XiaoMi-AI文件搜索系统
World File Search SystemApproximate
使用近似脉冲卷积变压器进行癫痫发作检测和预测
摘要：癫痫是神经系统的常见疾病，及时预测癫痫发作并进行干预治疗，可以大大减少患者的意外伤害，保障患者的生命健康。本文提出了一种神经形态脉冲卷积变换器，即Spiking Conformer，用于从头皮长程脑电图（EEG）记录中检测和预测癫痫发作片段。我们报告了使用波士顿儿童医院-麻省理工学院（CHB-MIT）EEG数据集对Spiking Conformer模型的评估结果。通过利用基于脉冲的加法运算，与非脉冲模型相比，Spiking Conformer显着降低了分类计算成本。此外，我们引入了一个近似脉冲神经元层，在不牺牲准确性的情况下进一步将脉冲触发的神经元更新减少近38％。使用原始 EEG 数据作为输入，提出的 Spiking Conformer 在癫痫发作检测任务中实现了 94.9% 的平均灵敏度和 99.3% 的特异性率，在癫痫发作预测任务中实现了 96.8% 的平均灵敏度和 89.5% 的特异性率，并且与非脉冲等效模型相比，所需的操作减少了 10 倍以上。索引术语 —EEG 数据、癫痫发作检测、癫痫发作预测、脉冲神经网络、Transformer。
博士奖学金：利用近似计算增强联邦脉冲神经网络 (SNN) 以实现可穿戴健康监测
脉冲神经网络 (SNN) 的固有效率使其成为可穿戴健康监测的理想选择。SNN 通过事件驱动处理和稀疏激活进行操作，与传统 CNN 相比，功耗更低。这种节能方法与可穿戴设备的限制非常吻合，可确保长时间使用并最大程度地降低对用户体验的影响。另一种降低可穿戴健康监测 SNN 功耗的技术是近似计算。这种方法使资源受限的可穿戴设备能够实现计算效率，从而提高健康监测设备的使用寿命和可用性。
基于GAN的表格数据生成器，用于在近似查询处理中构造概要：挑战和解决方案
摘要：在数据驱动的系统中，数据探索对于做出实时决策至关重要。但是，大数据存储在很难检索的大量数据库中。近似查询处理（AQP）是一种基于数据摘要（摘要）的汇总查询的近似答案的技术，该数据密切复制了实际数据的行为；当对查询的大概答案在实际执行时间的一小部分中可以接受时，这可能很有用。本研究探讨了生成对抗网络（GAN）的新利用，用于生成可以在AQP中用于概要构建中的表格数据。我们彻底研究了概要构建过程带来的独特挑战，包括维持数据分配特征，处理有限的连续和分类数据以及保持语义关系，然后我们介绍了克服这些挑战的表格GAN结构的进步。此外，我们提出并验证一套用于评估GAN生成概要的可靠性的统计指标。我们的发现表明，先进的GAN变化具有产生高保真概述的有前途的能力，有可能改变AQP在数据驱动系统中的效率和有效性。
攻击近似会员资格检查过滤器的隐私
摘要 - 越来越多地使用Approximate会员检查过滤器来加快许多应用程序的数据处理。此外，隐私正在成为许多系统的关键设计目标，因此，需要仔细考虑过滤器的隐私。以前的作品表明，知道过滤器的实现详细信息并且可以访问其内容的攻击者可能能够提取有关过滤器中存储的元素的一些信息。但是，这种攻击是特定于Bloom过滤器的，并且要求元素的宇宙必须很小。在本文中，我们表明，在许多实用设置中，只有对过滤器具有黑色框访问的攻击者，可以提取有关过滤器中存储的元素的信息，而不管特定的过滤器类型和宇宙大小如何。这可能是基于关键观察，即在许多应用中，存储在滤镜中的元素不是随机选择的，但它们集中在元素宇宙的一个或多个部分中。为了识别这些部分，可以在宇宙的不同部分测量积极概率；具有明显大于过滤器的平均正概率的零件是滤光片浓缩的零件。这种方法已正式化，并应用于几个案例研究，以显示攻击者可以在各种情况下获取有关过滤器存储的元素的其他信息。
使用高效近似量子傅里叶变换的 Shor 算法...
