XiaoMi-AI文件搜索系统
World File Search SystemNe
NEFCO年度报告2023
NEFCO还为各种捐助者管理了几项信托基金（请参阅NEFCO的信托基金管理），并作为多个跨国公司的实施机构。这些举措提供赠款，有条件或软贷款或基于结果的赠款融资，以支持可行性研究和绿色试点项目，乌克兰的绿色恢复项目，非洲的清洁能源业务，旨在改善波罗的海国家的项目以及能力建设。通过信托基金融资的项目的提案是由信托基金投资委员会提出的，通常是根据NEFCO的建议提前或之后的特定捐助者决定。
通过抽象学习：神经状态机
我们引入了神经状态机，力求弥合人工智能的神经和符号视图之间的差距，并整合它们互补的优势以完成视觉推理任务。给定一张图像，我们首先预测一个表示其底层语义并作为结构化世界模型的概率图。然后，我们对图进行顺序推理，迭代遍历其节点以回答给定的问题或得出新的推论。与大多数旨在与原始感官数据紧密交互的神经架构不同，我们的模型在抽象的潜在空间中运行，通过将视觉和语言模态转换为基于语义概念的表示，从而实现增强的透明度和模块化。我们在 VQA-CP 和 GQA 上评估了我们的模型，这两个最近的 VQA 数据集涉及组合性、多步推理和多样化的推理技能，在这两种情况下都取得了最先进的结果。我们进行了进一步的实验，说明了该模型在多个维度上的强大泛化能力，包括概念的新组合、答案分布的变化和看不见的语言结构，证明了我们方法的质量和有效性。
研究论文 使用反向传播神经网络对高光谱遥感数据中的岩性信息进行提取和分类
为了解决高光谱遥感数据处理中遇到的同构问题,提高高光谱遥感数据在岩性信息提取与分类的精度,以岩石为研究对象,引入反向传播神经网络(BPNN),对高光谱图像数据进行归一化处理后,以岩性光谱与空间信息为特征提取目标,构建基于深度学习的岩性信息提取模型,并使用具体实例数据分析模型的性能。结果表明:基于深度学习的岩性信息提取与分类模型总体精度为90.58%,Kappa系数为0.8676,能够准确区分岩体性质,与其他分析模型相比具有较好的性能。引入深度学习后,提出的BPNN模型与传统BPNN相比,识别精度提高了8.5%,Kappa系数提高了0.12。所提出的提取及分类模型可为高光谱岩矿分类提供一定的研究价值和实际意义。
DeepFLASH：基于学习的医学图像配准高效网络
本文介绍了 DeepFLASH，一种用于基于学习的医学图像配准的高效训练和推理的新型网络。与从高维成像空间中的训练数据中学习空间变换的现有方法相比，我们完全在低维带限空间中开发了一种新的配准网络。这大大降低了昂贵的训练和推理的计算成本和内存占用。为了实现这一目标，我们首先引入复值运算和神经架构表示，为基于学习的配准模型提供关键组件。然后，我们构建了一个在带限空间中完全表征的变换场的显式损失函数，并且参数化要少得多。实验结果表明，我们的方法比最先进的基于深度学习的图像配准方法快得多，同时产生同样精确的对齐。我们在两种不同的图像配准应用中展示了我们的算法：2D 合成数据和 3D 真实脑磁共振 (MR) 图像。我们的代码可以在https://github.com/jw4hv/deepflash上找到。
增强具有生成负面挖掘的视觉语言模型的多模式组成推理
当代的大规模视觉语言模型（VLM）具有强大的表示能力，使它们无处不在，可以增强图像和文本理解任务。他们经常以对比的方式受到大量图像和相应的文本字幕的对比方式进行训练。尽管如此，VLMS经常在构图推理任务上挣扎，这些任务对对象及其属性的复杂相互作用进行了精细的了解。此失败可以归因于两个主要因素：1）对比的方法传统上专注于从现有数据集中开采负面示例。但是，该模型可能不难区分阳性检查。替代采矿的替代方法是负样本2），但现有的生成方法主要集中于生成与给定图像相关的硬性负面文本。在另一个方向上进行挖掘，即生成与给定文本相关的负面图像样本已被忽略。为了克服这两种限制，我们提出了一个框架，不仅在两个方向上矿山，而且在这两种方式（即图像和文本）中产生了有挑战性的负面样本。利用这些生成硬性负样本，我们在涉及多模式综合推理的任务中显着提高了VLMS的性能。我们的代码和数据集在https://ugorsahin.github.io/enhancing-- vlm.html上发布。
