XiaoMi-AI文件搜索系统
World File Search SystemEncoders
R19 技术硕士十/十
高级数字系统设计 (PC – I) 单元 - I 处理器算法：二进制补码系统 - 算术运算；定点数系统；浮点数系统 - IEEE 754 格式，基本二进制代码。单元 - II 组合电路：CMOS 逻辑设计，组合电路的静态和动态分析，时序风险。功能块：解码器、编码器、三态设备、多路复用器、奇偶校验电路、比较器、加法器、减法器、进位超前加法器 - 时序分析。组合乘法器结构。单元 - III 序贯逻辑 - 锁存器和触发器，序贯逻辑电路 - 时序分析（建立和保持时间），状态机 - Mealy & Moore 机，分析，使用 D 触发器的 FSM 设计，FSM 优化和分区；同步器和亚稳态。 FSM 设计示例：自动售货机、交通信号灯控制器、洗衣机。单元 - IV 使用功能块进行子系统设计 (1) - 设计（包括时序分析）不同复杂程度的不同逻辑块，主要涉及组合电路：
triffid：提高第一响应者效率的自动机器人辅助
摘要 - 视觉变压器（VIT）在各种计算机视觉任务中都表现出最先进的性能，但是其高计算需求使其对于资源有限的边缘设备不切实际。本文介绍了Microvit，这是一种轻巧的视觉变压器体系结构，通过显着降低计算复杂性，同时保持高精度，从而优化了边缘设备。Microvit的核心是有效的单头注意（ESHA）机制，该机制利用组卷积减少特征冗余，并且仅处理一小部分通道，从而降低了自我注意力的负担。Microvit是使用多阶段元式构建结构设计的，堆叠了多个微型编码器以提高效率和性能。Imagenet-1k和可可数据集上的全面实验表明，微型电视可以达到竞争精度，同时显着改善了3。6×更快的推理速度和降低效率高40％的效率的速度比移动设备系列高40％，这使其适合在资源受限环境（例如移动设备和边缘设备）中部署。索引术语 - 分类，自我注意力，视觉跨前，边缘设备。
螺栓：fused窗口变压器用于fMRI时间序列分析
深度学习模型在分析高维功能MRI（fMRI）数据的分析方面已使性能飞跃。然而，许多以前的方法对各种时间尺度的上下文表示次优敏感。在这里，我们提出了螺栓，这是一种血氧级依赖性变压器模型，用于分析多变量fMRI时间序列。螺栓利用一系列具有新型融合窗户注意机制的变压器编码器。编码是在时间序列中的时间段窗口上执行的，以捕获本地表示。为了暂时整合信息，在每个窗口中的基本令牌和来自相邻窗口的边缘令牌之间计算跨窗口的注意力。逐渐从局部到全球表示，窗口重叠的程度以及在整个级联反应中的数量逐渐增加。最后，一种新型的跨窗口正规化用于整个时间序列的高级分类特征。大规模公共数据集的全面实验证明了螺栓对最新方法的出色性能。此外，解释性分析是为了确定有助于建模决策最大程度贡献的具有里程碑意义的时间点和区域，证实了文献中突出的神经科学发现。
使用AI反馈
等。，2023）。这些模型包括公开可用-042 Able LLM（Touvron等人，2023; Chiang等。，043 2023; Taori等。，2023）带有视觉编码器和044其他可学习参数（Hu等人，2022; 045 Liu等。，2023b; Li等。，2023a）。将LLMS 046适应视频方式，从而提高了他们的能力047解释视觉内容，它们都使用多模式049指令数据进行了Su-048 perved-048 perved-048（SFT）阶段（Luo等人（Luo等）（Luo等），2023; Muham-050 Mad Maaz和Khan，2023年； Li等。，2023b）。051然而，视频052和文本之间的多模式对齐面临着不足053的重大挑战053的体积和多模式指令质量 - 与仅文本数据相比，多模式指令-054调音数据；仅文本的055数据通常很丰富且多样化，而mul-056 timodal数据通常受到数量和057全面性的限制（Wei等人。，2021;刘等。，058
![arXiv:2409.09627v2 [cs.HC] 2024 年 9 月 19 日](/simg/g:\will\search\icon\source\c\c8e3f7a5d0004df336e46e4f53c7b5077e828ac6.webp)
arXiv:2409.09627v2 [cs.HC] 2024 年 9 月 19 日
摘要。运动想象 (MI) 分类是脑机接口 (BCI) 的关键。直到最近几年，已经提出了许多模型，从经典算法（如通用空间模式 (CSP)）到深度学习模型（如卷积神经网络 (CNN) 和 transformers）。然而，在有效提取脑电图 (EEG) 信号中固有的复杂时空信息方面，这些模型在通用性、语境性和可扩展性等方面表现出局限性。为了解决这些限制，我们引入了时空曼巴网络 (STMambaNet)，这是一种利用 Mamba 状态空间架构的创新模型，擅长处理具有线性可扩展性的扩展序列。通过结合空间和时间 Mamba 编码器，STMambaNet 可以有效捕捉空间和时间上的复杂动态，显著提高脑电图信号解码性能以进行 MI 分类。 BCI 竞赛 IV 2a 和 2b 数据集上的实验结果证明了 STMambaNet 优于现有模型，使其成为推进基于 MI 的 BCI 和改进现实世界 BCI 系统的有力工具。
![arxiv：2209.00915v3 [CS.CV] 2024年3月24日](/simg/g:\will\search\icon\source\c\c0761a6693346385fec35d9c2df34b28d9f3166c.webp)
arxiv：2209.00915v3 [CS.CV] 2024年3月24日
摘要。纵向成像能够捕获静态解剖结构和疾病进展的动态变化，并且患者特异性的病理学治疗更好。但是，检测糖尿病性视网膜病（DR）的常规方法很少利用纵向信息来改善DR分析。在这项工作中，我们研究了利用纵向性质的自我监督学习的好处，以诊断。我们比较了不同的纵向自我监督学习（LSSL）方法，以模拟疾病从纵向视网膜色眼底照片（CFP）进行疾病的进展，以使用一对连续考试来检测早期的DR严重性变化。实验是在有或没有那些经过训练的编码器（LSSL）的纵向DR筛选数据集上进行的，该数据集（LSSL）充当了持久的借口任务。Results achieve an AUC of 0.875 for the baseline (model trained from scratch) and an AUC of 0.96 (95% CI: 0.9593-0.9655 DeLong test) with a p-value < 2.2e-16 on early fusion using a simple ResNet alike architecture with frozen LSSL weights, suggesting that the LSSL latent space enables to encode the dynamic of DR progression.
