XiaoMi-AI文件搜索系统
World File Search System网络参数
迈向可扩展的量子中继网络
摘要 —本文对量子通信网络中可扩展性挑战和机遇进行了全面研究，目的是确定对网络影响最大的参数以及扩展网络时出现的趋势。我们设计了量子网络的模拟，该网络由由捕获离子量子比特组成的路由器节点组成，并由贝尔状态测量 (BSM) 节点形式的量子中继器分隔。这样的网络有望安全地共享量子信息并实现高功率分布式量子计算。尽管前景光明，但量子网络仍因噪声和操作错误而遇到可扩展性问题。通过模块化方法，我们的研究旨在克服这些挑战，重点关注扩展节点数和分离距离的影响，同时监测由退相干效应引起的低质量通信。我们的目标是找出网络中对于推进可扩展、大规模量子计算系统至关重要的关键特征。我们的研究结果强调了几个网络参数对可扩展性的影响，突出了对中继器数量和产生的纠缠质量之间权衡的关键见解。本文为未来探索优化量子网络设计和协议奠定了基础。
基于海流预报和多目标进化优化的声纳浮标网络优化部署决策支持系统
提出了一种用于水下监视应用中的协同轨迹检测的漂移声学传感器网络最优部署决策支持系统，并在模拟场景中进行了测试。该系统集成了海水流预报、传感器范围模型和简单的漂移浮标运动模型，以预测传感器位置和时间网络性能。采用多目标遗传优化算法，通过同时优化两个服务质量指标（网络区域覆盖和跟踪覆盖的时间平均值）来搜索一组帕累托最优部署解决方案（即网络漂移声纳浮标的初始位置）。优化后找到的解代表了两个指标之间不同的效率权衡，任务规划人员可以方便地评估这些解，以便在两个冲突目标之间选择具有所需折衷的解决方案。还通过无迹变换进行了灵敏度分析，以测试解决方案对网络参数和环境不确定性的稳健性。提供了利用真实概率海水流预报的模拟场景的结果，显示了所提方法的有效性。未来的工作是使该工具完全可操作并准备在真实场景中使用。� 2013 北约科学技术组织，海事研究和经验中心
梯度引导的模态脱钩 - ...
具有不完整输入数据（缺少模态）的多模式学习是实用且具有挑战性的。在这项工作中，我们对这一挑战进行了深入的分析，发现模式优势对模型训练具有显着的负面影响，从而极大地降低了缺失的模态性能。是由Grad-CAM激励的，我们引入了一种新颖的指标，梯度，以监测和减少在缺失情景中广泛存在的模态主导性。为了帮助该指标，我们提出了一种新颖的梯度引导的模态解耦（GMD）方法，以促进对主导方式的依赖性。特定的是，GMD从不同模态中删除了冲突的梯度成分，以实现这种去耦，从而显着提高了性能。此外，要弹性处理模态分配数据，我们设计了一个参数有效的动态共享（DS）框架，该框架可以根据是否可用，可以根据是否可用来求解网络参数。我们对三个流行的多模式基准进行了广泛的实验，包括Brats 2018用于医学分割，CMU-MOSI和CMU-MOSEI进行情感分析。结果表明，我们的方法可以显着胜过竞争对手，表明所提出的解决方案的有效性。我们的代码在此处发布：https：//github.com/haowang420/gradient-gendient-gudide-modality-decoupling。
基于忆阻器的轻量级、高鲁棒性的混合神经网络
基于忆阻器的神经形态计算在高速、高吞吐量信号处理应用（如脑电图 (EEG) 信号处理）中显示出巨大潜力。尽管如此，单晶体管单电阻 (1T1R) 忆阻器阵列的大小受到器件非理想性的限制，这阻碍了大型复杂网络的硬件实现。在本文中，我们提出了深度可分离卷积和双向门循环单元 (DSC-BiGRU) 网络，这是一种基于 1T1R 阵列的轻量级且高度稳健的混合神经网络，通过混合 DSC 和 BiGRU 块，能够在时间、频率和空间域中有效处理 EEG 信号。在确保网络分类准确性的同时，网络规模减小了，网络稳健性提高了。在模拟中，通过统计分析将测得的 1T1R 阵列的非理想性带入网络中。与传统卷积网络相比，在阵列成品率95%、容错率5%的条件下，网络参数减少了95%，网络分类准确率提高了21%。该工作表明，基于忆阻器阵列的轻量级、高鲁棒网络对于依赖低消耗和高效率的应用具有巨大的前景。
通过政策合并的机器人舰队学习
机器人舰队通过与环境互动而产生的大量异质流数据筒仓，远远超过可以轻松存储或传播的东西。同时，机器人团队应通过各种环境中的异质体验共同获得多样化的技能。我们如何在不传输或集中舰队规模数据的情况下启用此类车队级学习？在本文中，我们调查了从这种分布式异质数据集中的策略合并（POME）作为潜在解决方案。为了在车队环境中有效合并政策，我们提出了fleet -m erge，这是一个分离的学习的实例化，该实例化说明了用复发神经网络参数控制控制策略时会产生的置换不变性。我们表明，f leet -m erge巩固了在元世界环境中对50个任务进行培训的政策的行为，并且在测试时几乎所有培训任务的表现都很好。此外，我们引入了一种新型的机器人工具使用基准，即f leet -t ools，用于构图和接触良好的机器人操纵任务中的车队政策学习，以验证基准中的f leet -m erge的效率。1
空间常见目标检测公共数据集
