XiaoMi-AI文件搜索系统
World File Search System高斯消
可扩展的高斯流程变量自动编码器
稀疏的高斯过程。在稀疏的高斯过程近似过程中已经进行了一系列工作，可以追溯到Snelson和Ghahramani（2006），Qui〜nonero-Candela和Rasmussen（2005）等。这些稀疏方法中的大多数都依赖于一个汇总的一组，称为诱导点，主要是选择这些点的确切方式。在Titsias（2009）中首先考虑了诱导点的变异学习，并被证明会导致显着的性能提高。而不是在非变化稀疏模型中使用近似边缘的GP可能性，而是在确切的GP边际可能性上的下限被得出并用作训练目标。与我们工作相关的另一种方法是Hensman等人的随机变异方法。（2013），作者提出了一个稀疏模型，除了降低GP复杂性外，还可以在小型批次中训练，从而使（极其）大型数据集使用GP模型。
机器人操纵的对象意识到的高斯裂片
摘要 - 在3D中了解我们世界的动态对于机器人应用的性能和稳健性至关重要。尽管最近的进度已与视觉模型和体积渲染结合起来提供语义3D表示形式，但大型模型的推理时间既不是实时机器人操作的所需更新速度。在这项工作中，我们建议将“对象”注入基于3D高斯人的语义表示[1]。具有相同语义标签的高斯人可以一起初始化和更新，从而导致快速更新，以响应机器人和对象运动。所有必要的语义信息都是从验证的基础模型的第一步中提取的，从而规避了大型模型的推理瓶颈，但仍获取语义信息。只有三个相机视图，我们提出的表示形式可以实时捕获30 Hz的动态场景，这对于大多数操纵任务就足够了。通过基于我们的对象感知的高斯分裂来利用表示形式，我们能够求解语言条件的动态握把，为此，机器人抓取了开放词汇查询指定的动态移动对象。我们还使用该表示形式通过行为克隆来训练视觉运动策略，并表明该策略通过预审计的编码者获得了基于图像的策略的可比结果。视频https://object-aware-gaussian.github.io
直接检测来自...的量子非高斯光
量子通知，传感和计算中的许多应用都需要证明是量子非高斯光。据估计，从单个原子中估计，从单个原子散布到高档腔[17]的单个原子中估计了这种光[17]。这为许多具有原子和固态发射的量子的量子非高斯光开设了研究。然而，在早期阶段，具有不同通道的腔体系统中的原子或发射极是无法产生负极功能的其他噪声。此外，对于此类实验，Ho-Modyne检测通常是具有挑战性的。我们分析了这些问题，并证明可以使用这种空腔来散发量子非高斯光，该光线在汉伯里棕色和三丝体中使用单光子检测，以及适合此测量的量子。当Wigner函数的负函数完全消失时，我们会详细介绍大量空腔泄漏的情况。ge，量子非高斯光仍然可以最终证明大量的空腔参数，即使存在噪声，也可以以整体测量时间为代价。
利用人工智能和大数据解决错过送货问题
资料 通过用电量预测实现配送路线优化，2018 IEEE 第 42 届计算机软件和应用年会、2018 ACM-ICSCA 通过占用率预测实现配送路线优化的隐私增强
使用零均值高斯态和部分光子数分辨检测无法产生任意非高斯态
高斯状态和测量值加在一起不足以成为量子计算的强大资源，因为任何高斯动力学都可以用经典方法高效模拟。然而，众所周知，任何一种非高斯资源（状态、幺正运算或测量）与高斯幺正值一起构成通用量子资源。光子数分辨 (PNR) 检测是一种易于实现的非高斯测量，已成为尝试设计非高斯状态以进行通用量子处理的常用工具。在本文中，我们考虑对零均值纯多模高斯状态的子集进行 PNR 检测，以此作为在未检测到的模式上预示目标非高斯状态的一种手段。这是因为使用压缩真空和被动线性光学系统可以轻松可扩展地制备具有零均值的高斯状态。我们计算了实际预示状态和目标状态之间的保真度上限。我们发现，当目标状态是多模相干猫基簇状态时，该保真度上限为 1/2，这对于通用量子计算来说是一种足够的资源。这证明了存在无法通过此方法产生的非高斯状态。我们的保真度上限是一个简单的表达式，仅取决于光子数基中表示的目标状态，它可以应用于其他感兴趣的非高斯状态。
高斯混合模型分类器模拟集成低...
