XiaoMi-AI文件搜索系统
World File Search SystemGreedy
基于图书馆物流的Q学习的多进球机器人路径计划⋆
摘要：本文提出了一种解决诸如评估周（例如评估周）图书馆图书馆等高需求期间的书籍组织的解决方案。在这些期间，由于借贷，返回，收集和存储书籍，图书馆工作人员面临的工作量增加。在这种情况下，我们提出了一种基于Q-学习访问图书馆中战略要点的解决方案，以提高员工绩效。为了验证提出的方法，在模拟中提出的方法与基于Dijkstra算法的贪婪方法进行了比较。结果表明，所提出的方法在计划时间和回合数方面优于贪婪的dijkstra算法，转弯次数减少了20％，计划时间至少是速度的两倍。完成分配任务的成功率为100％，在拟议的情况下证明了系统的适用性。
未来通信研发计划（FCP）
•此外，使用平均召回作为度量，评估了模拟中提出的SEMCOM框架的性能。结果表明，该系统的执行几乎和前20个预测的原始模型一样。在不同的无线通道条件下测试了系统的性能。随着SNR的增加，系统的性能稳定增长，对于9 dB及以上的SNR稳定。评估了所提出的拍卖机制，并发现适应了不同数量的VSP，卖方和赢得VSP的平均公用设施一致。拟议的贪婪算法在平均卖方效用和平均获胜VSPS的效用方面优于随机算法。图像利用率始终超过50％。通过使用语义通信系统进行场景图传输，大大降低了图像传输的数据大小，从而提高了元元通信系统的效率。
量子计算机上的特征选择
摘要 在机器学习中，较少的特征会降低模型的复杂性。因此，仔细评估每个输入特征对模型质量的影响是至关重要的预处理步骤。我们提出了一种基于二次无约束二进制优化 (QUBO) 问题的新型特征选择算法，该算法允许根据特征的重要性和冗余度选择指定数量的特征。与迭代或贪婪方法相比，我们的直接方法可以产生更高质量的解决方案。QUBO 问题特别有趣，因为它们可以在量子硬件上解决。为了评估我们提出的算法，我们使用经典计算机、量子门计算机和量子退火器进行了一系列数值实验。我们的评估将我们的方法与各种基准数据集上的一系列标准方法进行了比较。我们观察到了具有竞争力的表现。
利用量子虚时间演化求解 MAXCUT
我们介绍了一种基于量子虚时间演化 (QITE) 高效解决 MaxCut 问题的方法。我们采用线性 Ansatz 进行幺正更新和不涉及纠缠的初始状态，以及在给定图和切除两个边的子图之间插值的虚时间相关哈密顿量。我们将该方法应用于数千个随机选择的图，最多有 50 个顶点。我们表明，对于所有考虑的图，我们的算法表现出 93% 及以上的性能，收敛到 MaxCut 问题的最大解。我们的结果与经典算法（例如贪婪算法和 Goemans-Williamson 算法）的性能相比毫不逊色。我们还讨论了 QITE 算法的最终状态与基态的重叠作为性能指标，这是其他经典算法所不具备的量子特征。
CSC 320计算机算法学时
黑板：所有与课程相关的作业和材料都将在黑板上提供。公告将发布在黑板上。学生必须有一个工作的CUNY门户帐户才能接收与课程相关的信息描述：本课程是算法设计和分析的介绍性本科课程。本课程的目标是引入基本基本算法设计技术，从理论和实用的角度来看，这些技术都很有趣。我们将介绍基本的算法设计技术，例如划分和争议，动态编程和贪婪的技术。我们将介绍算法正确性的证明，以及通过复发方程解决方案解决算法时间界限的渐近分析。一些特定算法主题包括：确定性和随机排序和搜索算法，深度和广度的第一个搜索图算法，用于查找路径和
MeiraGTx 的 AI 驱动启动子优化
合成了具有最高预测效力的构建体并在 HEK293T 细胞中进行了测试。第一代的结果表明，大多数增强子+启动子构建体的性能与母体 C6 启动子一样好或更好。特别是，构建体 C120 和 C124 分别表现出约 30% 和约 40% 的提高效力。同样，一些点突变导致性能提高 10% 到 30%。超突变构建体（采用迭代或贪婪方法）破坏了 HEK293T 细胞中的启动子活性。根据第一代的结果，我们合理地设计了一组新的构建体，这些构建体基于体外表达最高的构建体的组合。第二代在 HEK293T 细胞中进行了测试，所有构建体都表现出比亲本 C6 更高的表达。特别是，与原始 C6 构建体相比，构建体 C187 达到了约 2 倍的改善。
大型语言模型的结构化最优脑修剪
海量的参数和计算需求阻碍了大型语言模型 (LLM) 的广泛应用。网络剪枝为该问题提供了一个实用的解决方案。然而，现有的 LLM 剪枝工作主要集中于非结构化剪枝或需要剪枝后微调。前者依靠特殊硬件来加速计算，而后者可能需要大量的计算资源。在本文中，我们介绍了一种无需再训练的结构化剪枝方法，称为 SoBP ( S structured O ptimal Brain P runing)。它利用全局一阶信息来选择剪枝结构，然后用局部贪婪方法对其进行细化，最后采用模块重构来减少信息丢失。我们在 8 个不同的数据集上对来自 3 个 LLM 系列的 14 个模型的有效性进行了评估。实验结果表明 SoBP 优于当前最先进的方法。
在线多机器人覆盖路径在动态环境中通过信息素的增强学习
摘要 - 两种有希望的覆盖路径计划方法是基于奖励和基于信息素的方法。基于奖励的方法允许自动学习启发式方法，通常会产生优于手工制作的规则。另一方面，基于信息素的方法在放置在不熟悉的环境中时始终显示出卓越的概括和适应能力。为了获得两全其美的最好，我们引入了贪婪的熵最大化（GEM），这是一种混合方法，旨在最大程度地提高一群像均质蚂蚁的代理商沉积的信息素的熵。我们首先在可实现的熵上建立一个尖锐的上限，并表明这对应于最佳的动态覆盖路径计划。接下来，我们证明，尽管剥夺了基本必需品，例如记忆和明确的交流，但GEM仍在紧密接近这一上限。最后，我们表明，宝石可以在恒定时间内异步执行，从而使其随意扩展。
使用状态抽象来计算 AI 代理行为的个性化对比解释
人工智能研究界对开发能够向用户解释其行为的自主系统的兴趣日益浓厚。然而，为不同专业水平的用户计算解释的问题却很少受到研究关注。我们提出了一种解决这个问题的方法，即将用户对任务的理解表示为规划器使用的领域模型的抽象。我们提出了在不知道这种抽象人类模型的情况下生成最小解释的算法。我们将生成解释的问题简化为对抽象模型空间的搜索，并表明虽然整个问题是 NP 难的，但贪婪算法可以提供最佳解决方案的良好近似值。我们通过经验表明，我们的方法可以有效地计算各种问题的解释，并进行用户研究以测试状态抽象在解释中的效用。
