XiaoMi-AI文件搜索系统
World File Search SystemMask
迷彩：使用调制强化学习的相关性掩盖优化
抽象的光学接近校正（OPC）是确保现代VLSI制造业印刷能力的重要步骤。已经提出了基于机器学习的各种OPC方法来追求性能和效率，这些方法通常是数据驱动的，几乎不涉及OPC问题的任何特定考虑，从而导致潜在的性能或效率瓶颈。在本文中，我们提出了Camo，这是一种基于加固学习的OPC系统，该系统专门整合了OPC问题的重要原理。迷彩明确涉及相邻段的移动之间的空间相关性和用于运动动作选择的OPC启发的调制。实验都是通过层图案和金属层图案进行的。结果表明，迷彩胜过学术界和行业的最先进的OPC发动机。
inPainting驱动的掩模优化对象去除
摘要 - 本文提出了一种掩盖优化方法，用于使用图像介入来提高对象去除的质量。在许多现实情况下，许多介绍方法都经过一组随机掩码的训练，但在许多现实的情况下，indpainting的目标可能是一个对象，例如一个人。训练和推理图像中掩模之间的域间隙增加了介入任务的难度。在我们的方法中，通过训练通过分割提取的对象掩码训练介入网络来解决此域间隙，并且在推理步骤中也使用了此类对象掩码。此外，为了优化对象蒙版的介入，分割网络已连接到indpainting网络，并端到端训练以提高镶嵌性能。通过我们的面具扩展损失实现大型面具和小型面具之间的权衡，这种端到端训练的效果进一步增强了。实验结果证明了我们方法使用图像介入的方法去除对象的有效性。索引术语 - 图像inpainting，对象分割，对象删除
Cllr Maskrey
rec，向德比郡县议会提出请求，即目前插图的柱布被移至人行道边缘，以防止停车。石材摊铺机已被车辆损坏，在某些情况下，使用柏油碎石进行了临时维修，镇议会要求高速公路修复并恢复铺面回到石摊铺机。与C Cllr Murphy提出的问题在高速公路上升级和冠军。ET23/115 Meadows（由完整理事会18/12/23提到），讨论有关草地上发展的最新消息的性质（和频率）。 rec，至少每3个月或更频繁地进行一次前进的更新。 ET23/116关于Breamfields行案件的峰值和北方人行道协会的联系，并要求Wirksworth镇议会是否希望支持其工作（他们提供会员会员资格）。 rec将与PNF一起接受会员资格，请审查每个理事会任期（即） 4年）。 ，一封感谢信给组织的工作，尤其是关于与Breamfields小径有关的研究。 ET23/117停车场水路居民提出了对在水路娱乐中停车的疑虑，与C Cllr Murphy一起提出了物质，还要求对拟议的高速公路修正案进行更新，以更新街道标记的拟议高速公路修正案（以及镇内拟议的拟议计划，例如Coldwell ST）。ET23/115 Meadows（由完整理事会18/12/23提到），讨论有关草地上发展的最新消息的性质（和频率）。rec，至少每3个月或更频繁地进行一次前进的更新。ET23/116关于Breamfields行案件的峰值和北方人行道协会的联系，并要求Wirksworth镇议会是否希望支持其工作（他们提供会员会员资格）。 rec将与PNF一起接受会员资格，请审查每个理事会任期（即） 4年）。 ，一封感谢信给组织的工作，尤其是关于与Breamfields小径有关的研究。 ET23/117停车场水路居民提出了对在水路娱乐中停车的疑虑，与C Cllr Murphy一起提出了物质，还要求对拟议的高速公路修正案进行更新，以更新街道标记的拟议高速公路修正案（以及镇内拟议的拟议计划，例如Coldwell ST）。ET23/116关于Breamfields行案件的峰值和北方人行道协会的联系，并要求Wirksworth镇议会是否希望支持其工作（他们提供会员会员资格）。rec将与PNF一起接受会员资格，请审查每个理事会任期（即4年）。，一封感谢信给组织的工作，尤其是关于与Breamfields小径有关的研究。ET23/117停车场水路居民提出了对在水路娱乐中停车的疑虑，与C Cllr Murphy一起提出了物质，还要求对拟议的高速公路修正案进行更新，以更新街道标记的拟议高速公路修正案（以及镇内拟议的拟议计划，例如Coldwell ST）。
bev-mae：在自动驾驶场景中进行点云预训练的鸟类视图蒙面的自动编码器