如今，数据的空前可用性和计算硬件的进步已推动机器学习 (ML) 和深度学习 (DL) 领域取得重大进展。[1] 通过利用大量开放获取数据，ML 技术可实现自动化决策，适用于医疗预测 [2]、财务预测 [3]、工业故障管理 [1] 等广泛应用。ML 技术在生产中的部署涉及数据收集和计算要求高的算法推理过程。在大多数情况下，此过程发生在昂贵的硬件系统中，例如数据中心。上述许多 ML 应用都需要实时计算，这就需要在数据采集系统和数据中心之间进行不切实际的数据传输。解决这个问题的方法是边缘计算，将采集和计算系统集成在同一设备中，从而消除了通信开销 [4]。这催生了智能工业的一个新领域，物联网 (IoT) 应用可从使用 ML 模型中获益 [5]。物联网系统的一个重要方面是功耗 [6]；设备必须依靠电池自主执行高计算任务。这反过来又导致对前所未有的低功耗和低面积利用率的需求。因此，在过去的几十年里，出现了一种新趋势，即在物联网和 ML 应用中使用低面积和低功耗硬件加速器，直接连接到智能传感器或系统 [7]。
非高斯SVAR模型的局部强大推断
当结构冲击是独立的并遵循非高斯分歧时，结构向量自回旋（SVAR）模型中的所有参数都是局部识别的。不幸的是，当识别数据的此类特征的标准推理方法无法在模型参数的结构函数的范围内获得正确的覆盖范围。对此词，我们提出了一种局部可靠的半参数方法，以进行假设检验并为SVAR模型中的结构功能构建信心集。该方法在存在时完全利用非高斯性，但可以使局部至高斯密度正确的大小/覆盖率。从经验上讲，我们重新访问了两项宏观conomic SVAR研究，在该研究中，我们记录了混合的结果。对于Kilian和Murphy的石油价格模型（2012），我们发现非高斯性可以坚定地识别合理的承认集，而对于Baumeister和Hamilton（2015）的劳动力供应 - 按需模型（2015）并非如此。此外，这些练习强调了使用弱识别稳健方法来评估估计不确定性的重要性，当时使用非高斯性进行识别。
manigussian：多任务机器人操纵的动态高斯碎片
摘要。在非结构化环境中执行语言条件的机器人操纵任务对于一般的智能机器人高度要求。常规的机器人操纵方法通常会学习对动作预测观察的单一表示，这忽略了人类目标组成的场景级时空动力学。在本文中，我们提出了一种动态的高斯分裂方法，名为Manigaussian多任务机器人操纵，该方法通过未来场景重建进行了场景动态。具体而言，我们首先要介绍动态的高斯脱落框架，该框架渗透了高斯嵌入空间中的半义传播，其中利用语义表示来预测最佳的机器人动作。然后，我们构建了一个高斯世界模型，以参数化我们动态的高斯脱落框架中的分布，该框架通过未来的场景重建在交互式环境中提供了信息性的范围。我们通过166个变体评估了10个RLBench任务的Manigussian，结果表明我们的框架可以比最先进的方法胜过13。平均成功率1％。
Primer AI 的首字母缩略词识别和消歧系统
歧义缩略词的盛行使得科学文献对于人类和机器来说都更难理解，因此需要能够自动识别文本中的缩略词并消除其含义歧义的模型。我们引入了用于首字母缩略词识别和消歧的新方法：我们的首字母缩略词识别模型将学习到的标记嵌入投射到标签预测上，我们的首字母缩略词消歧模型找到具有类似句子嵌入的训练示例作为测试示例。与之前提出的方法相比，我们的两个系统都实现了显着的性能提升，并且在 SDU@AAAI-21 共享任务排行榜上表现出色。我们的模型部分在针对这些任务的新远程监督数据集上进行了训练，我们将其称为 AuxAI 和 AuxAD。我们还发现了 SciAD 数据集中的重复冲突问题，并形成了 SciAD 的去重版本，我们称之为 SciAD-dedupe。我们公开发布了这三个数据集，并希望它们能够帮助社区在科学文献理解方面取得进一步进展。