XiaoMi-AI文件搜索系统
World File Search SystemInference
向后变异推理中的添加平滑误差...
我们使用变量推断考虑一般状态空间模型中的状态估计问题。对于使用与实际关节平滑分布相同的向后分解位置定义的通用变异家族，我们在混合假设下确定了加性状态函数期望的变化近似值会导致误差在观测值数量上最线性地增长。此保证与已知的上限一致，用于使用标准的蒙特卡洛方法近似平滑分布。我们用基于向后参数化和使用前向分解的替代方案来说明我们的理论结果。这项数值研究提出了基于状态空间模型中神经网络的变异推理的指南。关键字：变化推理，状态空间模型，平滑，向后分解，状态推理
单Qubit Maxwell Demon
虽然量子测量理论是围绕密度矩阵和可观察到的，但热力学定律却基于热发动机和冰箱中使用的过程。量子热力学的研究融合了这两个不同的范式。在本文中，我们重点介绍了量子过程矩阵作为一种统一的语言，用于描述量子制度中的热力学过程。我们在量子Maxwells恶魔的背景下实验证明了这一点，其中通常研究了两个大量数量。平均工作提取⟨w⟩和效率γ，该γ衡量了反馈操作如何使用所获得的信息。使用量子过程矩阵的工具，我们为这两个数量开发了最佳反馈协议，并在超导电路QED设置中实验研究它们。
统计推断中的多项式方法：理论和实践
本调查提供了基于多项式理论的一系列技术的阐述，共同称为多项式方法，这些方法最近已应用于成功解决统计推断中的几个具有挑战性的问题。主题包括多项式近似，多项式插值和多数化，力矩空间和正值多项式，正交多项式和高siAN正交正交正交正交，其主要概率和统计应用在大型域和学习混合模型上的性质估计中。这些技术不仅为具有可证明最佳性的高度实用算法的设计提供了有用的工具，而且还用于通过瞬间匹配的方法来建立推理问题的基本限制。在诸如熵和支撑大小估计，不同的元素问题和学习高斯混合模型等具体问题中证明了多名方法的效果。
用于极边缘 DNN 推理的混合精度 RISC-V 处理器
摘要 — 低位宽量化神经网络 (QNN) 通过减少内存占用，支持在受限设备（如微控制器 (MCU)）上部署复杂的机器学习模型。细粒度非对称量化（即，在张量基础上为权重和激活分配不同的位宽）是一种特别有趣的方案，可以在严格的内存约束下最大限度地提高准确性 [1]。然而，SoA 微处理器缺乏对子字节指令集架构 (ISA) 的支持，这使得很难在嵌入式 MCU 中充分利用这种极端量化范式。对子字节和非对称 QNN 的支持需要许多精度格式和大量的操作码空间。在这项工作中，我们使用基于状态的 SIMD 指令来解决这个问题：不是显式编码精度，而是在核心状态寄存器中动态设置每个操作数的精度。我们提出了一种基于开源 RI5CY 核心的新型 RISC-V ISA 核心 MPIC（混合精度推理核心）。我们的方法能够完全支持混合精度 QNN 推理，具有 292 种不同的操作数组合，精度为 16 位、8 位、4 位和 2 位，而无需添加任何额外的操作码或增加解码阶段的复杂性。我们的结果表明，与 RI5CY 上的基于软件的混合精度相比，MPIC 将性能和能效提高了 1.1-4.9 倍；与市售的 Cortex-M4 和 M7 微控制器相比，它的性能提高了 3.6-11.7 倍，效率提高了 41-155 倍。索引术语 —PULP 平台、嵌入式系统、深度神经网络、混合精度、微控制器
闭环实时深度网络推理平台……
† 同等贡献。*1760 Haygood Dr NE，亚特兰大，佐治亚州，美国。电子邮件：chethan [at] gatech.edu。简介：闭环实验是脑机接口 (BCI) 研究的关键组成部分。人工神经网络 (ANN) 是用于建模和解码神经活动的最先进的工具，但将其部署到闭环实验中却具有挑战性。研究人员需要一个框架，该框架既支持用于运行 ANN 的高级编程语言（例如 Python 和 Julia），又支持对低延迟数据采集和处理至关重要的语言（例如 C 和 C++）。为了满足这些需求，我们推出了 BRAND 实时异步神经解码系统 (BRAND)。