XiaoMi-AI文件搜索系统
World File Search System稀疏
Swarm-Slam：多机器人系统的稀疏分散协作同时本地化和映射框架
摘要 - 合并同时定位和地图（C-SLAM）是在没有外部定位系统（例如室内，地下或水下）中成功多机器人操作的重要组成部分。在本文中，我们引入了Swarm-Slam，这是一种开源C-Slam系统，旨在可扩展，灵活，分散和稀疏，它们都是Swarm Robotics的关键特性。我们的系统支持LIDAR，立体声和RGB-D传感，它包括一种新型的机器人间环关闭优先级技术，可降低通信并加速收敛。我们在五个不同的数据集上评估了我们的ROS 2实现，并在通过临时网络通信的三个机器人的现实实验中评估了我们的ROS 2实现。我们的代码公开可用：https：//github.com/mistlab/swarm-slam
cauchy非凸线稀疏特征选择方法用于运动成像中的高维小样本问题eeg解码
EEG信号的时间，频率和空间信息对于运动图像解码至关重要（Zheng等，2022）。因此，已经广泛研究了基于时间频率空间特征的运动图像解码（Chen等，2023）。In the process of temporal- frequency-spatial feature extraction, the original EEG signals are first decomposed into multiple time-frequency units, then the common spatial pattern (CSP) algorithm is used to extract the spatial features on each time-frequency unit, and finally, the spatial features of multiple time-frequency units are cascaded into a feature vector ( Miao et al., 2021 ), which significantly increases脑电图的特征维度。特征尺寸的数量超过一百甚至几百，而特征冗余。此外，由于收集脑电图样本的困难和高成本，尤其是对于患者，样本量通常相对较小，通常只有几十个。因此，时间频率空间特征是高维小样本数据，它将为EEG分类模型带来一系列问题，例如过度拟合和模型解决方案的问题不确定（Chadebec等，2022）。
生物多样性的稀疏分析测量
虽然稀疏分析是在生态学家研究相对较大的植物和动物时发展起来的，但随着 21 世纪初微生物生态学的出现，这种分析变得势在必行，因此该技术进一步发展。澳大利亚共有 18,448 种维管植物（https://www.dcceew.gov.au/science-research/abrs/publications/other/numbers- living-species/discussion-plants），而一克土壤含有 30,000 至 50,000 个细菌和真菌类群，数量约为 100 亿个。识别微生物的标准方法是对 16S 核糖体进行 DNA 测序。问题是测序时间有多长？答案与较大物种的生物多样性研究一样，在于稀疏分析。如果测序深度超过 1500 个碱基对，那么付出额外的努力和费用将无法获得额外的信息
最优功率流导出的稀疏线性求解器基准
由于电网的变化性质，能够在大型电网中求解高保真最优潮流模型变得越来越重要。这种高保真问题称为交流最优潮流 (ACOPF)，是一个非线性、非凸优化问题。解决此类问题的少数可靠方法之一是内点法。这些方法会产生稀疏线性系统，其中系数矩阵是对称的、不确定的并且通常是病态的。因此，它们对于稀疏线性求解器来说尤其具有挑战性，并且代表了求解 ACOPF 问题时相当大的计算瓶颈。在本文中，我们介绍了一个线性系统存储库，该存储库由开源优化器 IPOPT 求解 ACOPF 问题时捕获。这些矩阵旨在用作稀疏线性求解器开发的测试套件。
有向超图的近似紧谱稀疏化
