XiaoMi-AI文件搜索系统
World File Search System端到端
混合量子网络的端到端容量
未来的量子网络将是混合结构，由复杂的量子中继器架构构成，这些中继器通过描述各种物理域的量子通道相互连接；主要是光纤和自由空间链路。在这种混合设置中，必须仔细考虑网络子结构内通道质量之间的相互作用，这对于确保高速率端到端量子通信至关重要。在这项工作中，我们结合点对点自由空间通道容量和端到端量子网络容量理论的最新进展，以开发用于研究混合自由空间量子网络的关键工具。在指定大气和太空量子通道的范围之前，我们提出了一种研究任意混合量子网络容量的通用形式。然后，我们介绍了一类模块化量子网络架构，它为混合量子网络提供了一个现实且易于分析的框架。通过考虑物理驱动、高度连接的模块化结构，我们能够理想化网络性能并得出保证最佳性能的通道条件。这使我们能够揭示实现与距离无关的速率的关键特性，因此端到端容量不依赖于用户之间的物理分离。我们的分析方法阐明了未来基于卫星的全球量子互联网以及混合有线/无线城域量子网络的关键基础设施需求。
端到端多模态深度学习，用于实时解码来自 1 相同细胞 2 3 Yichun He 1,2 , Arnau Marin-Llobe
端到端多模态深度学习用于实时解码来自同一细胞的长达数月的神经活动 1 2 3 何逸春 1,2 、Arnau Marin-Llobet 1,2 、盛浩 1 、刘韧 1 、刘佳 1* 4 5 1 美国马萨诸塞州波士顿哈佛大学约翰·A·保尔森工程与应用科学学院。 6 2 这些作者贡献相同。 7 * 通信电子邮件：jia_liu@seas.harvard.edu。 8 9 摘要 10 长期、稳定、实时解码来自同一细胞的行为相关神经动态对于脑机接口 (BCI) 以及理解学习、记忆和疾病进展过程中的神经进化至关重要。 11 柔性和高密度电极的最新进展实现了长期追踪所需的稳定性，但产生的大量数据集对现有分析方法提出了挑战。当前的脉冲分类方法严重依赖于人工管理，缺乏大规模实时处理的可扩展性。在这里，我们介绍了 AutoSort，这是一种基于端到端多模态深度神经网络的方法，可以实现数月内对相同神经元的实时跟踪和解码。AutoSort 使用一种可扩展的策略，通过从初始记录中学习深度表示并实时应用训练后的模型。它集成了多模态特征，包括波形特征、分布模式和推断出的神经元空间位置，以确保稳健性和准确性。AutoSort 在模拟和长期记录中的表现都优于现有方法，与传统方法相比，它仅使用 10% 的时间和 25% 的内存，从而减少了计算需求。通过将 AutoSort 与高密度柔性探针相结合，我们在 2 个月内实时跟踪运动学习和技能习得过程中的神经动态，捕捉内在神经流形漂移、稳定性和学习后表征漂移。AutoSort 为研究长期神经内在动态和实现实时 BCI 解码提供了一种有前途的解决方案。
缅甸端到端语音综合的基于生成对抗网络的神经声码器
最近，端到端语音综合中已采用神经声码器将中间光谱表示转换为相应的语音波形。在本文中，提出了两个基于生成的对抗性网络（GAN）的声码器，平行的Wavegan和Hifi-GAN，用于缅甸终端语音综合和主观评估，以比较模型的绩效。主观评估结果表明，在小型缅甸语音数据集中训练的两个模型都以快速的推理速度实现了高保真性语音综合，表明了对未见扬声器的旋光磁化倒置的能力。具体来说，在端到端的语音合成中，tacotron2与Hifi-Gan Vocoder的Tacotron2达到了最先进的性能，从而获得了4.37的缅甸语言意见分数（MOS）。
i-trash端到端分散废物管理系统
•温室气体排放量减少：预计我们的项目将每年将温室气体（GHG）排放量减少25,000吨二氧化碳，主要是通过使用EV垃圾卡车，可再生能源和能源有效的系统来为我们的再生工厂和垃圾中心提供动力。这可以防止浪费大多最终出现在燃烧中，从而导致二氧化碳过度释放到大气中。因此，导致温室气体变暖。
流体镜头的端到端优化
定制成像级镜头的原型制作和少量生产是困难且昂贵的，尤其是对于更复杂的非球面形状而言。流体形状最近被提议作为一种潜在的解决方案：它利用液体之间界面的原子水平平滑度，其中界面的形状可以通过边界条件，浮力控制和其他物理参数仔细控制。如果一种液体是树脂，则可以通过固化来“冷冻”其形状，从而产生固体光学元素。虽然流体形状是一个有前途的途径，但该方法产生的形状空间目前仅以偏微分方程的形式描述，这些方程与现有镜头设计过程不相容。更重要的是，我们证明现有的PDE不准确，不准确。在这项工作中，我们开发了由流体成型技术产生的形状太空镜片的新表述。它克服了以前模型的不准确性，通过可区分的实现，可以基于可区分的射线跟踪将最新的端到端光学设计管道集成到最新的端到端光学设计管道中。我们通过模拟以及初始物理原型广泛评估模型和设计管道。
tinylidarnet：基于第2 f1th自主赛车的端到端深度学习模型
