XiaoMi-AI文件搜索系统
World File Search SystemMatching
exma：精确匹配的基因组加速器
摘要 - 基因组学是精密医学，全球粮食安全和病毒监测的基础。精确匹配是在基因组学的几乎每个步骤中广泛使用的操作之一，例如对齐，组装，注释和相互作用。现代基因组学采用Ferragina-Manzini指数（FM-索引）增强空间 - 有效的Burrows-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler Transform（BWT），并具有其他数据结构，以允许超快速的精确匹配操作。但是，FM索引因其空间局部性和随机内存访问模式而臭名昭著。先前的工作创建GPU-，FPGA-，ASIC-甚至是基于内存过程（PIM）的加速器，以增强FM-Index搜索吞吐量。尽管他们实现了最新的FM索引搜索吞吐量，但与所有先前的常规加速器相同，但在每个DRAM行激活后仅处理一个DNA符号，因此仅处理一个DNA符号，从而遭受了记忆带宽利用率不佳。在本文中，我们提出了一个硬件加速器EXMA，以增强FM-Index搜索吞吐量。我们首先创建一个具有多任务学习（MTL）基于多任务的索引的新型EXMA表，以在每个DRAM行激活中处理多个DNA符号。然后，我们构建一个加速器以在EXMA表上进行搜索。我们提出了2阶段的安排，以提高加速器的高速公路命中率。我们介绍了动态页面策略，以提高DRAM主内存的行缓冲区命中率。我们还提出链条压缩，以减少EXMA表的数据结构大小。与最新的FM索引PIM相比，EXMA将搜索吞吐量提高了4。9倍，并增强每瓦4瓦搜索吞吐量。8×。 索引术语 - 特定于硬件加速器，ge- sickics，精确匹配8×。索引术语 - 特定于硬件加速器，ge- sickics，精确匹配
基于匹配博弈的资源分配策略
摘要 ：随着卫星通信技术的发展，传统的资源分配策略难以满足资源利用效率的要求，为解决多用户场景下多层卫星网络的资源分配优化问题，提出一种基于多对多匹配博弈的资源分配方案。
用于学习基于能量的隐变量模型的双层分数匹配
分数匹配 (SM) [ 24 ] 通过避免计算配分函数，为学习基于能量的模型 (EBM) 提供了一种引人注目的方法。然而，除了一些特殊情况外，学习基于能量的潜变量模型 (EBLVM) 仍然有很大空间。本文提出了一种双层分数匹配 (BiSM) 方法，通过将 SM 重新表述为双层优化问题来学习具有一般结构的 EBLVM。较高级别引入潜变量的变分后验并优化修改的 SM 目标，较低级别优化变分后验以拟合真实后验。为了有效地解决 BiSM，我们开发了一种带有梯度展开的随机优化算法。从理论上讲，我们分析了 BiSM 的一致性和随机算法的收敛性。从实证上，我们展示了 BiSM 在高斯限制玻尔兹曼机和由深度卷积神经网络参数化的高度非结构化 EBLVM 中的前景。当适用时，BiSM 与广泛采用的对比散度和 SM 方法相当；并且可以学习具有难以处理的后验的复杂 EBLVM 来生成自然图像。
您的KU060 FPGA设计的匹配组件
3。Teledyne E2V辐射耐受耐受性DDR4存储器用于伴侣处理器A组合，以推动您的KU060设计极限性能Teledyne E2V宣布DDR4T04G72M - 第一个耐辐射的DDR4存储器芯片，总计4GB容量。目前以2133mt/s的验证，目标是在不久的将来提供2400mt/s，该下一代解决方案提供了超响应的低潜伏期操作，同时适合高度紧凑的外形。此外，高可靠性制造和耐辐射耐受性的鲁棒性使其非常适合应对更严格的空间环境。
对模式匹配的定量理解 - 滴