材料、方法和结果：BRAND 可以在几乎任何标准 Linux 计算机上运行，并且由称为节点的进程组成，它们通过图中的数据流相互通信。BRAND 支持微秒精度的可靠实时执行，使其成为闭环神经科学和神经工程应用的理想平台。 BRAND 使用 Redis [1] 在节点之间发送数据，从而实现快速的进程间通信 (IPC)、对 54 种编程语言的支持以及跨多台计算机的分布式处理。开发人员只需进行极少的实施更改，即可在 BRAND 中无缝部署现有的 ANN 模型。在初步测试中，BRAND 在发送大量数据（1024 个通道的 30 kHz 模拟神经数据，以 1 毫秒的块为单位）时实现了快速的 IPC 延迟（<500 微秒）。BCI 控制通过一个图表进行测试，该图表通过以太网接收 30 kHz 微电极阵列电压记录，过滤和阈值化输入以获取尖峰，将尖峰分成 10 毫秒的箱体，应用解码模型，并更新光标在显示屏上的位置。在系统的初步演示中，BrainGate2 临床试验 (NCT00912041) 的参与者 T11 在径向 8 中心向外光标控制任务中实现了 2.84 ± 0.83 秒（53 次试验）的目标获取时间，其中 30 kHz 信号处理、线性解码、任务控制和图形均在 BRAND 中执行。未来的实验将结合 ANN；为了对 ANN 延迟进行基准测试，我们运行了基于 PyTorch 的循环神经网络解码器（10 个隐藏单元、30 个箱输入序列）并测量了延迟（N = 30,000 个数据包）。对于此配置，从信号输入到解码器预测的端到端延迟始终小于 2 毫秒（图 1）。我们还验证了 BRAND 可以实时运行两种流行的神经群体动态模型——通过动态系统进行潜在因子分析 (LFADS) [2] 和神经数据转换器 (NDT) [3]，使用其原始的 Tensorflow 和 PyTorch 实现，每 10 毫秒箱（256 通道数据）的延迟低于 6 毫秒。讨论：BRAND 支持低延迟 ANN 推理，同时提供与闭环 BCI 研究所需的数据采集、信号处理和任务代码的无缝集成。意义：BRAND 凭借其模块化设计和广泛的语言支持，简化了将计算模型从离线分析转换为闭环实验的过程，利用 ANN 的强大功能来改善多种环境下的 BCI 控制。致谢：这项工作得到了埃默里神经调节和技术创新中心 (ENTICe)、NSF NCS 1835364、DARPA PA-18-02-04-INI-FP-021、NIH Eunice Kennedy Shriver NICHD K12HD073945、NIH-NINDS/OD DP2NS127291、阿尔弗雷德 P.斯隆基金会、Burroughs Wellcome 基金会、作为西蒙斯-埃默里国际运动控制 (CP) 联盟一部分的西蒙斯基金会、NIH NINDS NS053603、NS074044 (LEM)、NIH NIBIB T32EB025816 (YHA)、NIH-NIDCD U01DC017844 和退伍军人事务部康复研究与发展服务 A2295R (LRH) 的支持。参考文献：[1] Redis https://redis.io/ 。[2] Pandarinath 等人，2018 年，Nat Methods doi：10.1038/s41592-018-0109-9。[3] Ye 和 Pandarinath，2021 年，神经元行为数据分析理论 doi：10.1101/2021.01.16。42695。
使用主动推理的赋值学习模型
1简介代理是控制其在环境中的行动和事件的行动。代理是指控制自己的行为，并利用这种感觉控制自己或环境中的事件[1]，[2]。构成学习是跟踪和形成与一个人的代理程度的相关信念[3]的过程。对控制代理（自我和他人）在其环境中的持续注册（自我和他人）促进了个人和团体级别目标指导的行为[4]。而不是二进制概念，代理程度是指代理必须生成或防止事件发生的控制数量。纯粹基于客观经验时，可以将代理商正式作为统计关系或偶然性在代理人产生的动作及其后果/结果（离散变量）之间形式化，每个人都具有存在或不存在的二分法状态。偶然性和相关性在从-1到+1的范围内变化不等：积极的偶然性是在一个动作预测结果时（例如，按下按钮并打开灯），负面的偶然性是指在没有结果的情况下表明没有结果的情况（例如，按按钮关闭或不在范围的情况下），或者不在偏离时，或者不存在偏置的情况。按钮的按下对灯没有影响）。一项广泛用于评估行动结果应急学习的实验任务涉及参与者可以自由执行的动作（所谓的
