XiaoMi-AI文件搜索系统
World File Search SystemDee
欧洲深度科技报告
多个方面正在加速取得重大突破 在我们的 2021 年报告中，我们强调了欧洲深度科技的巨大潜力。事实上，欧洲深度科技度过了最好的一年，获得了超过 220 亿美元的融资，并获得了数十亿美元的退出。从那时起，我们还看到量子计算（第一个 100+ 量子比特处理器和硅基设备中近乎无误差的量子计算得到验证）、核聚变（产生的能量几乎是记录的三倍）、空间技术（Starlink 为乌克兰提供互联网覆盖、詹姆斯韦伯太空望远镜、新的登月任务）、生成性人工智能（Dall-E 转向商业用途、稳定扩散文本到图像生成性人工智能发布、ChatGPT 在 5 天内覆盖 100 万用户）等关键领域取得了巨大突破等等。
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
cmput 628：深钢筋学习
重新评估期中考试：学生将在考试期间访问他们的期中考试。担心如何在中期考试中有特定问题的学生可以在接受标记考试之日的两个星期内通过电子邮件向教练提交请求。请求应指定要重新评估哪个问题，（2）该请求的基本原理，以及（3）提出的标记。重要的是，一旦提交了重新评估请求，就可以根据教师的酌处权来调整标记。不允许学生与他们一起参加期中考试，也不可以为他们拍照，因此，如果令人担忧，建议学生在考试期间做笔记。TA无权在中期考试中进行权衡，这是教练只能做的事情。一旦重新评估问题，也可以注意标记。
sangea：可扩展和归因网络生成
深层生成模型（DGM）是用于学习数据表示的多功能工具，同时合并了域知识，例如条件概率分布的规范。最近提出的DGMS解决了比较来自不同来源的数据集的重要任务。这样的示例是对比分析的设置，该分析的重点是描述与背景数据集相比富含目标数据集中的模式。这些模型的实际部署通常假定DGM自然推断出可解释的和模块化的潜在表示，这在实践中是一个问题。因此，现有方法通常依赖于临时正规化方案，尽管没有任何理论基础。在这里，我们通过扩展非线性独立组件分析领域的最新进展，提出了对比较DGM的可识别性理论。我们表明，尽管这些模型在一般的混合功能上缺乏可识别性，但当混合函数在零件上时，它们令人惊讶地变得可识别（例如，由Relu神经网络参数化）。我们还研究了模型错误指定的影响，并从经验上表明，当未提前知道潜在变量的数量时，以前提出的用于拟合比较DGM的正则化技术有助于识别性。最后，我们引入了一种新的方法，用于拟合比较DGM，该方法通过多目标优化改善了多个数据源的处理，并有助于使用约束优化以可解释的方式调整正规化的超参数。我们使用模拟数据以及通过单细胞RNA测序构建的细胞中的遗传扰动数据集以及最新的数据集验证了我们的理论和新方法。关键字：非线性ICA；深层生成模型；变分推断；解开；
深共熔溶剂用于检测和提取神经递质：生物医学应用的新兴范例
摘要：神经递质 (NT) 是人类大脑正常运作所必需的化学信使，在人体生理系统中具有特定的浓度。其浓度的任何波动都可能导致多种神经元疾病和障碍。因此，对快速有效的诊断以调节和管理人类大脑疾病或状况的需求正在迅速增加。NT 可以从天然产物中提取。研究人员已经开发出新的协议来提高传感器的传感能力和环保性。深共晶溶剂 (DES) 已成为可持续化学中广受欢迎的“绿色溶剂”。DES 提供了更大的电位窗口范围，有助于增强传感器的电催化性能，并且具有更高的惰性，有助于电极的腐蚀保护，最终为系统提供更好的灵敏度和耐用性。此外，DES 可在工作电极上轻松电沉积不同的材料，这是电催化传感器的主要先决条件。本文首次详细描述了 DES 作为绿色溶剂在检测和提取 NT 中的应用。我们涵盖了截至 2022 年 12 月有关 NT 提取和监测的在线文章。最后，我们总结了该主题并展望了该领域的未来。
通过逐层优化脑外科医生学习修剪深度神经网络
如何开发精简而准确的深度神经网络对于实际应用至关重要，尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果，但是大多数现有方法要么无法显著压缩训练有素的深度网络，要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中，我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中，每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明，修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差，只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验，以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在：https://github.com/csyhhu/L-OBS 。
Deep Video Compression的任务意识编码器控制
对机器任务的深视频压缩（DVC）的事先研究通常需要为每个特定任务培训一个独特的编解码器，从而规定每个任务的专用解码器。相比之下，传统视频编解码器采用了flex ible编码器控制器，从而通过模式预测等机制使Single编解码器适应了不同的任务。从中汲取灵感，我们引入了一个创新的编码器控制器，以用于机器的深度视频压缩。此控制器具有模式预测和一组图片（GOP）选择模块。我们的AP-ARACH在编码阶段集中控制控制，从而允许跨不同任务（例如检测和跟踪）进行适应性的编码器调整，同时与标准的预训练的DVC解码器保持合理性。示例证明我们的方法是在具有各种现有预训练的DVC的多个任务中适用的。此外，广泛的实验表明，对于不同的任务，我们的方法比以前的DVC比以前的DVC大约25％，只有一个预先训练的解码器。
高级规则 #1 策略课程网络研讨会 #1 – 深入探索
Phil Town、Rule #1 Investing, Inc. 或其子公司，以及其各自的任何管理人员、雇员、代表、代理或独立承包人均不是持牌金融顾问、注册投资顾问或注册经纪交易商。他们既不提供投资或金融建议，也不提出投资推荐，也不从事交易业务。个人交易示例仅用于教育和演示目的。它们不代表任何账户中的任何头寸或持续回报，也不代表对未来收益的预期。演讲者和培训师可能有其他积极或消极的立场。Rule #1 Investing, Inc. 或其任何关联方提供的信息或意见均不构成购买或出售任何证券、期货、期权或其他金融工具的邀请或要约。
与计算机视觉的深度学习
深度学习和神经网络：多层感知器：多层感知器体系结构，什么是隐藏的层？每一层中有多少层和多少个节点？激活函数：线性传输函数，重型阶跃功能（二进制分类器），sigmoid/logistic函数，软马克斯函数，双曲线切线函数（TANH），整流的线性单元，泄漏的relu。前馈过程：前馈计算，特征学习。错误函数：错误函数是什么？，为什么我们需要一个错误函数？错误总是正面的，均为正方形错误。跨凝性，关于错误和权重优化算法的最终说明：什么是优化？，批处理梯度下降，随机梯度下降，微型批次梯度下降，梯度下降点击。反向传播：什么是反向传播？，反向传播外卖。