本文表明，针对编程语言的定量打字系统的最新方法可以扩展到模式匹配功能。的确，我们定义了两个配备了对模式和术语对的λcalculus的两个资源感知类型的系统，称为U和E。我们的打字系统从[19]中借了一些基本思想，这些想法以定性的方式来表征（头）归一化，从某种意义上说，特异性和归一化是重合的。，但与[19]相比，我们的系统还提供了有关演算动力学的定量信息。的确，系统U提供了（头）归一化序列的长度以及相应正常形式的大小的上限，而系统E（可以看作是对系统U的重新填充）的系统e为每个系统产生精确的边界。这是通过配备有不同技术工具的非数字交叉点类型系统来实现的。首先，我们使用产品类型来键入对而不是[19]中的脱节工会，因为它们消除了“成为一对”和“被重复”之间的混淆，因为它们消除了必不可少的定量工具。其次，系统E中的键入序列是用整数的元素装饰的，这些整数提供了有关标准化序列的定量信息，特别是时间（参见长度）和空间（参见大小）。时间资源信息已明显地固定，因为它可以区分评估过程中执行的各种减少步骤，以便将Beta，替换和匹配步骤单独计数。系统E的另一个关键工具是类型系统区分消费（有助于时间）和持久（促成空间）构造函数。
人工智能 - 稳定分数匹配
摘要：我们研究了经典稳定匹配问题的泛化，该问题允许基数偏好（而不是序数）和分数匹配（而不是积分）。在这种基数设置中，稳定分数匹配可以比稳定积分匹配具有更大的社会福利。我们的目标是了解寻找最佳（即福利最大化）稳定分数匹配的计算复杂性。我们考虑精确和近似稳定性概念，并提供具有弱福利保证的简单近似算法。我们的主要结果是，有点令人惊讶的是，实现更好的近似在计算上很困难。据我们所知，这些是基数模型中稳定分数匹配的第一个计算复杂性结果。在获得这些结果的过程中，我们提供了许多可能具有独立意义的结构观察。
用于深度立体匹配的自适应单峰成本体积滤波
最先进的基于深度学习的立体匹配方法将视差估计视为一个回归问题，其中损失函数直接定义在真实视差及其估计视差上。然而，视差只是由成本量建模的匹配过程的副产品，而间接学习由视差回归驱动的成本量容易出现过度拟合，因为成本量受到约束。在本文中，我们提出直接向成本量添加约束，方法是用在真实视差处达到峰值的单峰分布过滤成本量。此外，估计每个像素的单峰分布的方差，以明确模拟不同环境下的匹配不确定性。所提出的架构在 Scene Flow 和两个 KITTI 立体基准上实现了最先进的性能。具体来说，我们的方法在 KITTI 2012 评估中排名第一，在 KITTI 2015 评估中排名第四（记录于 2019.8.20）。AcfNet 的代码可以在以下位置找到：https://github.com/youmi-zym/AcfNet。
基于主题匹配的子图级注意力卷积网络用于图分类
图分类对于许多与图数据相关的实际应用（例如化学药物分析和社交网络挖掘）至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征，但它们大多使用从图中提取的一些顶点排列进行特征学习，这可能会丢失一些结构信息。在这项工作中，我们提出了一种新的基于模体注意力图卷积神经网络用于图分类，它可以学习更有辨别力和更丰富的图特征。具体而言，我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明，与传统图核方法和最近的深度学习方法相比，所提出的模型显著提高了图分类性能。
半径优化的高效模板匹配用于脑图像病变检测
摘要 — 为了快速自动诊断神经疾病，需要从体积磁共振成像 (MRI) 中计算机辅助检测脑损伤。模板匹配技术可以为脑损伤的自动定位提供满意的结果；然而，找到使模板和损伤相似度最大化的最佳模板大小仍然具有挑战性。这增加了算法的复杂性和对计算资源的要求，同时使用了三维 (3D) 模板处理大型 MRI 体积。因此，需要降低模板匹配的计算复杂度。在本文中，我们首先提出了一个数学框架，用于计算归一化互相关系数 (NCCC) 作为 MRI 体积和近似 3D 高斯模板之间的相似性度量，具有线性时间复杂度，而不是传统的基于快速傅里叶变换 (FFT) 的方法，其复杂度为，其中是图像中的体素数，是尝试的模板半径的数量。然后，我们提出一个数学公式来分析估计图像中每个体素的最佳模板半径，并计算具有位置相关最佳半径的 NCCC，从而将复杂度降低到。我们在一个合成和两个真实的多发性硬化症数据库上测试了我们的方法，并将其在病变检测中的性能与 FFT 和最先进的病变预测算法进行了比较。我们通过实验证明了所提出的方法在脑病变检测中的效率及其与现有技术相当的性能。索引术语 – 脑病变检测、计算复杂度、FFT、MRI、NCCC、模板匹配。