XiaoMi-AI文件搜索系统
World File Search SystemAssisted
基于PPO的车辆控制坡道合并方案，由增强的C-V2X
摘要 - 在坡道合并中，在自动驾驶中提出了一个关键的挑战，因为车辆合并车道需要动态调整其位置和速度，同时监视主要道路上的交通以防止碰撞。为了应对这一挑战，我们提出了一种基于强化学习的新型合并控制方案，该方案整合了横向控制机械。这种方法可确保从合并车道的车辆平稳整合到主道路上，从而优化了燃油效率和乘客舒适性。此外，我们认识到车辆对车辆（V2V）通信对控制策略的影响，并引入了增强的协议利用蜂窝车辆到全部用途（C-V2X）模式4。该协议旨在降低信息时代（AOI）并提高沟通可靠性。在我们的模拟中，我们使用两个基于AOI的指标来严格评估该协议在自主驾驶场景中的有效性。通过将NS3网络模拟器与Python相结合，我们可以多地模拟V2V通信和车辆控制。结果表明，增强的C-V2X模式4优于标准版本，而拟议的控制方案可确保在坡道合并期间安全可靠的车辆操作。
GPU 集群中的预测辅助在线分布式深度学习工作负载调度
摘要 — 近年来深度学习 (DL) 模型的爆炸式增长使得人们迫切需要在 GPU 集群中对混合并行分布式深度学习训练 (DDLwMP) 进行高效的作业调度。本文提出了一种自适应最短剩余处理时间优先 (A-SRPT) 调度算法，这是一种新颖的预测辅助在线调度方法，旨在缓解与 DL 集群调度相关的挑战。通过将每个作业建模为与异构深度神经网络 (DNN) 模型及其相关的分布式训练配置相对应的图，A-SRPT 策略性地将作业分配给可用的 GPU，从而最大限度地减少服务器间的通信开销。观察到大多数 DDLwMP 作业会重复出现，A-SRPT 结合随机森林回归模型来预测训练迭代。至关重要的是，A-SRPT 将复杂的调度问题映射到单机实例中，该实例通过抢占式“最短剩余处理时间优先”策略得到最佳解决。该优化解决方案可作为 GPU 集群内实际作业调度的指南，从而实现理论上可证明的竞争性调度效率。我们进行了广泛的真实测试平台和模拟实验来验证我们提出的算法。
GPU 集群中的预测辅助在线分布式深度学习工作负载调度
摘要 — 近年来深度学习 (DL) 模型的爆炸式增长使得人们迫切需要在 GPU 集群中对混合并行分布式深度学习训练 (DDLwMP) 进行高效的作业调度。本文提出了一种自适应最短剩余处理时间优先 (A-SRPT) 调度算法，这是一种新颖的预测辅助在线调度方法，旨在缓解与 DL 集群调度相关的挑战。通过将每个作业建模为与异构深度神经网络 (DNN) 模型及其相关的分布式训练配置相对应的图，A-SRPT 策略性地将作业分配给可用的 GPU，从而最大限度地减少服务器间的通信开销。观察到大多数 DDLwMP 作业会重复出现，A-SRPT 结合随机森林回归模型来预测训练迭代。至关重要的是，A-SRPT 将复杂的调度问题映射到单机实例中，该实例通过抢占式“最短剩余处理时间优先”策略得到最佳解决。该优化解决方案可作为 GPU 集群内实际作业调度的指南，从而实现理论上可证明的竞争性调度效率。我们进行了广泛的真实测试平台和模拟实验来验证我们提出的算法。
平台辅助拍卖的基础
今天，在Google和eBay等中介平台的帮助下进行了许多拍卖。这些平台是买卖双方的聚会点，并为其服务收取费用。我们指的是平台辅助拍卖的拍卖。传统上，拍卖理论文献主要集中于设计拍卖，以激励买家真实地竞标，假设平台始终忠实地实现拍卖。但是，在实践中，已经发现这些平台可以操纵拍卖以赚取更多利润，从而导致了高度的反托拉斯诉讼。我们提出了一个新的模型，用于在无许可设定中研究平台辅助拍卖，任何人都可以注册和参加拍卖。我们探索是否有可能在这种新模型中设计梦想拍卖，因此诚实的行为是每个买家，平台，卖方以及平台销售商或平台买家联盟的公用事业最大化策略。通过可行性和不可行结果的收集，我们仔细地将平台辅助拍卖的数学格局构成。有趣的是，我们的工作揭示了密码学与机理设计之间的令人兴奋的联系。我们展示了密码学如何借出具有梦境属性的效率平台辅助拍卖的设计。尽管一系列作品也使用了多方计算（MPC）或区块链来消除对受信任拍卖师的依赖，但我们的工作在几个方面本质上是不同的。首先，当服务提供商（例如，实现MPC或区块链协议的节点）具有战略意义，并且可以与卖方或买家相关时，我们就开始对游戏理论含义进行系统的探索。第二，我们观察到标准MPC文献中使用的完整模拟范式太严格，导致高渐近成本。特别是，由于每个玩家在拍卖协议中都有不同的私人结果，因此，据我们所知，在玩家中运行任何通用MPC协议都会产生至少N 2总成本，而N是买家的数量。我们提出了一个新的模拟概念，称为“公用事业为主导的仿真”，该概念足以保证拍卖中所需的游戏理论属性。在这个新的模拟概念下，我们展示了如何设计具有准线性效率的效率拍卖协议，该协议对任何通用方法都具有n倍的改善。
实时纤维束成像辅助神经导航用于经颅磁刺激
