XiaoMi-AI文件搜索系统
World File Search System跨平台
在低能耗嵌入式设备上实现深度学习和AI - Ceva, Inc.
智能嵌入式视觉应用的设计变得前所未有 的快捷而安全，这要归功于围绕 CEVA-XM6 DSP 而构建的全方位视觉平台。该平台包含 CEVA 深度神经网络（ CDNN ）编译器图表、计 算机视觉软件库以及一系列算法。
平台
•地址：12大道Paul Delouvrier-78180 Montigny-Le-Bretonneux•法律状态：协会/私人•服务：与特定污染和各种条件下的生成有关的措施的设计和部署。气态污染物浓度（NOX，O3，VOC，O3）和颗粒（细和超铁，颗粒计分布）的度量。Evaluation of QA remediation remediation devices • Equipment: vehicle generating fine or ultrafine particles and gas, granulometers and measurement instruments of particle concentrations, gas and characterization of granulometric distributions • Targets: actors of mobility, filtration/purification, metrology and health • Sectors: automobile, rail, aeronautics Naval/river, instrumentation, filtration, epidemiology,毒理学•访问条件：协作项目或论文框架内的服务或协作
与混合差异隐私的联合学习，用于安全可靠的跨iot平台知识共享
摘要联盟学习作为一种协作机器学习方法引起了人们的关注，允许多个用户在不直接交换原始数据的情况下共同训练共享模型。本研究通过引入创新的混合方法来解决分布式学习中平衡数据隐私和实用性的基本挑战，该方法将差异隐私与联合学习（HDP-FL）融合在一起。通过对EMNIST和CIFAR-10数据集进行细致的实验，这种混合方法可取得重大进步，与EMNIST和CIFAR-10的模型获得的值得注意的4.22％和高达9.39％的增强相比，与传统的Fudeer-10相比，分别提高了9.39％。我们对参数的调整强调了噪声如何影响隐私，展示了混合DP方法在打破隐私和准确性之间取得平衡的有效性。跨不同FL技术和客户数量的评估强调了这一权衡，特别是在非IID数据设置中，我们的混合方法有效地抵消了准确的准确性下降。对标准机器学习和最先进的方法的比较分析始终展示了我们所构图模型的优越性，而Emnist的比较精确度为96.29％，而CIFAR-10的优势为82.88％。这些见解提供了一种战略方法，可以在不损害数据隐私的情况下安全地在物联网设备之间进行协作和共享知识，从而确保分散的网络工作中有效且可靠的学习机制。
跨电网 - AEMC
Transgrid 还指出，目前正在实施 ISF 成本回收方法，并希望讨论一些潜在的意外后果。尽管 TNSP 每年能够收回预测成本，但必须管理大量不稳定的现金流（估计每年数亿美元），这可能会对融资能力状况产生重大影响。1 这一问题是由实际系统强度支付可能因市场条件的变化而每月发生重大波动所致。与预测成本的每月固定回收（通过年度输电定价获得）相比，这种波动将导致每月回收金额大幅超过或低于预期。如果回收金额大幅低于预期，即系统强度支付在一个月或一个季度内大幅高于预测金额，这将对 Transgrid 的信用指标和债务契约要求产生重大影响。
Photostress.pdf - 跨技术
单色仪是一种高品质的干涉滤光片，放置在视野中时，可产生彩色光应力图案的单色光图像。单色光在光应力测试中有两个主要应用：(1) 观察高应力梯度区域中的应力带（在白光下，彩色图案在极高应力水平下会变暗），以及 (2) 光应力图案的黑白摄影。单色仪可以手持，也可以安装在特殊外壳中，以便连接到摄像机镜头。
mumemto：跨pangenomes
将基因组对准共同坐标是pangenome分析和构建的核心，但在计算上也很昂贵。多序列最大唯一匹配（多-MUMS）是用于核心基因组比对的指南，有助于构架和解决多重比对问题。我们介绍了Mumemto，该工具可在大型pangenomes中使用多个粉刺和其他匹配类型。mumemto al-lows用于可视化同义，揭示了异常的组件和脚手架，以及高光pangenome保守和结构变化。Mumemto在25.7小时内使用320个人类基因组组件（960GB）计算多个Mums，并在几分钟内使用800 GB的记忆和数百多个真菌基因组组件计算。mumemto在C ++和Python中实现，并在https：// github上可用。com/vikshiv/mumemto。
