XiaoMi-AI文件搜索系统
World File Search SystemEncoders
学习大脑结构-功能耦合的相似性保留表征
摘要 网络神经科学的图形信号处理方面的进步为整合大脑结构和功能提供了一条独特的途径，目的是揭示大脑在系统层面的一些组织原则。在这个方向上，我们开发了一个监督图形表示学习框架，通过图形编码器-解码器系统对大脑结构连接 (SC) 和功能连接 (FC) 之间的关系进行建模。具体来说，我们提出了一种配备图形卷积编码器的暹罗网络架构，以学习图形（即主题）级嵌入，以保留大脑网络之间与应用相关的相似性度量。这样，我们有效地增加了训练样本的数量，并通过规定的目标图形级距离带来了灵活性，可以合并额外的先验信息。虽然有关大脑结构-功能耦合的信息是通过从 SC 重建大脑 FC 隐式提取的，但我们的模型还设法学习保留输入图之间相似性的表示。学习到的表示的卓越判别能力在包括主题分类和可视化在内的下游任务中得到了证明。总而言之，这项工作通过利用度量数据分析的标准工具，倡导利用学习到的图形级、相似性保留嵌入进行脑网络分析的前景。索引术语 Ð脑连接组学、图形表示学习、孪生网络、图形卷积网络。
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。
GenesysTM - TDK-Lambda 美洲
测试与测量上次设置内存简化了测试设计并且不需要备用电池。内置 RS-232/RS-485 可提供最大的系统灵活性以及 0-5V 和 0-10V 可选模拟编程。广泛的可用输出范围允许测试许多不同的设备。半导体加工设备设计师很欣赏宽范围输入 (85-265Vac) 和可根据应用选择的众多输出。可选安全和自动重启可保护负载和过程完整性。典型应用包括磁铁、灯丝和加热器。航空航天和卫星测试复杂系统使用完整的 Genesys™ 系列：1U 750W 半机架、1U 750W 或 1500W 全机架、2U 3.3kW 和 3U 10/15kW。前面板、后面板模拟和数字接口命令全部相同。各种各样的输出允许测试许多不同的设备。激光二极管 OVP 直接设置在电压显示屏上，确保准确的保护设置。电流限制折返确保负载免受电流浪涌的影响。加热器电源平滑、可靠的编码器具有可选的精细和粗略调整功能，增强了前面板控制。远程模拟编程是用户可选的 0-5V 或 0-10V，并且还提供可选的隔离编程/监控接口。射频放大器和磁铁坚固的设计确保在各种负载下稳定运行。电压和电流模式下的高线性度。
T40X3 面板安装轨迹球产品数据表
CTI 的面板安装 T40x3 系列工业轨迹球由专有的矿物填充滚珠、ABEC 7 屏蔽轴承、不锈钢轴、特氟隆环、铝制项圈、Delrin（或铝）外壳、光学编码器、金属编码器轮以及获得专利的红外 LED 老化补偿电路和固件组成。直径为 3.0 英寸（76 毫米）的滚珠具有均匀的密度和无与伦比的惯性矩，并且能够在 -40°C 至 +80°C 的工作温度范围内承受膨胀/收缩。屏蔽 ABEC 轴承和不锈钢轴可确保至少 100,000 小时的使用时间。带有可选减震材料的特氟隆环将确保移动应用中滚珠的平稳旋转和突破力变化。铝制安装环可使滚珠承受 6g 的冲击。最后，数字输出信号为 USB 鼠标协议或传统 PS/2、RS-232 Microsoft 串行鼠标或 RS-232 鼠标系统串行协议。标准编码器计数为每转 640 次，使用特殊 USB 固件可将其加倍或翻两倍，以实现高像素密度和/或大屏幕尺寸（即UHD 4k / 8k、2160p / 4320p）。CTI 密封机械瞬时开关提供鼠标左键、中键和右键功能。
