XiaoMi-AI文件搜索系统
World File Search System计算成本
低计算成本手动挥舞动作识别系统
这项研究提出了用于家庭服务机器人中非语言通信的低计算成本手动动作识别系统。该系统基于回声状态网络，该网络需要比深神经网络（DNNS）较低的计算成本，并处理人类骨骼坐标的时间序列数据以识别手持动作。此外，本研究提出并比较了骨骼坐标的两种类型的预处理方法，以确保人类位置在框架上的鲁棒性：一种方法提取肩部和手臂角度，无论人的位置以及其他均能使骨骼坐标归一化。实验结果表明，所提出的系统具有竞争精度，并且可以改变人类位置。
以FESOM 2.5的计算成本降低探索海中尺度：适用于南方海洋的有效建模策略
摘要。由于长期运行高分辨率模型的高计算成本，因此气候变化的模型投影通常不包括解决方案良好的海洋尺度。这项挑战是使用效率最大化的建模策略来应对的，该策略适用于过去，现在和自由气候的3公里模拟。模型设置利用了降低分辨率的旋转和瞬态模拟，以在短时间内初始化区域性的高分辨率海洋模型。将结果与卫星高度学数据和更传统的涡流仿真进行了比较，并根据其复制观察到的中尺度效果的能力进行了评估，并揭示了对与自然变异性不同的气候变化的反应。高分辨率模拟良好地产生了观察到的南洋涡流能量（EKE）的幅度，但局部大小和EKE的分布仍然存在差异。较粗糙的涡流集合模拟了类似的EKE模式，但主张不足的水平观察到了55％。在变暖的大约1°C时，高分辨率模拟不会导致整体EKE的变化，而与完全合奏在涡流模拟中的EKE同意相比。在变暖的大约4°C下，两个数据集都以相对术语增长了EKE的一致水平，尽管不是绝对幅度，并且EKE变量的增加。模拟的Eke上升集中在已经知道的地区的流动范围
一种受大脑启发的算法，可以以较低的计算成本缓解人工和脉冲神经网络的灾难性遗忘
大脑中的神经调节剂以多种形式的突触可塑性发挥作用，这些可塑性被表示为元可塑性，现有的脉冲神经网络 (SNN) 和非脉冲人工神经网络 (ANN) 很少考虑到这一点。在这里，我们报告了一种有效的受大脑启发的 SNN 和 ANN 计算算法，本文称为神经调节辅助信用分配 (NACA)，它使用期望信号将定义水平的神经调节剂诱导到选择性突触，从而根据神经调节剂水平以非线性方式修改长期突触增强和抑制。NACA 算法在学习空间和时间分类任务时实现了高识别准确率，同时大幅降低了计算成本。值得注意的是，NACA 还被证实可有效学习五种不同复杂程度的类别连续学习任务，并以低计算成本显著缓解灾难性遗忘。映射突触权重变化表明，这些好处可以通过基于期望的整体神经调节所导致的稀疏和有针对性的突触修改来解释。
异步神经通信的计算成本
为了解决这种设置下的计算挑战，我们首先考虑单个 NOT 门的实现。这个简单的函数已经捕获了异步设置中的基本困难。我们的关键技术结果是 NOT 函数的空间和时间上限和下限，我们的时间界限非常严格。本着分布式同步器 [Awerbuch and Peleg，FOCS'90] 的精神并遵循 [Hitron and Parter，ESA'19]，我们提供了一种通用的同步器机制。我们的构造非常模块化，它基于阈值门的有效电路实现。我们方案的复杂性通过神经元数量的开销和计算时间来衡量，两者都显示为原始网络的最大延迟值和最大传入度 ∆ 的多项式。