增强DNA基础模型以解决掩盖效率低下
掩盖语言建模（MLM）作为预处理目标已在基因组序列建模中广泛采用。虽然审计的模型可以成功地作为各种下游任务的编码器，但在预处理和推理之间的分离转变会对性能产生不利影响，因为预处理的任务是映射[蒙版]对预测的标志，但是[mask]在下游应用程序中却没有[mask]。这意味着编码器不会优先考虑其非[蒙版]令牌的编码，而是在部署时间与MLM任务相关的工作，并在与MLM任务相关的工作中计算参数并计算。在这项工作中，我们根据掩盖的自动编码器框架提出了一个修改的编码器架构，旨在解决基于BERT的变压器中的这种低效率。我们从经验上表明，所产生的不匹配特别是在基因组管道中有害的，在基因组管道中，模型通常用于特征提取而无需微调。我们在Bioscan-5M数据集上评估了我们的方法，其中包含超过200万个独特的DNA条形码。与因果模型和通过MLM任务预测的因果模型和双向体系结构进行比较时，我们在封闭世界和开放世界分类任务中实现了可观的性能增长。
可扩展替代建模的多余残留神经过程
多保真替代建模旨在通过结合来自多个来源的数据来学习最高保真度的准确替代物。传统方法几乎不能扩展到高维数据。深度学习方法利用基于神经网络的编码器和解码器来提高可扩展性。这些方法在不包括相应的解码器参数的情况下共享跨保真度的编码表示。这阻碍了推理的表现，尤其是在分布外的sce-narios中，当最高的保真度数据具有限制性域覆盖范围时。为了解决这些限制，我们提出了多余的残差纽约过程（MFRNP），这是一种新型的多保真替代建模框架。mfrnp可以以最高的忠诚度为较低的保真度和地面真相的凝聚输出之间的残余模型。汇总将解码器引入分享步骤，并优化了较低的保真度解码器，以准确捕获前保和交叉信息。我们表明，MFRNP sigsig-在学习偏微分方程和现实世界中的建模任务方面表现出了最先进的表现。我们的代码在以下网址发布：github.com/rose-stl-lab/mfrnp。
Pignus -Padua Research Archive
在本文中，我们介绍了第一个综合IDS框架，该框架结合了效果效果 - 映射技术和级联模型，以解决上述问题。我们称我们提出的解决方案在工业互联网（Pignus）中提出的深度学习模型入侵检测。Pignus集成了自动编码器（AE），以选择最佳特征，并将级联反向后背传播神经网络（CFBPNN）进行分类和攻击检测。级联模型使用从初始层到输出层的互连链接，并确定正常和异常的行为模式并产生完美的分类。我们在五个流行的IIOT数据集上执行了一组实验：气管管道，储水箱，NSLKDD+，UNSW-NB15和X-IIOTID。我们将Pignus与最先进的模型进行了比较，从精度，假阳性比率（FPR），精度和召回率进行了比较。结果表明，Pignus提供的精度超过95％，平均比现有型号高25％。在其他参数中，Pignus显示出20％的FPR，10％的回忆10％，精度提高了10％。总的来说，Pignus证明了其效率为IIOTS的IDS解决方案。因此，Pignus是IIOTS的有效解决方案。
通过自我监督的对比预训练
摘要 - 机器人技术的快速发展的领域需要可以促进多种方式融合的方法。具体来说，在与有形对象进行交互时，有效地结合了视觉和触觉感觉数据是理解和导航物理世界的复杂动态的关键，从而使对不断变化的环境的响应更加细微和适应性。尽管如此，在合并这两种感官方式上的许多早期工作都依赖于使用人类标记的数据集的监督方法。本文介绍了MVITAC，这是一种新型方法，它利用对比度学习，以一种自我监督的方式整合视觉和触摸感。通过同时利用两种输入，MVITAC利用内部和模式间损失来学习表示表示，从而增强了材料的属性分类和更熟练的掌握预测。通过一系列实验，我们展示了我们方法的有效性及其优于现有的最先进的自我监督和监督技术。在评估我们的方法论时，我们专注于两个不同的任务：物质分类和掌握成功预测。我们的结果表明，MVITAC促进了改进的模态编码器的发展，从而产生了更强大的表示形式，如线性探测评估所证明的。https://sites.google.com/ view/mvitac/home