摘要 基于监督学习的目标检测算法是当前目标检测的主流算法，高质量的数据集是目标检测算法获得良好检测性能的前提，数据集的数量和质量越大，模型的泛化能力越强，也就是说数据集决定了模型学习的上限。卷积神经网络以强监督的方式优化网络参数，通过比较预测帧与人工标注的真实帧来计算误差，然后将误差传入网络进行不断优化。强监督学习主要依靠大量图像作为模型进行不断学习，因此图像的数量和质量直接影响学习的结果。本文提出了一个用于检测空间中常见目标的数据集STAR-24K（即超过24000幅图像的空间目标识别数据集）。由于目前没有公开可用的空间目标检测数据集，我们从 NASA（美国国家航空航天局）和 ESA（欧洲航天局）官方网站发布的图片和视频等一系列渠道中提取了一些图片，并将其扩展到 24,451 张图片。我们对流行的物体检测算法进行了评估以建立基准。我们的 STAR-24K 数据集在 https://github.com/Zzz-zcy/STAR-24K 上公开。关键词：公开数据集、空间目标检测、深度学习、计算机视觉。
Yolov9：使用可编程梯度信息学习要学习的内容
摘要。今天的深度学习方法着重于如何设计目标函数以使预测尽可能接近目标。同时，必须设计适当的神经网络体系结构。现有方法忽略一个事实，即当输入数据逐层特征转换时，会丢失大量信息。本文深入研究了信息瓶颈和可逆功能的重要问题。我们提出了可编程梯度信息（PGI）的概念，以应对深网所需的各种更改以实现多个目标。PGI可以为目标任务提供完整的输入信息来计算目标函数，以便可以获取可靠的梯度信息以更新网络参数。此外，设计了轻巧的网络体系结构 - 一般有效的层聚合网络（GELAN）。Gelan确认PGI在轻量级模型上取得了卓越的成绩。我们在MS可可对象检测数据集上验证了所提出的Gelan和PGI。结果表明，与基于深度卷积开发的状态方法相比，Gelan仅使用常规召集操作员来实现更好的参数利用。PGI可用于从轻量级到大型的各种型号。它可用于获取完整的信息，因此，与使用大型数据集进行预训练的最新模型可以实现训练范围的模型，比较结果如图1。源代码在https://github.com/wongkinyiu/yolov9上发布。
基于海流预报和多目标进化优化的声纳浮标网络优化部署决策支持系统
提出了一种用于水下监视应用中的协同轨迹检测的漂移声学传感器网络最优部署决策支持系统，并在模拟场景中进行了测试。该系统集成了海水流预报、传感器范围模型和简单的漂移浮标运动模型，以预测传感器位置和时间网络性能。多目标遗传优化算法用于通过同时优化两个服务质量指标（网络区域覆盖和跟踪覆盖的时间平均值）来搜索一组帕累托最优部署解决方案（即网络中漂移声纳浮标的初始位置）。优化后找到的解决方案代表了两个指标之间不同的效率权衡，任务规划人员可以方便地评估这些解决方案，以便在两个冲突目标之间选择具有所需折衷的解决方案。还通过无迹变换进行敏感性分析，以测试解决方案对于网络参数和环境不确定性的稳健性。提供了利用真实概率海水流预报的模拟场景的结果，显示了所提方法的有效性。未来的工作预计将使该工具完全可操作并准备在实际场景中使用。� 2013 北约科学技术组织，海事研究与实验中心。由 Elsevier Ltd. 出版。保留所有权利。
loihi> thrductive尖峰图神经网络
图形神经网络已成为深度学习的专业分支，旨在解决对象之间成对的对象至关重要的问题。最新进步利用图形卷积神经网络在图结构中提取特征。尽管结果有希望，但由于稀疏特征，在资源利用效率低下的情况下，这些方法在现实世界应用中面临挑战。最近的研究从哺乳动物的大脑中吸收了吸收性，并采用尖峰神经网络来建模和学习图形结构。但是，这些副本仅限于传统的基于von Neumann的计算系统，这些计算系统仍然面临硬件效率低下。在这项研究中，我们提出了专为Loihi 2.我们使用熔岩贝叶斯优化优化网络参数，这是一种与神经形态计算体系结构兼容的新型超参数优化系统。我们展示了将神经形态贝叶斯优化与使用固定精确尖峰神经元进行引用图分类的方法相结合的性能优势。我们的结果证明了整数精确，Loihi 2兼容尖峰神经网络在执行引文图分类中具有与现有浮点实现相当的精度。
使用 Gumbel-softmax 实现深度神经网络的端到端可学习 EEG 通道选择
摘要 — 目的。为深度神经网络开发一种高效的嵌入式脑电图 (EEG) 通道选择方法，使我们能够将通道选择与目标模型相匹配，同时避免与神经网络结合使用包装器方法所带来的巨大计算负担。方法。我们采用一个具体的选择器层来联合优化 EEG 通道选择和网络参数。该层使用 Gumbel-softmax 技巧来构建选择过程中涉及的离散参数的连续松弛，从而允许以传统反向传播的方式端到端地学习它们。由于经常观察到选择层在某个选择中包含两次相同的通道，我们提出了一个正则化函数来缓解这种行为。我们在两个不同的 EEG 任务上验证了这种方法：运动执行和听觉注意解码。对于每个任务，我们将 Gumbel-softmax 方法的性能与针对此特定任务量身定制的基线 EEG 通道选择方法进行比较：分别使用效用度量的互信息和贪婪前向选择。主要结果。我们的实验表明，所提出的框架具有普遍适用性，同时其性能至少与这些最先进的、针对特定任务的方法一样好（通常更好）。意义。所提出的方法提供了一种有效的、独立于任务和模型的方法来联合学习最佳 EEG 通道以及神经网络权重。