，遥远对象的点云更为稀疏，我们提出了点的预测，使3D编码器能够学习位置信息，这对于对象检测至关重要。实验结果表明，BEV-MAE超过了先前的自我监管方法，并实现了有利的预训练效率。此外，基于输血-L，BEV-MAE在基于Nuscenes的基准上获得了73.6 NDS和69.6 MAP的新最先进的3D对象检测结果。源代码将在https://github.com/vdigpku/bev-mae上发布。