现有的基于LIDAR的3D对象检测方法主要采用从划线范式进行训练。不幸的是，这种范式在很大程度上重新确定了大规模标记的数据，其收集可以充分陈述且耗时。自我监管的预训练是一种减轻这种依赖对广泛注释数据的有效且理想的方法。在这项工作中，我们提出了一种有效的掩盖自动编码器预训练框架 - 基于LIDAR的3D对象检测的自动驾驶前训练框架。具体来说，我们提出了鸟类视图（BEV）指导性掩盖策略，以指导3D编码器学习功能表示BEV的角度，并避免在预训练期间使用综合解码器设计。此外，我们还可以学习一个可学习的点令牌，以维持3D编码器的一致的回收字段大小，并进行微调的遮罩云输入。基于自主驾驶场景中室外点云的属性，即，遥远对象的点云更为稀疏，我们提出了点的预测，使3D编码器能够学习位置信息，这对于对象检测至关重要。实验结果表明，BEV-MAE超过了先前的自我监管方法，并实现了有利的预训练效率。此外，基于输血-L，BEV-MAE在基于Nuscenes的基准上获得了73.6 NDS和69.6 MAP的新最先进的3D对象检测结果。源代码将在https://github.com/vdigpku/bev-mae上发布。
加强学习与可自定义库存库中投资组合管理的可蒙版股票代表
投资组合管理（PM）是一项基本的金融贸易任务，它探讨了首都最佳定期重新分配到不同股票中以追求长期利润。强化学习（RL）最近显示了通过与金融市场互动来培训PM的盈利代理的潜力。但是，现有工作主要集中在固定股票上，这与投资者的实际需求不一致。具体来说，不同投资者的目标股票库差异很大，因为他们在市场国家和个别投资者上的差异可能会暂时调整他们希望进行交易的股票（例如，增加了一个受欢迎的股票），这会导致可自定义的股票库（CSP）。现有的RL方法可以重新验证RL代理，即使库存库发生了很小的变化，这会导致高计算成本和不稳定的性能。为了应对这一挑战，我们建议通过在全球股票库（GSP）中的一次性培训（GSP）中的一次射击培训，这是一个带有可掩盖股票代表的强化学习框架。具体来说，我们首先引入一种机制来掩盖目标池外部股票的表示。第二，我们通过自我监督的掩盖和重建过程学习有意义的股票表示。第三，重新加权的机械旨在使投资组合集中于有利的股票，并忽略了目标池外的股票。代码可在Pytorch 1中找到。通过对美国股票市场的8个子集库存库进行的实验实验，我们证明，在6个受欢迎的金融指标方面，Eartor的表现明显胜过14个州的总体基线，利润超过40％。
加强学习与可自定义库存库中投资组合管理的可蒙版股票代表
投资组合管理（PM）是一项基本的金融贸易任务，它探讨了首都最佳定期重新分配到不同股票中以追求长期利润。强化学习（RL）最近显示了通过与金融市场互动来培训PM的盈利代理的潜力。但是，现有工作主要集中在固定股票上，这与投资者的实际需求不一致。具体来说，不同投资者的目标股票库差异很大，因为他们在市场国家和个别投资者上的差异可能会暂时调整他们希望进行交易的股票（例如，增加了一个受欢迎的股票），这会导致可自定义的股票库（CSP）。现有的RL方法可以重新验证RL代理，即使库存库发生了很小的变化，这会导致高计算成本和不稳定的性能。为了应对这一挑战，我们建议通过在全球股票库（GSP）中的一次性培训（GSP）中的一次射击培训，这是一个带有可掩盖股票代表的强化学习框架。具体来说，我们首先引入一种机制来掩盖目标池外部股票的表示。第二，我们通过自我监督的掩盖和重建过程学习有意义的股票表示。第三，重新加权的机械旨在使投资组合集中于有利的股票，并忽略了目标池外的股票。代码可在Pytorch 1中找到。通过对美国股票市场的8个子集库存库进行的实验实验，我们证明，在6个受欢迎的金融指标方面，Eartor的表现明显胜过14个州的总体基线，利润超过40％。
审核 - 报告鲍勃metamask快照代码库和构建02.2024
•加密实现和使用模式：审计团队评估了代码中存在的加密实现和使用模式，目的是发现任何滥用加密算法或实践的滥用，这些算法或实践可能会损害用户数据和交易的安全性。•身份验证和授权机制：此检查对于验证SNAP采用了可靠的身份验证措施来防止未经授权的访问以及其授权协议是否正确实施至关重要。•数据验证和补救实践：SNAP内的数据验证和消毒实践也进行了严格评估。审查的这一部分对于确认SNAP通过验证，消毒和安全处理用户提供的数据有效地中和基于输入的威胁至关重要。在此快照的上下文中，这在很大程度上意味着MetAmask快照API调用的安全使用。•依赖性分析，尤其是对于具有已知漏洞的第三方库：审计团队进行了依赖性分析，特别关注集成到SNAP中的第三方库。
