XiaoMi-AI文件搜索系统
World File Search SystemMNIST
神经形态硬件系统的天体自我修复
虽然基于脉冲神经网络 (SNN) 的神经形态计算架构作为实现生物可信机器学习的途径越来越受到关注，但人们的注意力仍然集中在神经元和突触等计算单元上。从这种神经突触视角出发，本文试图探索神经胶质细胞，特别是星形胶质细胞的自我修复作用。这项工作调查了与星形胶质细胞计算神经科学模型的更强相关性，以开发具有更高生物保真度的宏观模型，准确捕捉自我修复过程的动态行为。硬件-软件协同设计分析表明，生物形态星形胶质细胞调节有可能自我修复神经形态硬件系统中的硬件实际故障，并且在 MNIST 和 F-MNIST 数据集上的无监督学习任务中具有明显更好的准确性和修复收敛性。我们的实现源代码和训练模型可在 https://github.com/NeuroCompLab-psu/Astromorphic Self Repair 上找到。
有效地对扩散模型的私人微调
摘要分散模型（DMS）的最新发展使得能够产生惊人的高质量合成样品。最近的工作表明，差异模型产生的合成样本已在公共数据上进行了预培训，并在私人数据上完全构成了差异性隐私，可以培训下游的分类器，同时实现良好的隐私公用事业 - 公用事业贸易。然而，就记忆使用和计算而言，具有DP-SGD的如此大的分解模型完全需要资源。在这项工作中，我们使用具有不同隐私性的低维适应性（LODA）进行了划分模型的参数 - 有效的微调（PEFT）。我们使用MNIST和CIFAR-10数据集评估了所提出的方法，并证明这种有效的功能还可以为训练下游分类器培训有用的合成样品，并保证了隐私保护数据。我们的源代码将在GitHub上提供。
监督学习中的稀疏活动和稀疏连接
稀疏性是一种有用的正则化器，可用于各种应用，尤其是在神经网络中。本文提出了一种针对分类任务的模型，其中稀疏活动和稀疏连接用于增强分类能力。实现此目标的工具是稀疏性强制投影算子，它可以为任何给定向量找到具有预定义稀疏性的最接近向量。在本文的理论部分，开发了这种投影的综合理论。总而言之，结果表明投影几乎在任何地方都是可微的，因此可以实现为平滑的神经元传递函数。因此，可以使用基于梯度的方法端到端调整整个模型。在 MNIST 手写数字数据库上进行的实验表明，稀疏活动或稀疏连接可以提高分类性能。通过两者的结合，与传统的非稀疏方法相比，性能可以显著提高。关键词：监督学习、稀疏投影、稀疏活动、稀疏连接
用于图像数据分类的硬件高效量子神经网络评估
摘要：量子计算有望在未来从根本上改变计算机系统。最近，量子计算的一个新研究课题是机器学习的混合量子-经典方法，其中参数化的量子电路（也称为量子神经网络 (QNN)）由经典计算机优化。这种混合方法可以兼具量子计算和经典机器学习方法的优点。在这个早期阶段，了解量子神经网络对不同机器学习任务的新特性至关重要。在本文中，我们将研究用于对图像进行分类的量子神经网络，这些图像是高维空间数据。与以前对低维或标量数据的评估相比，我们将研究实际编码类型、电路深度、偏置项和读出对流行 MNIST 图像数据集的分类性能的影响。通过实验结果获得了关于不同 QNN 学习行为的各种有趣发现。据我们所知，这是第一项考虑图像数据的各种 QNN 方面的工作。
甘死了；万岁！
有一个广泛的说法，即甘斯很难训练，文献中的甘恩建筑充满了经验技巧。我们提供了反对这一主张的证据，并在更原则的管理中建立了现代的基线。首先，我们得出了一个行为良好的正规相对论gan损失，该损失解决了以前通过一袋临时技巧解决的模式掉落和非连面问题。我们通过数学分析我们的损失，并证明它可以承认本地融合保证，这与大多数现有的相对论损失不同。第二，我们的新损失使我们能够丢弃所有临时技巧，并替换与现代体系结构共同使用的过时的骨架。以stylegan2为例，我们提出了简化和现代化的路线图，从而导致新的MINI-MILIST基线-R3GAN。尽管很简单，但我们的方法超过了FFHQ，ImageNet，Cifar和堆叠的MNIST数据集的StyleGAN2，并与最先进的gan和扩散模型进行了比较。
在综合光子神经网络中以反向传播学习
塑料自适应，非线性复发动力学和多尺度内存是神经网络硬件实现的所需功能，因为它们使它们能够学习，适应和处理与生物学大脑的方式相似。在这项工作中，这些特性发生在光子神经元阵列中。重要的是，这是以紧急方式自主实现的，而无需外部控制器设置权重，也没有明确的全球奖励信号反馈。使用基于简单的逻辑回归的无反向传播培训算法的层次结构，在MNIST任务上实现了98.2％的绩效，这是一项流行的基准测试任务，研究书面数字的分类。塑料节点由硅光子微孔谐振器组成，这些谐振器被带有非挥发记忆的一块相变材料覆盖。系统是紧凑，健壮和直接的，可以通过使用多个波长来扩展。此外，它构成了一个独特的平台来测试和有效地以高处理速度实现生物学上合理的学习方案。