1.引言 A.背景 对Shor算法[1]的评估非常重要。Shor算法是一种解决整数分解和离散对数问题的方法，这些问题在经典计算机中需要亚指数时间[2]。这些问题是当前公钥密码体制安全性的基本问题，包括RSA密码体制[3]和椭圆曲线密码体制[4]，[5]。目前，量子计算机的规模对于破解这两个公钥密码体制[6]，[7]，[8]，[9]，[10]，[11]来说是相当小的。然而，量子计算机的规模正在增加[12]，估计Shor算法破解这两个公钥密码体制的时间非常重要。为了估计Shor算法破解当前公钥密码体制的时间，对Shor算法的精确评估非常重要。本文讨论单台量子计算机上的 Shor 算法。如果有两台以上的计算机，最近提出的分布式 Shor 算法 [13] 将降低计算成本。我们的结果将能够与该结果相结合，本文考虑单台量子计算机。本文重点讨论 Shor 算法对 n 位合数 N 进行因式分解。
使用量子近似优化算法解决旅行商问题
2 解决旅行商问题的经典方法 4 2.1 近似算法....................................................................................................................................................................................4 2.1.1 最近邻算法....................................................................................................................................................................................4 2.1.2 Christo des 和 Serdyukov 算法.........................................................................................................................................................5 2.1.3 K-Opt 启发式和 V-Opt 启发式....................................................................................................................................................7 2.1.4 蚁群优化算法...................................................................................................................................................7 ................................................................................................................................................................................. 8 2.2 精确算法.................................................................................................................................................................................................................................... 9 2.3 整数线性规划.................................................................................................................................................................................................................................... 9 2.4 分支定界.................................................................................................................................................................................................................................... 9 2.4 分支定界.................................................................................................................................................................................................................................... 9 2.5 分支定界.................................................................................................................................................................................................................................... 9 12 2.5 分支切割法 . ...
CXL-ANNS：软硬件协作内存分解和十亿级近似最近邻搜索计算
摘要 我们提出了 CXL-ANNS，这是一种软硬件协作方法，可实现高度可扩展的近似最近邻搜索 (ANNS) 服务。为此，我们首先通过计算快速链路 (CXL) 将 DRAM 从主机中分离出来，并将所有必要的数据集放入其内存池中。虽然这个 CXL 内存池可以使 ANNS 能够在不损失准确性的情况下处理十亿点图，但我们观察到由于 CXL 的远内存类特性，搜索性能会显著下降。为了解决这个问题，CXL-ANNS 考虑节点级关系并将预计访问最频繁的邻居缓存在本地内存中。对于未缓存的节点，CXL-ANNS 通过了解 ANNS 的图遍历行为预取一组最有可能很快访问的节点。CXL-ANNS 还了解 CXL 互连网络的架构，并让其中的不同硬件组件并行协作搜索最近邻居。为了进一步提高性能，它放宽了邻居搜索任务的执行依赖性，并通过充分利用 CXL 网络中的所有硬件来最大化搜索并行度。我们的实证评估结果表明，与我们测试的最先进的 ANNS 平台相比，CXL-ANNS 的 QPS 提高了 111.1 倍，查询延迟降低了 93.3%。在延迟和吞吐量方面，CXL-ANNS 也分别比仅具有 DRAM（具有无限存储容量）的 Oracle ANNS 系统高出 68.0% 和 3.8 倍。
经典和量子计算的近似程度
8超出块组成的功能50 8.1溢流力：案例研究。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。51 8.1.1近似度上限。。。。。。。。。。。。。。。。。。。。。。。。。51 8.1.2近似度下限。。。。。。。。。。。。。。。。。。。。。。。。。52 8.1.3 Surj的阈值度。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。52 8.1.3 Surj的阈值度。。。。。。。。。。。。。。。。。。。。。。。。。。。。。53 8.2其他功能和应用程序，用于量子查询复杂性。。。。。。。。。。54 8.3 AC 0的近似度。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。55 8.4引理证明54。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。55 8.4.1获得完整的引理。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。55 8.4.1获得完整的引理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。59 8.5碰撞和PTP下限。。。。。。。。。。。。。。。。。。。。。。。。。。。。。60 8.6元素独特性下限。。。。。。。。。。。。。。。。。。。。。。。。。。。。67
QIAD：二次插值近似分数
摘要计算性能与功耗之间的平衡是计算系统中的关键限制，集成电路技术带有瓶颈。近似计算可以将准确性或误差方案的功率改善进行权衡。分裂具有很高的计算需求和延迟，是计算效率的瓶颈。我们提出了一个基于乘法性能的二次插值近似分隔线（QIAD），该分裂具有较高的统计性能。在TSMC 65NM过程中模拟和合成该设计，并根据图像颜色量化进行了测试，显示了使用诸如PSNR，MSE和SSIM等评估指标的最佳量化效果。关键词：近似计算，分隔线，硬件设计。分类：集成电路（逻辑）