XiaoMi-AI文件搜索系统
World File Search SystemBenchmarking
在合作社的生态系统中，量词后加密的可行性和基准测试
摘要 - 车辆及其周围环境（V2X）之间的全国沟通是一项关键技术，可实现针对道路安全，交通流量和驾驶舒适度的合作智能运输系统（C-ITS）。基于椭圆曲线密码学（ECC）的真实性和机密性（主要依赖于应用程序）的安全服务，以满足低潜伏期安全通信的硬约束和在密集的交通状况下的有限带宽无线电通信。由于量子计算机（QC）提出的威胁，经典的非对称加密算法可能会破坏影响公共密钥基础设施（PKI）的安全解决方案，并对（半自治车辆和道路使用者和道路使用者产生负面的安全后果）。我们的项目（TAM：值得信赖的自主流动性）[18]专注于合作，联系和自动化流动性（CCAM）领域的端到端网络安全和隐私。一个主要目标是找到合适的量子安全方案，以替换基于V2X通信中使用的ECC的当前加密标准。在定义了C-ITS的主要要求和关键性能指标后，对当前NIST预标准PQC算法进行基准测试，以评估C-ITS应用程序中的可行性和性能，并根据结果选择了最佳拟合解决方案。
IBM花岗岩基准测试和企业准备就绪
IBM花岗岩是IBM开发的生成AI模型家族，目标是满足企业AI的不同需求。IBM考虑了商务用例，开发了其花岗岩模型，并发布了几种变体，以满足不同的企业需求，所有这些都在Apache 2.0许可下的开源，鼓励透明度，并使用户能够根据其需求自定义模型。花岗岩3.0家族包括具有20亿和80亿个参数密度模型的预训练和训练后模型，以及较小的Experts（MOE）稀疏模型，具有4亿和8亿个活性参数。Granite 3.0家族中的所有模型都相对较小，目的是满足实用的企业部署要求，并使用企业数据启用自定义，以在低计算成本下实现最先进的性能。各种模型尺寸提供了额外的灵活性，以满足各种用例和基础设施功能。
对量子计算软件的性能进行基准测试
我们介绍了 Benchpress，这是一个用于评估多个量子计算软件开发工具包的性能和功能范围的基准测试套件。该套件包含 1000 多个测试，用于测量由多达 930 个量子比特和 O（10 6）个两量子比特门组成的量子电路上各种操作的关键性能指标，以及一个执行框架，用于以统一的方式在多个量子软件包上运行测试。我们详细概述了基准测试套件及其方法，并在七个不同的量子软件包上生成了代表性结果。Benchpress 框架的灵活性使得基准测试不仅可以跟上量子硬件改进的步伐，还可以预先衡量未来设备架构的量子电路处理成本。作为开源软件，Benchpress 确保了性能声明的透明度和可验证性。
基准为关联记忆的Hebbian学习规则
关联内存或内容可寻址内存是计算机科学和信息处理中的重要组成函数，同时它是认知和计算脑科学中的关键概念。已经提出了许多不同的神经网络架构和学习规则，以模拟大脑的关联记忆，同时研究关键组件功能，例如模式完成和竞争以及降低噪声。较少研究但同样重要的主动记忆功能是原型提取，其中训练集包括通过扭曲原型模式而生成的模式实例，而训练有素的网络的任务是回忆给定新实例的生成原型。在本文中，我们基于非模块化和模块化重复网络中使用的七个不同HEBBIAN学习规则的关联记忆功能，并在中度稀疏的二进制模式下进行赢家摄取的全部动态操作。总体而言，我们发现模块化网络具有最大的存储器为模式存储容量。流行的标准HEBB规则以最差的能力出现，而协方差学习则证明是强大但容量较低的，并且在测试的不同条件下，贝叶斯 - 赫比亚规则显示出最高的模式存储能力。
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
skada bench：对无监督的域适应方法进行基准测试，并对多种方式进行现实验证
无监督的域适应性（DA）包括适应在标记的源域上训练的模型，以在未标记的目标域上表现良好，并具有某些数据分布变化。虽然文献中提出了许多方法，但公平和现实的评估仍然是一个悬而未决的问题，尤其是由于方法学困难在无监督环境中选择超参数。在Skada Bench的情况下，我们提出了一个框架，以评估DA方法的不同方式，除了在文献中很大程度上探讨的计算机视觉任务之外。我们对现有浅层算法进行了完整而公平的评估，包括重新加权，映射和子空间对齐。现实的超参数选择是通过嵌套的交叉验证和各种无监督的模型选择得分进行的，这两个模拟数据集都具有受控的偏移和现实世界数据集的不同模式，例如图像，文本，生物医学和表格数据。我们的基准强调了现实验证的重要性，并为现实生活中的应用提供了实用的指导，并对模型选择方法的选择和影响有了重要的见解。Skada-Bench是开源的，可再现的，可以通过新颖的DA方法，数据集和模型选择标准轻松扩展，而无需重新评估竞争对手。Skada-Bench可在https://github.com/scikit-adaptation/skada-bench上在github上获得。
根据不同的生命周期步骤，电池对运输应用的环境影响
摘要本文实验研究了与最大基数匹配问题的实例相遇时，通过D波商业化的模拟量子计算机的行为，这些问题被专门设计为难以通过模拟退火而解决。我们在各种尺寸的情况下基准一个D-Wave“华盛顿”（2倍），具有1098个操作码头，并观察到，除了其中最琐碎的最小的所有情况外，它都无法获得最佳的解决方案。因此，我们的结果表明，量子退火至少在D-Wave设备中实现，与类似的退火相同的陷阱，因此提供了其他证据，表明存在多项式的问题，即这种机器无法有效地求解最佳性。此外，我们研究了Qubits互连拓扑的程度，以解释后一种实验结果。特别是我们提供的证据表明，这些拓扑的稀疏性会导致人为膨胀大小的QUBO问题，可以部分解释上述令人失望的观察结果。因此，本文暗示，要释放量子退火方法的潜力，必须使用密度的互连拓扑。
2024 年互连基准研究报告 – ...
