XiaoMi-AI文件搜索系统
World File Search SystemInference
具有代数约束的概率推断-Zhe Zeng
加权模型集成（WMI）是在混合域中对混合域进行高级概率推断的框架，即在混合连续二散的随机变量上以及存在复杂的逻辑和算术约束的情况下。在这项工作中，我们在理论和算法方面都推进了WMI框架。首先，我们根据WMI问题的依赖关系结构的两个关键特性来追踪WMI推断的障碍性边界：稀疏性和直径。我们证明，当该结构是用对数直径树形的，精确的推断才是有效的。尽管这结果加深了我们对WMI的理论理解，但它阻碍了确切的WMI求解器对大问题的实际适用性。为了克服这一点，我们提出了第一个近似WMI求解器，该求解器不诉诸采样，但对近似模型进行了精确的推断。我们的解决方案迭代执行通过放松的问题结构传递的消息，以恢复丢失的依赖关系。正如我们的实验表明的那样，它会扩展到无法确切的WMI求解器到达的问题，同时提供准确的近似值。
公司责任报告AI的破坏正在推动开发推理的创新
能够通过预测用户需求并主动执行设备和应用程序中的复杂工作流程来决策和任务管理。高通技术强调实时AI处理，使这些代理在设备中连续，安全地运行，同时依靠个人知识图，这些图表准确地定义了用户的偏好和需求，而无需任何云依赖性。随着时间的流逝，这些进步为AI奠定了基础，以自然语言和图像，基于视频和手势的互动简化了人们如何与技术互动。展望未来，高通技术也是体现AI时代的定位，其中AI功能被整合到机器人技术中。通过利用其在推理优化方面的专业知识，高通技术旨在为机器人，无人机和其他自主设备提供实时决策，从而在动态，真实世界的环境中进行精确的交互。
用于可扩展模型推理的统一神经数据接口
随着最近高通量多通道神经生理学和神经成像技术产生的神经数据的复杂性和数量级不断增加，数据存储和处理的标准化是促进神经科学可重复性和协作的重要因素。尽管“无边界神经数据”计划等项目在神经科学数据标准化方面取得了长足进步，但仍存在一些悬而未决的挑战：（1）鉴于元信息的组合数量不断增加，高效存储和快速检索之间的矛盾越来越难以调和；（2）单细胞和多通道技术的空间和时间分辨率的高维性阻碍了本地机器和硬盘上可行的分析流程；（3）分析流程正在采用深度学习等资源密集型模型，这会带来额外的带宽和计算限制。在认知神经科学中尤其如此，其中神经反应的记录通常伴随着高维刺激输入、分层元信息和用于神经生物学推断的精细认知模型架构。在这项工作中，我们提出了一种解决所有三个挑战的新数据格式，并提供了一个名为 Xneuro 的开源 Python 工具箱，作为统一的神经数据接口，以促进可扩展的数据导入、标准化、搜索和检索。我们在几个高通量数据集上对 Xneuro 进行了基准测试，这些数据集以不同的方式在各种刺激类型和行为任务下收集，而传统的分析管道很难整理这些数据集。我们通过以快速且可扩展的方式将这些数据集与一系列认知模型进行比较，证明了我们框架的有效性和可扩展性，这是首次可以执行这种规模的神经模型推理。
贝叶斯网络：推理 - CS 383：人工智能
▪ 因果链 A → B → C，其中 B 不可观察（任一方向） ▪ 共同原因 A ← B → C，其中 B 不可观察 ▪ 共同结果（又称 v 结构） A → B ← C，其中 B 或其后代之一可观察到
Qualcomm Cloud AI 100 MLPerf™ 推理基准测试
凭借性能密度和每瓦性能方面的业界领先进步，Qualcomm Cloud AI 100 平台在最新基准测试的所有评分卡中均处于领先地位。
定时偏序推理算法 - AAAI 出版物
在本文中，我们提出了定时偏序 (TPO) 模型来指定工作流程安排，尤其是用于对制造流程进行建模。TPO 集成了工作流程中事件的偏序，指定“先发生”关系，并使用时钟上的保护和重置指定时间约束——这是从定时自动机规范中借鉴的想法。TPO 自然使我们能够捕获事件顺序以及一类受限制但有用的时间关系。接下来，我们考虑从工作流程日志中挖掘 TPO 安排的问题，其中包括事件及其时间戳。我们展示了制定 TPO 和图着色问题之间的关系，并提出了一种具有正确性保证的 TPO 学习算法。我们在合成数据集上展示了我们的方法，其中包括两个受飞机调头的实际应用启发的数据集和 Overcooked 电脑游戏的游戏视频。我们的 TPO 挖掘算法可以在几秒钟内从数千个数据点推断出涉及数百个事件的 TPO。我们表明，由此产生的 TPO 为工作流的依赖关系和时间约束提供了有用的见解。
ADELIA Gen2 模拟深度学习推理加速器
能源效率：与传统数字加速器相比，ADELIA 的模拟数字架构可将功耗降低高达 90%。这使其成为电池供电设备的理想选择。超低延迟：ADELIA 的高速处理能力支持需要快速响应的实时应用。这对于实时分析等任务至关重要。软件工具链：ADELIA 配备了强大的软件开发工具包，可简化神经网络的优化和部署。多功能性：ADELIA 用途广泛，可用于各种 AI 应用，包括图像和语音识别、自然语言处理和医疗诊断。易于实现对客户要求的适应。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
用于 NMR 模型推断的量子近似贝叶斯计算
过去几年中，量子技术面临的核心挑战之一是寻找近期量子机器的有用应用 1 。尽管在增加量子比特数量和提高其质量 2、3 方面已经取得了长足的进步，但在不久的将来，我们预计可靠门的数量将受到噪声和退相干的限制——即所谓的嘈杂中尺度量子时代。因此，提出了混合量子-经典方法，以充分利用现有的量子硬件并用经典计算对其进行补充。最值得注意的是，量子近似优化算法（QAOA） 4 和变分量子特征求解器（VQE） 5 的发展。这两种算法都使用量子计算机来准备变分状态，其中一些变分状态可能无法通过经典计算获得，但使用经典计算机来更新变分参数。已经进行了大量实验，证明了这些算法的可行性 6 – 8 ，但它们对现实问题的影响仍不清楚。在基于模型的统计推断中，人们经常面临类似的问题。对于简单模型，可以找到似然值并使其最大化，但对于复杂模型，似然值通常是难以处理的 9,10。NMR 波谱就是一个很好的例子。对于应该使用的模型类型有很好的理解（公式 (1)），人们只需要确定适当的参数。然而，计算特定模型的 NMR 波谱需要在指数级大的希尔伯特空间中执行计算，这对经典计算机来说极具挑战性。这一特性是提出将 NMR 作为量子计算平台的最初动机之一。尽管已经证明 NMR 实验中不存在纠缠 12,13，但强相关性使其在经典上难以处理；也就是说，算子 Schmidt 秩呈指数增长，例如，这禁止有效的表示