学习特定于州的强化学习面具
摘要：有效但充分的探索仍然是强化学习（RL）的关键挑战，尤其是对于马尔可夫决策过程（MDP），具有巨大的动作空间。以前的方法通常涉及将原始动作空间投射到潜在空间或采用环境动作面具以减少动作的可能性。尽管如此，这些方法通常缺乏可解释性或依赖专家知识。在这项研究中，我们介绍了一种新颖的方法，用于自动降低具有离散动作空间的环境中的动作空间，同时保持可解释性。所提出的方法以双重目的学习了特定于州的面具：（1）消除对MDP最小影响的动作，以及（2）在MDP中具有相同行为后果的汇总行动。具体来说，我们介绍了一个新颖的概念，称为国家（BMA）的行动（BMA）来量化MDP内行动的行为后果，并设计一个专门的掩码模型以确保其二进制性质。至关重要的是，我们提出了一个实用的学习程序，用于培训掩模模型，利用任何RL策略收集的过渡数据。我们的方法旨在插入插件和适应所有RL策略，为了验证其有效性，将其集成到两种突出的RL算法中，即DQN和PPO。从迷宫，Atari和µRTS2获得的实验结果显示在RL学习过程中有很大的加速，并且引入方法促进了促进的性能改善。
多光束掩模版写入过程的多尺度建模
在快速发展的半导体制造领域，多光束掩模版写入机 (MBMW) 已成为光掩模生产的重要工具。光掩模对于不断缩小的半导体元件的生产至关重要。 IMS Nanofabrication 的高性能计算 (HPC) 小组开发的 MBMW 模拟器对理解和改进掩模生产中的写入技术做出了重大贡献。然而，当前 MBMW 模拟方法的一个关键挑战是准确模拟电子背散射等大规模效应的能力有限，而这对于高精度掩模制造至关重要。这项工作通过在 MBMW 模拟器中开发和实施全面的多尺度建模来解决这一差距。主要目标是准确、有效地模拟背散射效应，从而提高模拟器对掩模写入过程中电子散射行为的预测能力。重点是开发一个模型来捕捉不同尺度（从纳米到微米尺度）的反向散射效应。设计模型的目标是模块化和可扩展性。这种灵活性确保了对未来技术发展的适应性和附加模拟模型的集成。实施过程从一维反向散射模拟开始，然后发展到更复杂的二维模型。这种循序渐进的方法不仅提供了对背散射动力学的基本理解，而且还允许对模型进行迭代细化和验证。接下来是错误分析，其中测试模型的能力。这里证明了多尺度方法的准确性和效率，特别是在后向散射起重要作用的场景中。综上所述，这项工作对半导体制造领域做出了重大贡献，特别是在多光束掩模版写入机写入过程的模拟领域。所开发模型的模块化和可扩展性不仅确保了当前的适用性，而且为该领域未来的发展奠定了基础。
对比掩蔽自编码器是更强大的视觉学习者
摘要 — 蒙蔽图像建模 (MIM) 在各种视觉任务上都取得了令人鼓舞的结果。然而，学习到的表征的有限辨别能力表明，在构建更强大的视觉学习器方面仍有许多工作要做。为了实现这一目标，我们提出了对比蒙蔽自编码器 (CMAE)，这是一种新的自监督预训练方法，用于学习更全面、更强大的视觉表征。通过新颖的设计精心统一对比学习 (CL) 和蒙蔽图像模型 (MIM)，CMAE 利用它们各自的优势，学习具有强大实例辨别能力和局部可感知能力的表征。具体而言，CMAE 由两个分支组成，其中在线分支是非对称编解码器，动量分支是动量更新编码器。在训练期间，在线编码器从蒙蔽图像的潜在表示重建原始图像以学习整体特征。动量编码器以完整图像为输入，通过与在线编码器进行对比学习来增强特征辨别能力。为了使 CL 与 MIM 兼容，CMAE 引入了两个新组件：用于生成可信正视图的像素移位和用于补充对比对特征的特征解码器。得益于这些新颖的设计，CMAE 相比 MIM 有效地提升了表征质量和迁移性能。CMAE 在图像分类、语义分割和目标检测等竞争激烈的基准测试中取得了最佳性能。值得注意的是，CMAE-Base 在 ImageNet 上实现了 85.3% 的 top-1 准确率，在 ADE20k 上实现了 52.5% 的 mIoU，分别比之前的最好成绩提高了 0.7% 和 1.8%。源代码可在 https://github.com/ZhichengHuang/CMAE 公开访问。