基于卷积层的Hadamard变换的混合量子古典方法
在本文中，我们提出了一种新型的Hadamard Trans-form-基于基于量子量子量子计算的神经网络层。它在Hadamard变换域中实现了常规卷积层。这个想法基于HT卷积定理，该定理指出，两个向量之间的二元卷积等于其HT表示的元素乘法。计算HT仅仅是在每个量子位上应用于每个量子的应用，因此我们提出的层的HT计算可以在量子计算机上实现。与常规Conv2D层相比，所提出的HT- perceptron层在计算上更有效。与CNN相比具有相同数量的可训练参数和99.26％的测试准确性，我们的HT网络达到99.31％的测试效果，而MNIST数据集中降低了57.1％的MAC；在我们的ImagEnet-1K实验中，我们的基于HT的RESNET-50超过了基线RESNET-50的准确性，使用少11.5％的参数，而MAC少12.6％。
Sorahya Eugene简历
精确医学黑客马拉松 - 美国所有人的数据工程2024年10月●与团队合作开发乳腺癌风险的预测性线性回归模型●进行了深入研究，并创建了一个全面的项目计划，以实施融资数据库2024年5月 - 2024年5月 - 2024年7月 - 2024年7月，使用MySQL分析型数据库●提供了潜在的数据库●提供了潜在的数据库，并提供了我的SSQL分析数据库●数字分类2024年2月●在MNIST数字数据上，使用Keras，Numpy和Matplotlib构建了Python图像分类模型●从4x4中心的图像中提取的特征，用于数字分类●通过阈值进行分类●通过阈值进行分类，可实现使用训练，验证和测试精确的语言和Micrountion Emoprocess和Microunty Novermunt和Mictuly Novermuntion和Microunty NOVEMERDEMENBLY NOVEMED和MICTUCTY NOVEMERAMER EMOPORED● EMU8086中的ASM-86汇编代码使用VMware●翻译和分析的汇编指令到机器代码中以监视寄存器更改●修改了与硬件交互的修改代码，包括显示输出和内存地址
索菲的星球和终止
摘要。扩散概率模型（DPM）已成为生成建模的一种有前途的技术。DPM的成功取决于两种成分：扩散过程的时间逆转和分数匹配。大多数现有的作品隐含地假设分数匹配接近完美，而此假设值得怀疑。鉴于可能无法保证的得分匹配，我们提出了一个新标准 - DPM设计中向后抽样的收缩，从而导致了一种新型的承包DPMS（CDPMS）。关键见解是向后过程中的收缩可以缩小分数匹配错误和离散错误。因此，我们提出的CDPM对两个误差源都是可靠的。为了实际使用，我们表明CDPM可以通过简单的转换来利用经过验证的DPM，并且不需要重新训练。我们通过对合成1-DIM示例，瑞士卷，MNIST，CIFAR-10 32×32和AFHQ 64×64数据集的实验来证实我们的方法。值得注意的是，CDPM在所有已知的基于SDE的DPM中显示出最佳性能。
StreamBrain：一种用于 CPU、GPU 和 FPGA 上的类脑神经网络的 HPC 框架
摘要 基于反向传播的现代深度学习方法越来越受欢迎，并已用于多个领域和应用领域。与此同时，还有其他鲜为人知的机器学习算法，它们具有成熟而坚实的理论基础，但其性能仍未被探索。类似大脑的贝叶斯置信传播神经网络 (BCPNN) 就是一个例子。在本文中，我们介绍了 StreamBrain——一个允许基于 BCPNN 的神经网络实际部署在高性能计算系统中的框架。StreamBrain 是一种领域特定语言 (DSL)，概念上类似于现有的机器学习 (ML) 框架，并支持 CPU、GPU 甚至 FPGA 的后端。我们通过经验证明 StreamBrain 可以在几秒钟内训练著名的 ML 基准数据集 MNIST，并且我们是第一个在 STL-10 大小网络上展示 BCPNN 的人。我们还展示了如何使用 StreamBrain 进行自定义浮点格式训练，并说明了使用 FPGA 对 BCPNN 使用不同 bfloat 变体的影响。关键词 HPC、无监督学习、表示学习、神经网络、AI、新兴机器学习、BCPNN、GPU、FPGA