XiaoMi-AI文件搜索系统
World File Search SystemAided
客户辅助的安全两方计算动态控制器
摘要 - 在本文中，我们建议使用SE-CRET共享方案为动态控制器提供安全的两方计算协议。所提出的协议实现了控制器计算到两个服务器的采购，而控制器参数，状态，输入和输出对服务器保持了秘密。与单个服务器设置中以前的加密控制不同，该建议的方法可以在无限制的时间范围内操作动态控制器，而无需控制器状态解密或输入重新加密。我们表明，通过提出的协议可以实现的控制绩效可以任意接近未加密控制器的控制性能。此外，提出了协议的系统理论和加密修改，以提高通信复杂性。通过基于PID和基于观察者的对照的数值示例来证明协议的可行性。
引用出版版本（APA）：Søndergaard，J。K.，Christensen，R。B.和Popovski，P。（印刷中）。
摘要 - Quantum Internet需要确保及时提供涉及分布式量子计算或传感的任务中的纠缠量子。这是通过优化量子网络的上流方法来解决的[21]，其中在接收任务之前分发了纠缠。任务到达后，所需的纠缠状态将通过本地操作和经典交流达到。纠缠前的分布应旨在最大程度地减少所用量子的数量，因为这降低了矫正性的风险，从而降低了纠缠状态的降解。优化的量子网络考虑了多跳光网络，在这项工作中，我们正在用卫星辅助纠缠分布（SED）补充它。动机是卫星可以捷径拓扑，并将纠缠放在两个没有通过光网络直接连接的节点。我们设计了一种用SED纠缠纠缠的算法，这导致纠缠前分布中使用的量子数量减少。数值结果表明，SED可以显着提高小量子网络的性能，而纠缠共享约束（EC）对于大型网络至关重要。索引条款 - Quantum网络，自上而下的纠缠段，卫星辅助纠缠分布
常识性推理的自动驾驶汽车系统
对于学术和行业研究，自1980年代以计算机视觉为中心的系统的引入以来，AV技术已经取得了令人难以置信的进步[3]。在这里，本文将为自动驾驶汽车提供一些正式的定义。根据自动化水平，SAE国际自动驾驶汽车定义为六个不同的级别，其中0级没有AU量，并且5级是完全驾驶自动化[6]。尽管AV研究是一个经过充分探索的领域，但仍然没有5级或完全自主的车辆。这在很大程度上是由于计算机视觉系统的缺陷以及需要人类驾驶员存在的更复杂驾驶任务的复杂性。对于安全至关重要的系统，例如AV系统，无法造成小错误。为此，重要的是，AV系统可以根据对周围环境的准确解释做出安全有理的决策。在AV系统的感知端有几种技术，例如光检测和射程（LIDAR）系统和基于摄像机的系统。这些系统与深度学习技术（例如卷积神经网络（CNN））相结合，这些技术用于对传感器数据进行分类[14]。但是，像所有机器学习系统一样，由于噪声，训练数据之外的场景，传感设备的退化以及其他外部因素，误导始终可能发生错误分类。Kahneman在2011年提出的两种系统思维类型[11]。第一个是“系统1”，它是快速，本能和情感思维。因此，AV系统应朝着使用混合AI系统或将深度学习与逻辑推理结合的AI迈进，以帮助减轻完全基于深度学习的方法的失败和缺点。第二个是“系统2”，它是缓慢，有意和逻辑的。对于人类驾驶员，我们在驾驶场景中使用这两个系统。使用System 1 Thinking迅速完成我们周围的对象，并进行较小的驾驶操作。但是，当我们遇到一个不熟悉或危险的情况时，我们使用系统2思考来确定一种安全的方式来驾驶这种情况。在最佳的混合AV系统中，快速系统的1个任务（例如感知和分类）应通过深度学习来处理，而缓慢的系统2任务应通过综合推理来处理。推理系统也可以用于对
用于计算机辅助骨质疏松疾病检测的骨密度测定数据集
最近，基于医学图像的自动疾病诊断已成为数字病理包的组成部分。要创建，开发，评估和比较这些系统，我们需要各种数据集。诊断骨疾病的关键特征之一是测量骨矿物质密度（BMD）。该领域的大多数研究都使用手动方法直接提取骨骼图像特征，尽管患病和健康骨骼之间存在潜在的相关性，这解释了有限的结果。检测骨矿物质密度（BMD）的显着变化取决于微创双能X射线吸收仪（DXA）扫描仪。本文介绍了骨密度测试结果的集合以及称为ARAK骨密度测定中心数据的患者剖面。患者的轮廓包括有关患者的身高和体重以及成像区域的照片。这些患者的数量为3,643，旁边存储了约4,020张照片。可用于开发自动疾病诊断方法和软件。
MFG 5359计算机辅助制造