Telefónica系统和网络演化策略
•专用网络是一个针对一个B2B客户的专用移动网络，已经使用4G技术部署，但是5G中的新功能（主要是延迟）将允许更多用例。预期5G的私人网络质量化。•专用网络与公共5G网络是相同的技术，但是实现将是模块化和简单的。灵活性是关键：
纽约太阳能产业协会的证词
2025 年 1 月 28 日尊敬的克鲁格参议员、普雷特洛众议员和尊敬的委员会成员，感谢你们给我机会就纽约州 2026 财年预算作证。我叫诺亚金斯伯格，是纽约太阳能产业协会 (NYSEIA) 的执行董事。今天，我在此代表 NYSEIA 的数百家会员公司和纽约充满活力的屋顶和社区（“分布式”）太阳能行业发言。纽约的太阳能行业由遍布全州的近 800 家企业 1 和至少 15,490 名从事各种蓝领和白领工作的熟练工人 2 提供支持。增加纽约州的太阳能供应不仅对于实现纽约的环境目标很重要；它还可以通过提供低成本电力来满足不断增长的需求，从而帮助推动纽约的经济。分布式太阳能还通过为纽约家庭和企业提供经常性的年度水电费节省来推进州长的可负担性议程。我们的行业在纽约正处于十字路口。分布式太阳能是纽约最成功的清洁能源行业，我们拥有令人难以置信的发展势头；我们在 2024 年部署的太阳能容量比以往任何时候都多，提前一年多超过了该州 2025 年分布式太阳能的目标。与此同时，我们面临着威胁我们行业可持续性的巨大挑战，这可能会导致太阳能投资、部署和就业急剧下降。好消息是，有明智且具有成本效益的州级政策将使我们能够克服其中的许多挑战并保持我们的势头。简而言之，纽约要么大干一场，要么回家。NYSEIA 和越来越多的商业和环境组织联盟正在倡导纽约大干一场。这意味着将纽约的分布式太阳能目标从 2030 年的 10 千兆瓦提高到 2035 年的 20 千兆瓦，并推进降低成本和加速部署的政策：许可改革、互连改革以及针对直接减少低收入家庭能源费用或将选址以最大程度地减少土地使用影响的太阳能项目的定向激励。政策解决方案是众所周知且具有成本效益的。您和立法机构的同事完全有能力制定这些政策，支持纽约太阳能行业在不确定时期继续取得成功。
躯体神经假体应用中的神经信号记录和处理。综述
图 2) ENG 分类信号处理的示意图；a) 记录的 ENG 数据集分为训练集和测试集；b) 预处理块应用信号分割和去噪；c) 从运行观察窗口提取和选择特征；d) 数据驱动的分类模型训练；e) 使用从训练中校准的模型对从测试集中提取的特征进行验证以进行类别预测；f) 根据分类器结果驱动设备的决策规则。
新闻情绪与经济
本文使用的基于文本的方法非常灵活；它不仅可以代表情绪，还可以代表经济中的不确定性水平。广义上讲，“情绪”捕捉的是人们对未来经济结果分布平均值的信念（第一矩），而“不确定性”捕捉的是人们信念的方差（第二矩）（Haddow 等人，2013 年）。现在有大量研究表明，更多的负面情绪和更高的不确定性都与较低的支出和投资有关，因此可以预测更弱的经济状况（例如 Moore（2017 年）；Bloom（2014 年）；Shapiro、Sudhof 和 Wilson（2017 年）；Barsky 和 Sims（2012 年）；Benhabib 和 Spiegel（2019 年））。然而，一些研究表明，基于调查的情绪指标提供的有关经济状况的新信息有限（Roberts 和 Simon，2001 年）。不过，新闻媒体等其他有关情绪的信息来源可能有助于预测经济形势，即了解当前或最近的情况。新闻媒体可能会提供家庭和企业调查所没有的新信息，或者提供以前的相同信息。