© 特立尼达和多巴哥电信管理局 2025 保留所有权利。未经特立尼达和多巴哥电信管理局事先书面许可，不得以任何形式或任何手段复制或传播本出版物的任何部分，或将其存储在任何性质的检索系统中，但《版权法》第 82:80 章允许的合理使用或根据管理局就复印和/或复制而授予的任何许可除外。引用本出版物时必须完全注明作者和出处。本文件可引用为特立尼达和多巴哥电信管理局 (TATT 2024)。特立尼达和多巴哥电信行业 2024-2029 年互连基准研究报告 (2025 年 2 月)。巴拉塔里亚，特立尼达和多巴哥。
对大脑年龄模型的通用性进行基准测试
Amoroso , N.、la Rocca , M.、Bellantuono , L.、Deacono , D.、Fanizzi , A.、Lella , E.、Lombardi , A.、Maggipinto , T.、Monaco , A.、Tangaro , S. 和 Bellotti , R. (2019)。深度学习和多重网络用于精确模拟大脑年龄。衰老神经科学前沿，11，1 – 12。Bashyam，VM，Erus，J.，Doshi，M.，Nasrallah，M.，Truelove-Hill，M.，Srinivasan，D.，Mamourian，L.，Pomponio，R.，Fan，Y.，Launer，LJ，Masters，CL，Maruff，P.，Zhuo，C.，。Völzke，H.，Johnson，SC，Fripp，J.，Koutsouleris，N.，Satterthwaite，TD，...... Davatzikos，C.（2020 年）。基于深度脑网络和全球 14,468 名个体的生命周期脑年龄和疾病的 MRI 特征。 Brain，143，2312–2324。Brown，TT，Kuperman，JM，Chung，Y，Erhart，M，McCabe，C，Hagler，DJ，Jr，Venkatraman，VK，Akshoomoff，N，Amaral，DG，Bloss，CS，Casey，BJ，Chang，L，Ernst，TM，Frazier，JA，Gruen，JR，Kaufmann，WE，Kenet，T.，Kennedy，DN，Murray，SS，... Dale，AM（2012 年）。生物成熟度的神经解剖学评估。当代生物学, 22, 1693 – 1698。Butler, ER、Chen, A.、Ramadan, R.、le, TT、Ruparel, K.、Moore, TM、Satterthwaite, TD、Zhang, F.、Shou, H.、Gur, RC、Nichols, TE 和 Shinohara, RT (2021)。大脑年龄分析中的缺陷。人脑映射，42，4092 – 4101。http://dx.doi.org/10.1037/0033-2909.101.1.13 Casaletto, K. B., Umlauf, A., Beaumont, J., Gershon, R., Slotkin, J., Akshoomoff, N., & Heaton, R. (2015)。针对 NIH 工具箱认知电池英文版的人口统计学校正规范标准。国际神经心理学会杂志, 21, 378 – 391。Chen, C.-L.、Hsu, YC、Yang, LY、Tung, YH、Luo, WB、Liu, CM、Hwang, TJ、Hwu, HG 和 Isaac Tseng, WY (2020)。通过迁移学习对基于扩散磁共振成像的大脑年龄预测模型进行推广。神经影像，217，116831。
对同相听觉的实时算法进行基准测试...
摘要 — 在非快速眼动 (NREM) 睡眠期间对脑电图慢波 (SW) 进行听觉刺激，当其在 SW 的上行阶段进行时，已被证明可以改善认知功能。对于 SW 幅度较低的受试者，如老年人或患有帕金森病 (PD) 等神经退行性疾病的患者，SW 增强尤其可取。然而，现有的估计上行阶段的算法在低脑电图幅度和 SW 频率不恒定时存在相位精度较差的问题。我们介绍了两种用于在自主可穿戴设备上实时估计脑电图相位的新算法。这些算法基于锁相环 (PLL) 和首次基于相位声码器 (PV)。我们将这些相位跟踪算法与简单的幅度阈值方法进行了比较。优化后的算法在相位精度、估计 SW 幅度在 20 到 60 µV 之间以及 SW 频率高于 1 Hz 的相位的能力方面进行了基准测试，这些记录来自健康的老年人和 PD 患者。此外，这些算法在可穿戴设备上实现，并在模拟睡眠脑电图以及对 PD 患者的前瞻性记录过程中评估了计算效率和性能。所有三种算法都在 SW 上行阶段提供了 70% 以上的刺激触发。PV 在瞄准低幅度 SW 和频率高于 1 Hz 的 SW 时表现出最高能力。实时硬件测试表明，PV 和 PLL 对微控制器负载的影响都很小，而 PV 的效率比 PLL 低 4%。主动听觉刺激不会影响相位跟踪。这项工作表明，在低幅度 SW 人群中，也可以在家庭睡眠干预期间使用可穿戴设备提供相位精确的听觉刺激。