XiaoMi-AI文件搜索系统
World File Search SystemArchitectures
逆渲染的时空双侧梯度过滤
- 选项1：选择一个研究主题和实施 - 选项2：选择现有纸张并以某种方式扩展 - 选项3：改进针对纸张实施的现有代码 - 指定组的截止日期：第1周 - 指定主题的截止日期：第3周 - 提交到期：第10周 - 第10周 - 高质量报告 - 典型会议格式
在自主机器人中计划和推理的认知体系结构中集成大型语言模型
摘要 - 符号推理系统已在认知体系结构中使用，以提供推理和规划能力。但是，定义域和问题已被证明很困难且容易出错。此外，大型语言模型（LLMS）已成为处理自然语言的工具，以处理不同的任务。在本文中，我们建议使用LLM来解决这些问题。以这种方式，本文提出了在ROS 2集成的认知架构Merlin2中用于自动机器人的llms的整体。具体来说，我们介绍了如何利用LLM在Merlin2的审议过程中的推理能力的设计，开发和部署。因此，对基于PDDL的规划师系统的审议系统更新为自然语言规划系统。该建议对定量和定性进行评估，以衡量将LLM纳入认知体系结构的影响。结果表明，经典方法可以实现更好的性能，但是拟议的解决方案通过自然语言提供了增强的互动。
专业体系结构和范式
在第5章，第6和第7章中，我们分别提出了一个具体的深度学习范式，即馈电网络，卷积神经网络和序列模型。这样的模型本身就是有用的，但是在深度学习的世界中，它们经常将它们整合到更复杂的特定活动中。例如，第6章的卷积神经网络可以与第7章的序列模型相关，以涉及图像和文本的应用。此外，还出现了其他专业体系结构和范式，在每种情况下，都采用非平凡的想法来创建强大的模型。在当前章节中，我们介绍了从不同的领域中出现的这些想法，但都使用了深层的神经网络。这些域中的一些包括生成建模，在概述变异自动编码器之后，我们将重点放在分解模型和生成对抗网络上。其他领域处于自动控制和决策领域，我们提出了强化学习的概念。最后，我们探索了图神经网络的域，该区域被证明对可以用图结构表示的复杂问题如此有用。没有空间约束，这些主题中的每一个都应得到自己的章节或一系列章节，但是在本章中，我们希望读者能够获得总体观点。
使用深度学习架构和
摘要： - 心血管疾病是全球死亡的主要原因，心律不齐是一种特别致命的疾病。通过分析心电图数据对心律不齐的有效鉴定对于有效治疗至关重要。心律不齐。本研究提出了一种新型的方法，可以自动诊断心律不齐和窦性心律充血性心力衰竭。所提出的方法涉及利用带有比例图的多尺度滤波器库，该库利用了预处理的ECG数据和未加权的，未加权的，预先训练的卷积神经网络。时间频率纹理提供了来自单铅ECG记录的基本特征的两维表示。随后，专门为心律不齐分类设计的深度学习神经网络用于标记和分类特征数据的集合。本研究研究了深度学习模型从心电图数据分类心律不齐的功效。该研究探讨了不同的卷积神经网络体系结构使用多尺度滤波器库和基于比例图的表示如何工作。预先训练的网络产生的分类模型在概括方面既准确且比原始网络更有效。比较已经训练的模型和未经培训的模型表明，预先训练的网络，尤其是VGG16，在许多方面表现更好，例如准确性和精度。这表明有可能改善基于ECG的诊断，为高级，个性化的医疗保健解决方案铺平了道路。
D-Orbit 加入 REACTS，共同构建欧洲响应式空间系统架构。该合同将提供弹性和可扩展网络的分析
D-Orbit 加入 REACTS 共同构建欧洲响应式空间系统架构 该合同将对弹性和可扩展的响应式空间系统网络进行分析，该系统能够在 72 小时内发射卫星并开始数据传输 意大利菲诺莫尔纳斯科，2024 年 2 月 15 日：领先的空间物流公司 D-Orbit 已被选中加入由欧洲国防基金 (EDF) 2022 资助的响应式欧洲空间架构 (REACTS) 项目。作为此次创新合作的一部分，D-Orbit 将专注于在响应式空间系统内使用轨道转移飞行器 (OTV)。REACTS 旨在通过强大、可扩展的响应式空间系统 (RSS) 网络增强欧洲国防能力。该计划侧重于快速部署卫星并在 72 小时内开始数据传输。该项目将持续 22 个月，包括开发符合最终用户需求的综合架构、制定运营概念以及为 RSS 网络的技术和治理方面制定路线图。它还包括分析和定义 RSS 接口标准以及设计软件框架以模拟和增强太空操作的响应能力。该联盟汇集了来自 13 个国家的 35 家公司，其中包括德国、法国、西班牙、意大利、荷兰、挪威、罗马尼亚、保加利亚、奥地利、卢森堡、立陶宛、波兰和捷克共和国。每家公司独特的专业知识和资源都为响应空间系统的开发做出了重大贡献，凸显了该项目在欧洲的广泛地理和战略影响力。D-Orbit 参与 REACTS 项目涉及对 OTV 在欧洲未来响应空间系统中的使用情况进行详细研究。该研究将确定需要 OTV 执行的任务，例如到达特定轨道或将卫星分布在多个轨道上。它还将定义 OTV 要求，包括推进需求和有效载荷接口，并涵盖 OTV 物流、存储和地面管理。“我们参与 REACTS 标志着 D-Orbit 历程中的一个重要里程碑，”D-Orbit 业务发展副总裁 Stefano Antonetti 说。“这份合同为我们提供了一个机会，让我们利用在太空技术方面的专业知识来推进欧洲的战略利益。OTV 的工作不仅将增强我们的能力，而且还将加强欧洲在响应式太空系统中的地位，确保在不断变化的挑战面前做好准备和灵活性。”凭借其成功设计、制造和运行 13 次任务及其专有的 ION 卫星运载器的经验，D-Orbit 在评估 OTV 能力、定义技术规范和监督集成物流方面发挥着重要作用，在更广泛的 REACTS 计划中起着关键作用。“由欧盟资助。但所表达的观点和意见仅代表作者本人，并不一定反映欧盟或欧盟委员会的观点和意见。欧盟和授权机构均不对此负责。”
