XiaoMi-AI文件搜索系统
World File Search SystemModel
基于能量的模型的流对比估计
本文研究了一种联合估计基于能量的模型和基于流的模型的训练方法，其中两个模型基于共享的对抗值函数进行迭代更新。该联合训练方法具有以下特点：（1）基于能量的模型的更新基于噪声对比估计，流模型作为强噪声分布。（2）流模型的更新近似地最小化了流模型与数据分布之间的 Jensen-Shannon 散度。（3）与生成对抗网络（GAN）估计由生成器模型定义的隐式概率分布不同，我们的方法估计数据上的两个显式概率分布。使用所提出的方法，我们证明了流模型的综合质量的显著改进，并展示了通过学习到的基于能量的模型进行无监督特征学习的有效性。此外，所提出的训练方法可以轻松适应半监督学习。我们取得了与最先进的半监督学习方法相媲美的成果。
E3对PG＆E的2021年野火分配风险模型的评论 清洁电力生产的液化天然气（LNG）替代品 回顾负载模型的概率损失 ore adetimirin 监管和企业案例 - 分布 - 能源 - 上产生在微电网中的作用 缅因州储能市场评估
要查看此改进的明确证据，我们要求PG＆E提供一份清单，以显示其新模型如何改变其缓解措施的地理目标。尽管他们无法提供此信息，但PG＆E描述了使用该模型的内部过程。长期计划过程依赖于主题专家（SME）来制定降低风险措施，并且在共享和讨论模型结果的风险建模团队与中小型企业之间进行了多次会议和讨论。但是，PG＆E没有保留任何正式的前后记录，无法清楚地证明对建议或建造的模型影响。使用中小企业制定缓解措施与公用事业行业的标准实践一致，用于制定分配风险措施。
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
训练小波域损失的训练生成图像超分辨率模型可以更好地控制伪影
抽象的超分辨率（SR）是一个不当的反问题，其中具有给定低分辨率图像的可行解决方案集的大小非常大。已经提出了许多算法，以在可行的解决方案中找到一种“好”解决方案，这些解决方案在忠诚度和感知质量之间取得了平衡。不幸的是，所有已知方法都会生成伪影和幻觉，同时试图重建高频（HF）图像细节。一个有趣的问题是：模型可以学会将真实图像细节与文物区分开吗？尽管有些重点侧重于细节和影响的分化，但这是一个非常具有挑战性的问题，并且尚待找到满意的解决方案。本文表明，与RGB域或傅立叶空间损耗相比，使用小波域损失功能训练基于GAN的SR模型可以更好地学习真正的HF细节与伪像的表征。尽管以前在文献中已经使用了小波域损失，但在SR任务的背景下没有使用它们。更具体地说，我们仅在HF小波子带上而不是在RGB图像上训练鉴别器，并且发电机受到小波子带的忠诚度损失的训练，以使其对结构的规模和方向敏感。广泛的实验结果表明，我们的模型根据多种措施和视觉评估实现了更好的感知延续权权衡。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
量子多模型拟合 - CVF 开放获取
几何模型拟合是一个具有挑战性但又十分基础的计算机视觉问题。最近，量子优化已被证明可以增强单模型情况的稳健拟合，同时多模型拟合的问题仍未得到解决。为了应对这一挑战，本文表明后一种情况可以从量子硬件中显著受益，并提出了第一种多模型拟合 (MMF) 的量子方法。我们将 MMF 表述为一个问题，现代绝热量子计算机可以对其进行有效采样，而无需放宽目标函数。我们还提出了一种迭代和分解版本的方法，该方法支持真实世界大小的问题。实验评估在各种数据集上都显示出有希望的结果。源代码可在以下位置获得：https://github.com/FarinaMatteo/qmmf 。
EBPF安全威胁模型
检查时间（TOCTOU）问题可能会在安全工具中出现。目标是分析系统将准确执行的操作。但是，如果安全工具从用户空间内存中读取值，然后在内核作用之前更改了这些值，则内核“使用”的内容可能与您在用户空间中“检查”的内容有所不同。可以通过确保安全工具将值转移到内核内存后观察值来预防竞赛。这样做的两种主要方法是LSM（Linux Security Module）EBPF程序，并直接通过Kprobe/kretprobe/fentry/fentry/ferxit
对基于物理的电池模型的全面综述，并比较各种化学的不同物理模型
从消费电子到电动汽车，电池在各个领域的重要性越来越重要，强调了精确电池模型的关键必要性。本评论描述了电池模型的四个主要类别：经验，等效电路，数据驱动和基于物理的模型。像Nernst和Shepherd模型这样的经验模型提供了简单性，但缺乏精确度。等效电路模型在简单性和准确性之间取得了平衡，尽管有验证约束。数据驱动的方法利用机器学习来准确预测电池性能，但需要高质量的数据集。基于物理学的模型集成了基本的电化学过程，以详细理解，尽管计算复杂性增强。比较分析以锂离子电池为重点，揭示了计算效率和准确性之间的权衡。具有电解质动力学的单个粒子模型及其扩展单粒子模型作为有效的选项出现，带有电解质动力学的单个粒子模型显示出有希望的精度，类似于单个粒子模型。此外，在不同的电池化学分子上进行比较，公布了不同水平的建模精度。本文比较了跨化学的不同电化学建模技术和辨别最佳方法。是电池建模技术之一的电化学模型，已在本研究中进行了详细研究和研究，并为文献提供了有关化学模型如何与哪种电化学模型一起使用的文献。此外，这项研究在Pybamm中使用优化技术有助于现有的铁磷酸锂化学建模。综合提供了对各种建模方法的见解及其对电池研究和开发的影响，从而指导未来的调查，以针对特定应用的更量身定制的建模策略。