在本课程中，在课程时间表中所示的计划日期将在本课程中总共有2项考试。将不会有期末考试。如果由于可辩解的问题而无法参加考试之一，则可以要求参加化妆考试。可免除的缺勤示例是疾病，大学官方任命，不可预见的紧急情况。必须提供文档，否则您将在错过考试中分配零等级。考试都是封闭的书籍和封闭的笔记。您将不允许将编程计算器带入考试。作业，本课程中至少将提供2个带回家的作业作为考试的准备。，您鼓励您在工作期间与其他学生合作，以便您可以互相教学或学习。但是，当您提交作业时，它必须是您自己的工作，否则将被视为学术上的不诚实。
用于多发性硬化症患者脑部疾病活动的计算机辅助评估的临床兼容工作流程
在过去的 10 年中，已批准用于治疗多发性硬化症 (MS) 局部炎症过程的疾病调节药物的数量从 3 种增加到 10 种。这种广泛的选择为个性化医疗提供了机会，目标是使每个患者都无需进行临床和放射学活动。这种新模式需要优化纵向 MRI 上新 FLAIR 病变的检测。在本文中，我们描述了一个完整的工作流程 - 我们开发、实施、部署和评估的流程 - 以便于在 MS 患者的纵向 MRI 上监测新 FLAIR 病变。该工作流程旨在供法国的医院和私人神经科医生和放射科医生使用。它由三个主要组件组成：(i) 一个软件组件，允许自动且安全地匿名化并将 MRI 数据从临床图片档案和通信系统 (PACS) 传输到处理服务器（反之亦然）； (ii) 一个全自动分割核心，可以从 T1 加权、T2 加权和 FLAIR 脑部 MRI 扫描中检测出患者的局部纵向变化，以及 (iii) 一个专用的网络查看器，为放射科医生和神经科医生提供新病变的直观可视化。我们首先介绍这些不同的组件。然后，我们在 54 对纵向 MRI 扫描上评估了该工作流程，这些扫描由 3 位专家（1 位神经放射科医生、1 位放射科医生和 1 位神经科医生）在使用和不使用所提出的工作流程的情况下进行分析。我们表明，我们的工作流程为临床医生在检测新的 MS 病变方面提供了宝贵的帮助，无论是在准确性方面（不使用工作流程时每位患者和每位专家检测到的病变平均数量为 1.8，使用工作流程时为 2.3，p = 5.10 − 4 ），还是在专家投入的时间方面（平均时间差 2 ′ 45 ′′，p = 10 − 4 ）。检测到的病变数量的增加对 MS 患者被归类为稳定或活跃有影响，即使是最有经验的神经放射科医生也是如此（不使用工作流程时平均敏感度为 0.74，使用工作流程时平均敏感度为 0.90，无差异 p 值 = 0.003）。因此，这对 MS 患者的治疗管理有潜在影响。
工商管理学士（计算机辅助...
*学生需要根据自己的喜好/选择从 Swayam 门户网站或 UGC/监管机构不时批准的任何其他 UG 级在线教育平台中选择一门 2 学分的 MOOC 课程，完成课程后，学生必须出示成功完成课程的证书才能获得学分。学生选择的课程应在第一学期通知相关机构的 MOOC 协调员。注意：作为增值课程，学生可以选择学习 BBA-CAM-118 印度知识系统论文，而不是 BBA-CAM-110 MOOC。
语义意识的联合阻塞预测（SFBP）在视觉辅助下一代无线网络
摘要 - 毫米波和Terahertz网络中预测信号阻塞对于实现主动移交（PHO）和确保无缝连接至关重要。使用深度学习，多模式视觉和无线传感数据的现有方法主要取决于集中式的模型培训。尽管这些技术是有效的，但它们具有高度的成本，不足的带宽使用和延迟问题，这限制了其实时适用性。本文提出了一个语义意识的联合阻塞预测（SFBP）框架，利用轻巧的计算机视觉技术MobilenEtv3用于基于边缘的语义提取，降低了连接和计算成本。此外，我们引入了相似性驱动的联邦平均（SD-FEDAVG）机制，以增强模型聚合过程的鲁棒性，从而有效地减轻了噪声更新和对抗性攻击的影响。我们提出的SFBP框架达到了97.1％的阻塞预测准确性，与集中学习相比，与集中式学习相比，与集中的学习成本密切相匹配，而与没有语义提取的FL相比，沟通成本降低了88.75％，而沟通成本则达到57.87％。此外，与没有语义提取的FL相比，与集中学习相比，在设备上的推论相比将潜伏期降低23％，而FL相比有18％，从而改善了PHO的实时决策。此外，SD-FEDAVG机制在嘈杂条件下提高了预测准确性，从而直接通过将切换失败率降低7％来影响PHO。索引术语 - 毫计浪潮，联合学习，语义交流，阻塞预测，计算机视觉
Xuelin Cao、Bo Yang、Chongwen Huang、Chau Yuen、Marco Di Renzo 等人。可重构智能表面辅助无线网络的人工智能辅助 MAC：挑战与机遇。 IEEE 通信杂志，2021 年，10.1109/mcom.001.2001146。hal-03357949
HAL 是一个多学科开放存取档案馆，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。