支持建筑决策对强化学习体系结构的培训策略的支持
摘要 - 在人工智能和机器学习的动态格局中，强化学习（RL）已成为一种有力的范式，用于训练智能代理在序列决策中。随着RL体系结构在复杂的过程中的进展，对培训策略以及对软件体系结构的相关后果的明智决策的需求变得越来越复杂。这项工作通过介绍一项定性，深入研究的结果来解决这一挑战，该研究重点介绍了RL架构的培训策略中的最佳实践和模式，如从业者所阐明的那样。利用基于模型的定性研究方法，我们引入了一种正式的建筑决策模型，以弥合科学见解与实际实施之间的差距。我们旨在增强对RL体系结构中从业者的方法的理解。本文分析了33个知识来源，以辨别建立的工业实践，模式，关系和决策驱动因素。基于此知识，我们引入了正式的建筑设计决策（ADD）模型，封装了6个决策，29个决策选择和19个决策驱动程序，从而为基于RL的软件体系结构的这一关键方面提供了强有力的决策支持。索引术语 - 机器学习，强化学习，扎根理论，软件架构，设计决策
探索用于脑电图特征提取的卷积神经网络架构
摘要：本文的主要目的是提供有关如何创建卷积神经网络 (CNN) 以从 EEG 信号中提取特征的信息。我们的任务是了解为各种应用场景创建和微调 CNN 的主要方面。我们考虑了 EEG 信号的特征，并探索了各种信号处理和数据准备技术。这些技术包括降噪、滤波、编码、解码和降维等。此外，我们对众所周知的 CNN 架构进行了深入分析，将它们分为四个不同的组：标准实现、循环卷积、解码器架构和组合架构。本文还对这些架构进行了全面评估，涵盖了准确度指标、超参数和附录，其中包含一个表格，概述了用于从 EEG 信号中提取特征的常用 CNN 架构的参数。
月球和火星定位、导航和授时的架构和技术投资重点
从架构上看，最初在月球上部署椭圆形冻结轨道上的中继卫星将最大限度地覆盖南极，这是 Artemis 计划的重点。我们建议这些资产和未来的地面资产建立一个自由运行的自主时间尺度（我们称之为“LTC”），并持续监测与 UTC 的差异。这比在月球上部署 UTC 本身更可取，因为后者将涉及克服处理闰秒和闭环跟踪显著时变相对论效应的不必要挑战。月球服务提供商应通过各种技术确定其轨道和时间，包括现有的 CCSDS 测距标准、DSN 跟踪、弱信号 GPS 接收和高质量原子钟。这些资产反过来将为月球用户提供 LNIS 标准的 PNT 服务。
UNLP：FY2024 RENSERKING GURT GRATE摘要
高级反应堆和小型模块反应堆（SMR）可以采用新兴技术，例如远程监控和操作，无线和无人机，这些技术不适合现有的基于外围的防御性建筑和监管指南。零信任是一种将网络安全从外围防御转移到专注于用户，资产和资源的范式。它不是特定的技术或一组技术，而是一种安全策略，该策略具有一组旨在防止数据泄露和限制网络中横向运动的原则。简而言之，它的特点是“永远不要相信，始终验证”。 NRC员工正在研究零信托体系结构（ZTA）是否可以替换或增加当前的防御性体系结构并减少引入这些技术的安全挑战。尽管发现将适用于其他OT领域，但本研究的重点是其适用于核设施（尤其是SMR和高级反应堆），因为它们采用了当前监管指南中未解决的技术。本文是多任务研究项目的第二个交付。第一个任务是根据作者对文献的评论和对OT系统特征的仔细考虑的见解而开发并提出了一个高级零信任框架。
用大语言模型增强认知体系结构
生成的AI模型，例如大语言模型（LLM），Vision Transformer（VIT）（Dosovitskiy等，2020）等。模型在近年来引起了极大的兴趣。已经提出了一些建议，以利用与其他模型（例如LSTMS（Lester，al-Rfou＆Constant，2021），认知体系结构（Wray，Kirk，＆Laird，2021）或计划和改进的LLMS（Park等，Park等，2023年），以列出少数模型（Park等，2023年，2023年），以列出了一定数将。与LLM融合计划和反思的方法为模拟环境中的任务带来了良好的结果。这引起了人们对LLM是否可以以原则性方式利用LLM的问题的兴趣，目的是产生一种可以在不同情况下利用每种方法的优势的代理，从而产生了综合药物，该综合药物比其部分的总和更大。这项工作提出了LLM和认知架构之间的一种可能的融合。这里的尝试是提出一种创造性的融合，将两个学科的思想连接起来，以产生一种方法，该方法产生的结果可能比两种方法（认知体系结构或LLMS）隔离使用。本文的其余部分如下：讨论了第一个认知体系结构总结在这种情况下相关的关键方面，随后进行了有关生成AI的讨论，重点是LLMS。llms在认知体系结构术语中介绍。随后融合了LLMS