谱超图稀疏化是将众所周知的谱图稀疏化扩展到超图的一种尝试，在过去几年中得到了广泛的研究。对于无向超图，Kapralov、Krauthgamer、Tardos 和 Yoshida (2022) 证明了最佳 O ∗ ( n ) 大小的 ε -谱稀疏器，其中 n 是顶点数，O ∗ 抑制了 ε − 1 和 log n 因子。但对于有向超图，最佳稀疏器大小尚不清楚。我们的主要贡献是第一个为加权有向超图构造 O ∗ ( n 2 ) 大小的 ε -谱稀疏器的算法。我们的结果在 ε − 1 和 log n 因子范围内是最优的，因为即使对于有向图也存在 Ω(n2) 的下限。我们还展示了一般有向超图的 Ω(n2/ε) 的第一个非平凡下界。我们算法的基本思想借鉴了 Koutis 和 Xu (2016) 提出的基于 spanner 的普通图稀疏化。他们的迭代采样方法确实有助于在各种情况下设计稀疏化算法。为了证明这一点，我们还提出了一种类似的无向超图迭代采样算法，该算法实现了最佳大小界限之一，具有并行实现，并且可以转换为容错算法。
大脑图的可解释的稀疏-NSF -PAR
大脑图对大脑区域之间的结构和功能关系进行了建模，在涉及图分类的神经科学和临床应用中至关重要。然而，密集的大脑图构成了计算挑战，包括高运行时间和记忆使用和有限的解释性。在本文中，我们研究了图神经网络（GNN）中的有效设计，以消除嘈杂的边缘来稀疏脑图。虽然先前的作品根据解释性或任务 - 涉及属性去除嘈杂的边缘，但不能保证它们在通过频繁图提高性能方面的有效性。此外，现有方法通常忽略了多个图形的集体边缘去除。为了解决这些问题，我们引入了一个迭代框架来分析不同的稀疏模型。我们的发现是作为下降的：（i）优先考虑可解释性的方法可能不适合图形稀疏性，因为它们可以在图形分类任务中降低GNNS的性能； （ii）与GNN训练同时学习边缘分类比训练后更有益； （iii）跨图的共享边缘选择优于每个图的单独选择； （iv）与任务相关的梯度信息有助于边缘选择。基于这些见解，我们提出了一个新的模型，可解释的图形泄漏（IGS），该模型可增强图形分类性能高达5.1％，而边缘减少了55.0％。IG识别的保留边缘提供了神经科学解释，并得到了公认的文献的支持。
一种自适应的半空间投影方法，用于稀疏正则化的随机优化问题
在各种下游应用中，稀疏正则化的优化问题无处不在，例如深层神经网络（DNNS）的特征选择和压缩。尽管如此，当将这种正则化与随机损耗函数结合使用时，文献中现有的方法并不能很好地执行。，设计具有转换保证的计算有效算法并可以计算组较高的解决方案是一项挑战。最近，提出了一种半空间的预测梯度（HSPG）方法，部分解决了这些挑战。本文介绍了我们称之为ADAHSPG+的HSPG的大大增强版本，这取得了两个明显的进步。首先，与HSPG所要求的假设相比，ADAHSPG+在明显较宽的假设下具有更强的收敛结果。通过将差异技术与新的自适应策略整合在一起，以迭代预测解决方案的支持来实现这种改善。第二，与HSPG相比，ADAHSPG+的参数调整要少得多，从而使其更实用和用户友好。通过设计自动和自适应策略来选择每次迭代中采用的步骤类型并更新关键的HyperParam-eters来实现这一进步。我们提出的ADAHSPG+算法的数值有效性在凸面和非凸基准问题上都证明了。源代码可在https://github.com/tianyic/adahspg上找到。
稀疏信号传感
摘要 - 本文提出了基于动态预测采样（DPS）类似物对数字转换器（ADC），该转换器（ADC）提供了输入类似物连续时间信号的非均匀采样。处理单元使用两个先前的采样来生成输入信号的动态预测，以计算上阈值的数字值和较低的阈值。数字阈值值转换为模拟阈值以形成跟踪窗口。动态比较器将输入模拟信号与跟踪窗口进行比较，以确定词典是否成功。A计数器记录时间戳在不成功的预测之间，这是用于量化的选定采样点。未对成功预测的采样点执行量化，以便可以保存数据吞吐量和功率。使用0.18微型CMOS工艺采样在1 kHz时设计为10位ADC。结果表明，与用于ECG监测的Nyquist Rate SAR ADC相比，提出的系统可以达到6.17的数据压缩系数，而节省的功率为31％。
边缘 AI 中分割计算的激活稀疏性和动态修剪
深度神经网络越来越大，因此更难在受限的物联网设备上部署。拆分计算提供了一种解决方案，即拆分网络并将前几层放置在物联网设备上。这些层的输出被传输到云端，然后继续进行推理。早期的研究表明中间激活输出具有一定程度的高稀疏性，本文分析并利用激活稀疏性来减少将中间数据传输到云端时的网络通信开销。具体来说，我们分析了 CIFAR-10 和 ImageNet 上 ResNet-50 中两个早期层的中间激活，重点关注稀疏性以指导选择分割点的过程。我们对激活和特征图进行了动态修剪，发现稀疏性非常依赖于层的大小，权重与卷积层中的激活稀疏性无关。此外，我们表明，稀疏中间输出可以压缩 3.3 倍，准确度损失 1.1%，无需任何微调。当添加微调时，压缩系数增加到 14 倍，总体准确度损失为 1%。