摘要 - 先前的研究证明了端到端深度学习对机器人导航的有效性，其中控制信号直接源自原始感觉数据。但是，大多数现有的端到端导航解决方案主要基于相机。在本文中，我们介绍了Tinylidarnet，这是一种基于自动赛车的基于轻量级的2D激光雷达的端到端深度学习模型。使用Tinylidarnet的第1辆汽车在第12场比赛中获得第三名，这表明了其竞争性能。我们会系统地分析其在未经训练的轨道和实时处理的计算要求上的性能。我们发现，基于Tinylidarnet的1D卷积Neu-ral网络（CNN）的体系结构显着胜过基于多层的多层感知器（MLP）体系结构。此外，我们表明它可以在低端微控制器单元（MCUS）上实时处理。
将 EEGNet 与 SPDNet 相结合，实现端到端……
摘要 — 想象语音是一种心理任务，个人在内部模拟提示的发音而无需实际发声。最近，由于其作为脑机接口 (BCI) 范例的简单性和直观性，它引起了广泛关注。因此，从脑信号中解码想象语音成为一项关键挑战，需要使用文献中记录的各种信号处理和机器学习技术来解决。最常用的神经成像方法是脑电图 (EEG)，因为它具有非侵入性、低成本和高时间分辨率。最近从 EEG 信号中解读想象语音的尝试部署了卷积神经网络 (CNN) 架构，例如浅层卷积网络、深度卷积网络和 EEGNet，而其他尝试使用交叉协方差 (CCV) 矩阵作为信号表示的替代形式。我们的新架构将 EEGNet 与 CCV 矩阵相结合，使用 SPDNet 架构中提出的双线性变换从后者中提取判别特征。我们的方法在两个公开可用的数据集上得到了验证，并且表现出与最先进的性能相当的性能，同时大大超越了两个数据集上的 EEGNet 性能。
DriveGpt4：可解释的端到端自动驾驶通过大语言模型
摘要 - 鉴于他们熟练使用非文本数据（包括图像和视频）的熟练程度，大型语言模型（MLLM）已成为研究界的重要领域。本研究旨在通过引入DraveGpt4（一种基于LLMS的新型可解释的最终自动驾驶系统）来扩展MLLM的应用到自动驾驶领域。能够处理多帧视频输入和文本查询，DriveGpt4促进了对车辆动作的解释，提供相关的推理，并有效地解决了用户提出的各种问题。此外，DriveGPT4以端到端方式预测低级车辆控制信号。通过使用定制的视觉说明调谐数据集实现了这些高级功能，该数据集是专门针对自主驾驶应用程序量身定制的，并结合了混合填充培训策略。DriveGpt4代表了利用LLM的开创性努力，以开发可解释的端到端自动驾驶解决方案。在BDD-X数据集上进行的评估展示了DriveGPT4的质量和定量性能。此外，特定于域的数据的精细调整使DriveGpt4在与GPT4-V形成对比时，可以在自主驾驶接地方面产生接近甚至改善的结果。本文的网页可在https://tonyxuqaq.github.io/projects/drivegpt4上找到。
部分端到端强化学习，以抗鲁棒性，以防止建模自动赛车
摘要 - 在本文中，我们解决了在存在实用车辆建模错误（通常称为模型不匹配）的条件下导航时自动赛车的强化学习（RL）解决方案的性能（RL）解决方案的问题。为了应对这一挑战，我们提出了一种部分端到端算法，该算法可以解除计划和控制任务。在此框架内，RL代理会生成一个轨迹，该轨迹包括路径和速度，随后使用纯粹的追击转向控制器和优势速度控制器对其进行跟踪。相比之下，许多当前基于学习的基于学习的（即增强和模仿学习）算法使用了一种端到端方法，从而深层神经网络将传感器数据直接映射到控制命令。通过利用经典控制器的鲁棒性，我们的部分端到端驾驶算法比标准的端到端算法表现出更好的模型不匹配的鲁棒性。
使用加密技术在云环境中进行数据安全性用于端到端加密
本提出的论文显示了数据安全技术的综述研究，这些研究可以应用于通过任何云平台传输时，可以应用于通信。数据安全的关键方面是在发件人和接收器端之间提供端到端加密。有多种技术或算法可用于提供端到端的加密。，但是这项研究主要集中在加密技术上，这些技术也可以应用于我们的数据，以维持其对云存储平台的机密性。最近，由于目睹云计算是存储，处理和检索数据的最动态的方式，这种范式的这种惊人的转变是不可避免的。云计算具有不同的优势，包括最终的灵活性，可扩展性以及个人访问组织的能力。在上行方面，用户可以选择为方便起见牺牲的隐私，而各个个人之间的差异。另一方面，您的数据有一个安全漏洞。云计算平台安全性构成了真正的挑战，因为这样的平台可以暴露于包括密码盗窃和恶意行为的许多安全问题。传统良好的安全工具，包括防火墙和访问控制，可能无法保证数据安全性，因为数据可以通过网络传输到远程服务器上。在密码学中，发件人通过云等任何传输介质发送信息。但信息不会以其实际形式传播。[1-7]除了加密外，最近已经成为E2EE中非常流行的数据安全手段的加密外，不能被忽略为可以增强云中数据安全性的另一种重要策略。但是，我们必须强调，E2EE的功能是，从数据的存在开始（从生成数据生成的那一刻开始），直到数据到达其最终目的地的最终目标 - 第三方无法在其生命周期的任何阶段浏览此数据。信息将使用一些键和加密算法转换为加密文本，并且不采用正常可读格式。因此，数据泄露的机会很少。在技术术语中，我们称此加密的文本密码文本。然后，接收器收到密码文本，然后将其解密到其实际信息形式，即仅在授权人员之间的私人钥匙。因此，密码学有助于维持我们数据的机密性。密码学的框图如图1所示，该图表明，加密通信发生在带有加密文本的网络之间的发件人和接收器之间。