XiaoMi-AI文件搜索系统
World File Search SystemCoder
迈向多智能体对话式 AI
市场上商业化的对话代理 (CA) 数量不断增加，导致用户不得不学习和采用多个代理来完成任务。尽管之前的研究已经探索了在单个代理的设计中支持多个领域，但由于所需功能的操作空间太大，交互体验会受到影响。为了解决这些问题，我们引入了一项新任务 BBAI：黑盒代理集成，重点是大规模组合多个黑盒 CA 的功能。我们探索了两种技术：问题代理配对和问题响应配对，旨在解决此任务。利用这些技术，我们设计了 One For All (OFA)，这是一个可扩展的系统，它提供了一个统一的界面来与多个 CA 交互。此外，我们引入了 MARS：多代理响应选择，这是一种用于问题响应配对的新型编码器模型，可联合编码用户问题和代理响应对。我们证明 OFA 能够自动准确地集成一组跨越不同领域的商用 CA。具体来说，使用 MARS 编码器，我们在 BBAI 任务上实现了最高准确度，超越了强大的基线。
CCSDS 无损多光谱和高光谱卫星图像压缩标准的实施
本文介绍了符合空间数据系统咨询委员会 (CCSDS) 121.0-B-2 和 CCSDS 123.0-B-1 无损卫星图像压缩标准的两个知识产权 (IP) 核的建模、设计和实现。CCSDS 121.0-B-2 描述了一种基于 Rice 自适应编码的无损通用压缩器。CCSDS 123.0-B-1 标准描述了一种专为高效机载高光谱和多光谱图像压缩而设计的无损算法，它基于预测和基于熵的编码结构。后者提供了两种选项：样本自适应和块自适应编码器，对应于 CCSDS 121.0-B-2 算法。这些 IP 核被设计为独立的压缩器，但由于专用接口，它们可以轻松地以即插即用的方式组合在一起使用。此外，还提供了用于配置和外部存储器访问的标准接口。设计过程包括考虑几种不同的硬件架构，以便同时最大化吞吐量并优化机载资源的要求。这两个 IP 都符合标准中考虑的高可配置性。获得的 VHDL 代码完全独立于技术，因此可用于针对太空环境中感兴趣的任何现场可编程门阵列 (FPGA) 或 ASIC，旨在在卫星中高效执行压缩，尽管固有的
MetaRLEC：用于发现大脑有效连接的元强化学习
近年来，通过计算分析功能性磁共振成像（fMRI）数据来发现大脑有效连接（EC）网络在神经科学和神经成像领域引起了广泛关注。然而，由于数据采集和处理过程中受到多种因素的影响，fMRI数据通常表现出高噪声和有限的样本特征，从而导致当前方法的性能不佳。在本文中，我们提出了一种基于元强化学习的新型大脑有效连接发现方法，称为MetaR-LEC。该方法主要包含三个模块：参与者、评论家和元评论家。MetaRLEC首先采用编码器-解码器框架：编码器利用转换器将嘈杂的fMRI数据转换为状态嵌入，解码器采用双向LSTM从状态中发现大脑区域依赖关系并生成动作（EC网络）。然后，批评网络评估这些动作，激励参与者在高噪音环境中学习更高回报的动作。最后，元批评框架促进历史状态动作对的在线学习，整合动作值神经网络和补充训练损失，以增强模型对小样本 fMRI 数据的适应性。我们对模拟数据和现实世界数据进行了全面的实验，以证明我们提出的方法的有效性。
![arxiv：2404.08148v1 [CS.CL] 2024年4月11日](/simg/g:\will\search\icon\source\2\2a6fe29623c4e2bceacf62862efeb81e6a7d68ba.webp)
arxiv：2404.08148v1 [CS.CL] 2024年4月11日
蒸馏出明确的思想推理路径已成为提高各种任务中大语言模型（LLM）的推理能力的有效方法。但是，当解决对最先进模型构成重大挑战的复杂任务时，这种技术通常会努力产生有效的思想链，从而导致正确的答案。在这项工作中，我们提出了一种新颖的方法，通过利用其解释解决方案的能力来使LLM的推理能力蒸馏出来。我们将我们的方法应用于解决竞争级别的编程挑战。更具体地说，我们采用LLM来生成一组<问题，解决方案程序>对的解释，然后使用<问题，解释>对微调一个较小的语言模型，我们将其称为推理者，以学习算法的推理，可以为不可见的问题而引起“ how to sands do sange”“ how to sone do sands to node sange de sange de sange dece de sange dece deblese dey dece dey deceens corey of deceens corage''。我们的实验表明，从解释中学习使推理者能够更有效地指导编码人员的计划实施，从而使求解速率高于强大的对竞争级别编程问题的经过深思熟虑的基线。它还优于直接从<问题，解决方案程序>对学习的模型。我们以CodeContests格式策划了一个额外的测试集，其中包括246个在模型知识截止后发布的最新问题。
具有生成AI和语义通信的网络机器人技术面向任务的连接