摘要 最先进的导航经颅磁刺激 (nTMS) 系统可以显示 TMS 线圈相对于受试者大脑结构磁共振图像 (MRI) 的位置并计算感应电场。然而，TMS 的局部效应会通过白质网络传播到大脑的不同区域，目前还没有商业或研究神经导航系统可以在 TMS 期间实时突出显示大脑的结构连接。缺乏实时可视化可能会忽略大脑连接的关键个体间差异，并且无法提供针对大脑网络的机会。相比之下，实时纤维束成像可以即时调整参数和详细探索连接，这在计算上效率低下，并且受限于离线方法。为了针对大脑结构连接，特别是在基于网络的治疗（如重度抑郁症）中，需要一种基于实时纤维束成像的神经导航解决方案来解释每个人独特的大脑连接。这项工作的目的是开发一种实时纤维束成像辅助 TMS 神经导航系统并研究其可行性。我们提出了一个模块化框架，使用并行传输方法将扩散 MRI 数据的离线（准备）分析与在线（实时）概率纤维束成像无缝集成。对于纤维束成像和神经导航，我们分别结合了我们的开源软件 Trekker 和 InVesalius。我们使用合成数据和四名健康志愿者的 MRI 扫描来评估我们的系统，这些数据和扫描数据是通过多壳高角分辨率扩散成像协议获得的。通过比较流线计数和重叠与基于一亿条流线滤波的离线纤维束成像结果来研究四个主要 TMS 目标，评估了我们的在线方法的可行性。我们开发的实时纤维束成像辅助 TMS 神经导航系统展示了先进的纤维束成像技术，具有交互式参数调整和通过创新的不确定性可视化方法实时可视化数千条流线的功能。我们的分析表明，受试者和 TMS 目标在流线数量方面存在相当大的差异，例如，虽然在受试者 #4 的视觉皮层 (V1) 上的 TMS 目标上观察到了 15,000 条流线，但在受试者 #3 的 V1 中，没有获得流线。与离线纤维束图的重叠分析表明，实时纤维束图可以快速覆盖目标区域连接的很大一部分，通常在几秒钟内超过离线方法的覆盖范围。例如，在
批准的电力辅助自行车（PAB）型号清单（截至2025年1月1日）
数字，因为已经评估了这些PAB，以符合密封时LTA的技术要求。5。请勿添加/修改PAB电池，仅使用批准规格的原始电池（下面列出）
Tongsheng Geng、Marcos Amaris、Stéphane Zuckerman、Alfredo Goldman、Guang Gao 等人。一种基于配置文件的人工智能辅助异构架构动态调度方法。国际并行编程杂志，2022 年，50 (1)，第 115-151 页。 10.1007/s10766-021-00721-2。hal-03606185
虽然异构架构在高性能计算系统中越来越受欢迎，但其有效性取决于调度程序将工作负载分配到合适的计算设备上的效率，以及通信和计算如何重叠。随着不同类型的资源集成到一个系统中，调度程序的复杂性也相应增加。此外，对于在不同异构资源上具有不同问题规模的应用程序，最佳调度方法可能会有所不同。因此，我们引入了一种基于配置文件的人工智能辅助动态调度方法，以动态和自适应地调整工作负载并有效利用异构资源。它结合在线调度、应用程序配置文件信息、硬件数学建模和离线机器学习估计模型，实现异构架构的自动应用设备特定调度。硬件数学模型提供粗粒度计算资源选择，而配置文件信息和离线机器学习模型估计细粒度工作负载的性能，在线调度方法动态自适应地分配工作负载。我们的调度方法在事件驱动的运行时系统中对控制规则应用程序、2D 和 3D Stencil 内核（基于 Jacobi 算法）和数据不规则应用程序稀疏矩阵向量乘法 (SpMV) 进行了测试。实验结果表明，PDAWL 的表现与产生最佳结果的 CPU 或 GPU 相当或远远优于后者。关键词：异构多核计算、工作负载平衡、自适应建模、机器学习辅助调度、并行计算
Oleksandra Vereschak、Gilles Bailly、Baptiste Caramiaux。如何评估对人工智能辅助决策的信任？实证方法调查。2021. hal-03280969v1
人工智能嵌入式系统参与人类决策的传播使得研究人类对这些系统的信任变得至关重要。然而，实证研究信任具有挑战性。原因之一是缺乏设计信任实验的标准协议。在本文中，我们介绍了现有的实证研究人工智能辅助决策中信任的方法，并根据实验方案的构成要素分析了语料库。我们发现信任的定义通常不整合在实验方案中，这可能导致研究结果被夸大或难以解释和跨研究比较。借鉴社会和认知研究中关于人与人之间信任的实证实践，我们提供了实用指南，以改进在决策环境中研究人与人工智能信任的方法。此外，我们提出了两类研究机会：一类侧重于对信任方法的进一步研究，另一类侧重于影响人与人工智能信任的因素。
图形卷积神经网络辅助遗传算法PDN DETAP优化
摘要 - 本文提出了一种结合加固学习（RL）和PDN DETAP优化的遗传算法（GA）的混合算法。训练有素的RL代理使用图形卷积神经网络作为策略网络，并预测给定PDN阻抗和目标阻抗的DETAP解决方案，该解决方案是将其作为初始种群的播种。训练有素的RL代理在脱皮端口的数量方面可扩展。主要目标是节省计算时间并找到接近全球的最小值或全球最小值。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。 所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。