GenesysTM - TDK-Lambda 美洲
测试与测量上次设置内存简化了测试设计并且不需要备用电池。内置 RS-232/RS-485 可提供最大的系统灵活性以及 0-5V 和 0-10V 可选模拟编程。广泛的可用输出范围允许测试许多不同的设备。半导体加工设备设计师很欣赏宽范围输入 (85-265Vac) 和可根据应用选择的众多输出。可选安全和自动重启可保护负载和过程完整性。典型应用包括磁铁、灯丝和加热器。航空航天和卫星测试复杂系统使用完整的 Genesys™ 系列：1U 750W 半机架、1U 750W 或 1500W 全机架、2U 3.3kW 和 3U 10/15kW。前面板、后面板模拟和数字接口命令全部相同。各种各样的输出允许测试许多不同的设备。激光二极管 OVP 直接设置在电压显示屏上，确保准确的保护设置。电流限制折返确保负载免受电流浪涌的影响。加热器电源平滑、可靠的编码器具有可选的精细和粗略调整功能，增强了前面板控制。远程模拟编程是用户可选的 0-5V 或 0-10V，并且还提供可选的隔离编程/监控接口。射频放大器和磁铁坚固的设计确保在各种负载下稳定运行。电压和电流模式下的高线性度。
Navformer：用于机器人目标的变压器体系结构 -
摘要 - 在未知的混乱和动态环境（例如灾难场景）中，移动机器人需要执行目标驱动导航才能找到感兴趣的人或对象，其中提供的有关这些目标的唯一信息是单个目标的图像。在本文中，我们介绍了Navformer，这是一种新颖的端到端变压器体系结构，为在未知和动态环境中为机器人目标驱动导航而开发。Navformer利用两者的优势1）变压器进行顺序数据处理和2）自我监督学习（SSL），以进行视觉表示，以推理空间布局并在动态设置中执行避免碰撞。该体系结构唯一地结合了由静态编码器组成的双视觉编码器，用于提取空间推理的不变环境特征，以及用于避免动态障碍物的一般编码器。主要的机器人导航任务分解为两个子任务以进行训练：单个机器人勘探和多机器人碰撞避免。我们执行交叉任务培训，以使学习技能转移到复杂的主要导航任务中。模拟实验表明，Navformer可以在不同的未知环境中有效浏览移动机器人，从而优于现有的最新方法。进行了全面的消融研究，以评估Navformer的主要设计选择的影响。此外，现实世界实验验证了Navformer的普遍性。索引术语 - 动态和未知环境，图像引导搜索，目标驱动机器人导航。
DAGAD：用于图形异常检测的数据增强
摘要 —本文的图异常检测旨在区分行为方式与占图结构实例大多数的良性节点不同的异常节点。图异常检测受到学术界和工业界越来越多的关注，然而，现有的该任务研究在从图数据中学习信息异常行为时仍然存在两个关键问题。一方面，异常通常很难捕捉，因为它们的异常行为很微妙，而且缺乏关于它们的背景知识，这导致了严重的异常样本稀缺。同时，现实世界图中的绝大多数对象都是正常的，这也带来了类别不平衡问题。为了弥补这一差距，本文设计了一种新的基于数据增强的图异常检测（DAGAD）框架，用于属性图，配备了三个专门设计的模块：1）使用图神经网络编码器学习表示的信息融合模块，2）使用生成的样本为训练集提供信息的图数据增强模块，3）不平衡定制学习模块，用于区分少数（异常）和多数（正常）类别的分布。在三个数据集上进行的一系列实验证明，DAGAD 在各种最常用的指标方面优于十种最先进的基线检测器，同时进行了广泛的消融研究，验证了我们提出的模块的强度。索引术语——异常检测、图挖掘、数据增强、异常样本稀缺性、类别不平衡、图神经网络、半监督学习
MLLMS的密集连接器-NIPS论文-Neurips 2024