摘要 - 机器人技术，高级通信网络和人工智能（AI）的融合具有通过完全自动化和智能运营来转变行业的希望。在这项工作中，我们为机器人介绍了一项新颖的共同工作框架，该框架将面向目标的语义通信（SEMCOM）统一使用在语义意识网络下的生成AI（Genai）代理。SEMCOM优先考虑机器人和网络之间有意义的信息的交换，从而减少了开销和延迟。同时，Genai-Agent利用生成的AI模型来解释高级任务指令，分配资源并适应网络和机器人环境中的动态变化。以新的自主性和智能级别的范围范式引起了这种代理驱动的范式，从而使网络机器人的复杂任务可用于最少的人类干预。我们通过多机器人异常检测用例模拟来验证我们的方法，其中机器人检测，压缩和传输相关信息进行分类。仿真结果证实，SEMCOM在保留关键语义细节的同时大大降低了数据流量，并且Genai-Agent确保了任务协调和网络适应。这种协同作用为现代工业环境提供了强大，高效且可扩展的解决方案。索引术语 - ai-native网络，生成AI代理，网络工作机器人技术，语义通信，变分自动编码器，工作流程
![arXiv:2207.08591v1 [cs.CV] 2022 年 7 月 18 日](/simg/g:\will\search\icon\source\e\e78b97f9e2142aae499def8d74af9305da87f046.webp)
arXiv:2207.08591v1 [cs.CV] 2022 年 7 月 18 日
从大脑活动中解码图像一直是一个挑战。由于深度学习的发展，有可用的工具来解决这个问题。解码图像旨在将神经脉冲序列映射到低级视觉特征和高级语义信息空间。最近，有一些从脉冲序列解码的研究，然而，这些研究较少关注神经科学的基础，很少有研究将感受野合并到视觉图像重建中。在本文中，我们提出了一种具有生物特性的深度学习神经网络架构，从脉冲序列重建视觉图像。据我们所知，我们首次实现了一种将感受野属性矩阵集成到损失函数中的方法。我们的模型是一个从神经脉冲序列到图像的端到端解码器。我们不仅将 Gabor 滤波器合并到用于生成图像的自动编码器中，还提出了具有感受野特性的损失函数。我们在两个数据集上评估了我们的解码器，这两个数据集包含猕猴初级视觉皮层神经脉冲和蝾螈视网膜神经节细胞 (RGC) 脉冲。我们的结果表明，我们的方法可以有效地结合感受野特征来重建图像，为基于神经信息的视觉重建提供了一种新方法。
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
传输保护系统异常的网络物理安全分析
输电系统中的组件，随着自动化的不断发展，正变得越来越数字化。这些数字系统容易受到漏洞/攻击，利用这些漏洞可能会对电网性能造成重大影响。控制中心报告的多个警报可能是由于保护系统中的故障（预期操作）或故障（异常/意外操作）造成的。通过相量测量单元 (PMU) 等传感器获得的态势感知和通过网络系统获取的数据为开发系统的持续网络物理监控提供了机会。请注意，控制中心不会连续报告继电器数据。本文介绍了一种基于网络物理数据分析的技术来监控输电保护系统并检测恶意活动。首先，使用长短期记忆 (LSTM) 对 PMU 数据进行持续监控以检测数据异常，包括坏数据或缺失数据。然后，使用半监督深度自动编码器模型，利用感兴趣的 PMU 数据进行故障诊断。在本研究中，通过操纵保护设备的设置/逻辑设计来建模网络异常，并使用基于岭回归的分类器和特征工程管道来检测网络异常。然后利用深度自动编码器模型和基于岭回归的分类器的结果进行详细调查，以找出观察的根本原因
用于自动编码器的可扩展变分量子电路 - ...
摘要 — 药物分子的从头设计被认为是一个耗时且昂贵的过程，并且计算方法已应用于药物发现流程的每个阶段。变分自动编码器是一种计算机辅助设计方法，它基于现有的分子数据集探索化学空间。量子机器学习已成为一种非典型学习方法，由于其强大的表达能力，可能会加速一些经典学习任务。然而，近期的量子计算机受到量子比特数量有限的困扰，这阻碍了高维空间中的表示学习。我们提出了一种可扩展的量子生成自动编码器（SQ-VAE），用于同时重建和采样药物分子，以及相应的原始变体（SQ-AE）以实现更好的重建。提出了混合量子经典网络中的架构策略，例如可调量子层深度、异构学习率和修补量子电路，以学习高维数据集，例如配体靶向药物。在选择合适的架构策略后，针对 8x8 和 32x32 等不同维度报告了大量实验结果。在所有实验中，将量子生成自动编码器的性能与相应的经典自动编码器进行了比较。结果表明，归一化的低维分子可以获得量子计算优势，并且量子生成自动编码器生成的高维分子在相同的学习期内具有更好的药物特性。索引术语 — 量子机器学习、变分自动编码器、药物发现
GeNNius：一种基于图神经网络的超快药物-靶标相互作用推理方法
药物-靶标相互作用 (DTI) 预测是药物再利用领域中一项相关但具有挑战性的任务。计算机模拟方法引起了特别的关注，因为它们可以降低传统方法的相关成本和时间投入。然而，当前最先进的方法存在几个局限性：现有的 DTI 预测方法在计算上成本高昂，从而阻碍了使用大型网络和利用可用数据集的能力，并且 DTI 预测方法对未见数据集的推广仍未探索，这可能会在准确性和稳健性方面改善 DTI 推断方法的开发过程。在这项工作中，我们介绍了 GE NN IUS（图嵌入神经网络相互作用发现系统），这是一种基于图神经网络 (GNN) 的方法，在各种数据集的准确性和时间效率方面均优于最先进的模型。我们还通过评估每个数据集中以前未知的 DTI 展示了其发现新相互作用的预测能力。我们通过在不同数据集上训练和测试 GE NN IUS 进一步评估了其泛化能力，结果表明该框架可以通过在大型数据集上训练并在较小的数据集上测试来潜在地改进 DTI 预测任务。最后，我们定性地研究了 GE NN IUS 生成的嵌入，发现 GNN 编码器在图卷积之后保留了生物信息，同时通过节点传播这些信息，最终在节点嵌入空间中区分蛋白质家族。