基于概率波动的会员推理攻击
摘要 - 富含广泛和流动的培训数据，生成模型在多个领域表现出了非凡的创造力。尽管如此，如何避免滥用对隐私敏感和版权的数据仍然是一个开放的问题。会员推理攻击（MIAS）通过推断可疑数据记录是机器学习模型的培训数据的一部分，从而提供了潜在的补救措施。尽管针对常规分类模型的MIA已引起了很大的关注，但最近的研究已开始研究MIA在生成模型中的应用。我们的研究表明，针对生成模型量身定制的当前MIA严重依赖于目标模型中存在的过度拟合。但是，可以通过应用各种正则化技术来缓解过度拟合，从而导致现有MIA在实际情况下的表现不佳。与过度拟合相比，记忆在使深度学习模型实现最佳性能中起着至关重要的作用，从而使其变得更加普遍。在生成模型中，记忆表现为围绕成员记录的记录的概率分布的上升趋势。因此，我们提出了一种评估成员推理攻击（PFAMI）的概率波动，这是一种新型的MIA框架，旨在通过分析围绕特定记录的概率波动来识别记忆模式来推断成员资格。我们的代码和数据集可在以下链接1中找到。我们对各种生成模型和多个数据集进行了广泛的实验，这表明PFAMI与表现最好的基线相比，PFAMI将攻击成功率（ASR）提高了约27.9％。
单位主题：__定量数据的定量：emane
HSS.ID.A.1表示具有实际数字行（点图，直方图和盒子图）上的图的数据。HSS.ID.A.2使用适合数据分布形状的统计信息，以比较两个或更多不同的数据集的中心（中位，平均值）和差异（四分之一间范围，标准偏差）。HSS.ID.A.3解释在数据集的背景下形状，中心和传播的差异，这考虑了极端数据点（离群值）的可能影响。HSS.ID.B.5以两种方式汇总两个类别的分类数据。在数据上下文（包括关节，边际和条件相对频率）中解释相对频率。认识到数据中可能的关联和趋势。HSS.ID.B.6表示散点图上两个定量变量的数据，并描述变量如何相关。HSS.IC.A.1将统计数据理解为基于该人群的随机样本来推断人口参数的过程。HSS.IC.A.2决定指定的模型是否与给定数据生成过程（例如使用仿真）的结果一致。例如，一个模型说旋转硬币以0.5的概率向上掉下来。连续5个尾巴的结果会导致您质疑该模型吗？HSS.IC.B.3认识到样本调查，实验和观察性研究之间的目的和差异；说明随机化与每个关系的关系。HSS.IC.B.4使用样本调查中的数据来估计人口均值或比例；通过使用仿真模型进行随机采样来开发误差范围。HSS.IC.B.5使用随机实验中的数据比较两种治疗方法；使用模拟来决定参数之间的差异是否显着。HSS.IC.B.6根据数据评估报告。HSS.CP.A.1使用结果的特征（或类别）将事件描述为样本空间的子集（结果集），或者作为其他事件的工会，相交或协同（“或”，“，”和“，”，“不”）。理解/目标学生将理解：
有效推断分位数治疗效果和超越
我们考虑在估计估计方程式中估计涉及依赖目标参数作为输入的高维滋扰函数的估计参数。一个中心示例是因果推理中（局部）分位处理效应（（l）QTE）的效率估计方程，该方程涉及在分位数上评估的协方差累积分布函数以进行估计。基于估计的滋扰和插入估计值的现有方法，例如伪造的马克内斯学习（DML），我们需要我们在所有可能的输入中学习滋扰。对于（L）QTE，DML要求我们学习整个协变量累积分布函数。我们相反提出了局部付符的机器学习（LDML），该学习避免了此盗窃步骤，并且只需要在单个初始粗略猜测目标参数的情况下估算烦恼。对于（L）QTE，LDML仅涉及学习两个回归功能，这是机器学习方法的标准任务。我们证明，在LAX速率条件下，我们的估计器具有与使用未知的真实滋扰的不可行的估计器相同的渐近行为。因此，LDML显着实现了实际上可比性和理论上的效率估计因果推理中重要数量的效果，例如（l）QTES，当我们必须控制许多协变量和/或相关关系时，正如我们在经验研究中所证明的那样。