我们是否充分利用多模式大语模型（MLLM）中视觉编码器的潜力？MLLM最近在多模式理解中的出色表现引起了学术界和行业的广泛关注。在当前的MLLM大鼠种族中，重点似乎主要是语言方面。我们目睹了较大和更高质量的指导数据集的兴起，以及大型LLM的参与。然而，很少关注的注意力指向MLLM使用的视觉信号，通常被认为是冷冻视觉编码器提取的最终高级特征。在本文中，我们介绍了密集的连接器 - 一种简单，有效且插件的视觉语言连接器，通过利用多层视觉特征来显着增强现有MLLM，并以最少的额外计算开销。在此基础上，我们还提出了有效的密集连接器，该连接器的性能与Llava-V1.5相当，只有25％的视觉令牌。此外，我们的模型仅在图像上进行了训练，还展示了视频理解中出色的零拍功能。各种视觉编码器，图像分辨率，训练数据集量表，不同尺寸的LLM（2.7b→70b）以及MLLM的不同架构（e。g。，llava-v1.5，llava-next和mini-gemini）验证了我们方法的多功能性和可扩展性，从而在19个图像和视频基准中实现了最先进的性能。我们希望这项工作将提供宝贵的经验，并成为未来MLLM开发的基本模块。代码可在https://github.com/hjyao00/denseconnector上找到。
重新思考图对比学习中的消息传递
图对比学习（GCL）在图表示学习中表现出了显著的功效。然而，先前的研究忽略了在使用图神经网络（GNN）作为节点级对比学习的编码器时出现的内在冲突。这种冲突属于图神经网络的特征聚合机制与对比学习的嵌入区分特性之间的部分不协调。理论上，为了研究冲突的位置和程度，我们从 InfoNCE 损失的梯度角度分析了消息传递的参与。与其他领域的对比学习不同，GCL 中的冲突是由于在消息传递的方式下，某些样本同时对正向和负向的梯度有贡献，这是相反的优化方向。为了进一步解决冲突问题，我们提出了一个称为 ReGCL 的实用框架，它利用 GCL 梯度的理论发现来有效地改进图对比学习。具体而言，在消息传递和损失函数方面设计了两种基于梯度的策略来缓解冲突。首先，提出了一种梯度引导结构学习方法，以获得适应对比学习原理的结构。其次，设计了一种梯度加权的 InfoNCE 损失函数来降低高概率假阴性样本的影响，特别是从图编码器的角度来看。大量实验证明了所提出的方法与各种节点分类基准中最先进的基线相比具有优越性。
Harald Altinger (作者) 汽车行业最先进的软件开发和适用性分析
在过去十年中，软件在汽车领域的重要性日益凸显。一辆现代高档汽车，例如 2015 款奥迪 A 4 [ 1 ]，可能配备多达 90 个电子控制单元 (ECU)、两个高分辨率显示器、两个用户识别模块 (SIM) 卡、11 个通信网络（控制器局域网 (CAN)、FlexRay、媒体导向系统传输 (MOST)）和多达六个天线系统（无线电、无钥匙进入/启动和退出系统 (K essy)、WiFi 等）确保汽车与各种基础设施之间的无线通信。从计算机科学家的角度来看，现代汽车是一个执行本地和分布式任务的嵌入式计算机异构网络。除了运输能力之外，客户还要求在现代汽车中提供最新的娱乐（包括音乐、视频或在线流媒体）和舒适度（气候控制、按摩座椅等）。各种功能，例如高级驾驶辅助系统 (ADAS)，都依赖于多个传感器之间的数据融合和各种 ECU 上的预先计算值。从简单的开关或旋转编码器到先进的全球定位系统 (GPS) 天线或雷达传感器，各种传感器将用于感知汽车环境或与驾驶员互动。实现创新的 ADAS，如自适应巡航控制 (ACC) 或矩阵前照灯，需要融合来自摄像头传感器和雷达传感器的预处理测量数据以及从道路交通数据库查找。这需要四个 ECU 来