XiaoMi-AI文件搜索系统
World File Search SystemNeural
“ Neuralink”主题的白皮书
没有提供在人与人工智能之间建立联系的方法，因此人工智能不会赶上人们，而是可以改善。这个问题还引起了科技杂志的埃隆·马斯克（Elon Musk），这导致了“ Neuralink”的想法，即实现这一目标：人类与人工智能之间的共生。在目前的工作中，首先描述了“ Neuralink”到底要理解的，哪些目标，微观和宏观目标是追求的，以及如何实施该项目。此外，还提出了关于现有技术的Neuralink的发展水平。然后显示出哪些障碍反对该项目，以及如何以及如何掌握它们。这是对将来的前景，如果按计划实施NeuralInk成功，则简要说明可能出现哪些问题。什么是Neuralink？Aralink是一家著名企业家Elon Musk担任首席执行官的创业公司。这也负责Tesla和SpaceX公司。Ziel 2
Jason M. Eisner-约翰·霍普金斯计算机科学可鲁棒分析的神经纹理可变形网格 -
人类的视野比在分布外情景下表现出的鲁棒性更高。它已经通过逐个合成的分析来猜想这种鲁棒性益处。我们的论文通过通过渲染和能力算法在神经特征上进行近似分析，以一致的方式制定三重视觉任务。在这项工作中，我们引入了神经丝线可变形的网格（NTDM），该网格涉及具有变形几何形状的OBJECT模型，该模型允许对摄像机参数和对象几何形状进行优化。可变形的网格被参数化为神经场，并被全表面神经纹理图所覆盖，该图被训练以具有空间歧视性。在推断过程中，我们使用可区分渲染来最大程度地重建目标特征映射，从而提取测试图像的特征图，然后对模型的3D姿势和形状参数进行优化。我们表明，在现实世界图像，甚至在挑战分布外情景（例如闭塞和主要转变）上进行评估时，我们的分析比传统的神经网络更强大。在经常性能测试测试时，我们的算法与标准算法具有竞争力。
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
通过跳跃扩散驱动的神经SDE的多变量时间序列建模
在数据科学和机器学习的不断发展的景观中，时间序列建模的领域已成为一个重要且挑战性的研究领域。时间序列数据及其独特的时间依赖性和顺序模式，在金融，医疗保健和气候科学等各个领域中找到了应用[1,2,3]。时间序列的准确建模对于创建强大的模型和理解复杂系统至关重要。建模时间序列的一种方法是通过生成模型[4]，该模型在异常检测[5]和数据增强[6]中具有实际应用。在本文中，我们提出了一种基于时间序列生成和建模的神经SDE的新颖方法。尤其是，我们旨在创建一个可以利用默顿模型[3]作为跳跃框架的模型，该模型可以考虑实际市场的跳跃。归一化流是具有易生化密度估计的生成模型家族。主要思想是通过组成几个函数f i将初始复杂的数据分散分散转换为一个简单的想法。有一些
Zignerf：带有可逆生成神经辐射场
生成的神经辐射场（NERF）通过学习一组未经未介绍的图像的分布来综合多视图图像，表现出非常熟练的熟练程度。尽管现有的生成nerf具有在数据分布中生成3D一致的高质量随机样本的才能，但创建单数输入图像的3D表示仍然是一个巨大的挑战。在此手稿中，我们介绍了Zignerf，这是一种创新的模型，该模型执行零击生成的对抗网（GAN）倒置，以从单个脱离分布图像中生成多视图。该模型的基础是一个新型逆变器的基础，该逆变器映射到了发电机歧管的潜在代码中。毫无意义，Zignerf能够将对象从背景中解散并执行3D操作，例如360度旋转或深度和水平翻译。使用多个实数数据集对我们的模型的效率进行验证：猫，AFHQ，Celeba，Celeba-HQ和Compcars。
用于电子神经网络的数模混合突触芯片
级联的 CMOS 突触芯片包含一个 32x32 (1024) 个可编程突触的交叉阵列，已被制造为用于完全并行实现神经网络的“构建块”。突触基于混合数模设计，该设计利用片上 7 位数据锁存器来存储量化权重，并利用两象限乘法 DAC 来计算加权输出。突触具有 6 位分辨率，传输特性具有出色的单调性和一致性。已制造了一个包含四个突触芯片的 64 神经元硬件，用于研究反馈网络在优化问题解决中的性能。在本研究中，已在硬件中实现了 7x7 一对一分配网络和 Hop field-Tank 8 城市旅行商问题网络。已证明该网络能够实时获得最佳或接近最佳的解决方案。
使用人工神经网络预测 DED 制造过程中的热场
AAbstr bstract act.. 在过去十年中，机器学习越来越吸引多个科学领域的研究人员，特别是在增材制造领域。同时，这项技术对许多研究人员来说仍然是一种黑箱技术。事实上，它允许获得新的见解，以克服传统方法（例如有限元方法）的局限性，并考虑制造过程中发生的多物理复杂现象。这项工作提出了一项全面的研究，用于实施机器学习技术（人工神经网络），以预测 316L 不锈钢和碳化钨直接能量沉积过程中的热场演变。该框架由有限元热模型和神经网络组成。还研究了隐藏层数和每层节点数的影响。结果表明，基于 3 或 4 个隐藏层和整流线性单元作为激活函数的架构可以获得高保真度预测，准确率超过 99%。还强调了所选架构对模型准确性和 CPU 使用率的影响。所提出的框架可用于预测模拟多层沉积时的热场。
证明生产的神经网络验证
a b s t r a c t - d ee p n e u r a l a l a l a l a l a t w o rk s（d nn s） EE t h e ir c o rr e c t n e ss。C o n s e qu e n t l y , t h e v e ri f i c a t i o n c o m - m un i t y h a s d e v i s e d m u l t i p l e t e c hn i qu e s a nd t oo l s f o r v e ri f y i ng D NN s .w h e n d nn v e ri f i e r s d i s d i s c o v e r a n i n i n i n i n i n p t t h t h t t t ri gg e r s a n e rr o r s a n e rr o r，t h a t h a t i s e s e s e s s y s y t o c o c o c o c o n f ir m; bu t w h e n t h e y r e p o r t t h a t n o e rr o r e x i sts , t h e r e i s n o w a y t o e n s u r e t h a t t h e v e ri f i c a t i o n t oo l i ts e l f i s n o t f l a w e d .A s m u l t i p l e e rr o r s h a v e a lr e a d y b ee n o b s e r v e d i n D NN v e ri f i c a t i o n t oo l s , t h i s c a ll s t h e a pp li c a b ili t y o f D NN v e ri f i c a t i o n i n t o qu e st i o n .I n t h i s w o rk, w e p r e s e n t a n o v e l m e c h a n i s m f o r e nh a n c i ng Si m p l e x - b a s e d D NN v e ri f i e r s wi t h p r oo f p r od u c t i o n c a p a b ili t i e s : t h e g e n e r a t i o n o f a n e a s y -t o -c h e c k wi t n e ss o f un s a t i s f i s f i a a b ili t y，w h i c h a tt e sts tt e sts t o t o t h e a a b s e a a b s e n c e n c e o f e rr s r s r s。o u r p r o f p r o o d o d o d o n i s b a s e s e n e n e n e n e n e n e f f f i c i c i c i c i e n t a d a p t a p t a t a t a t a t a t i o n o n o n o n o f t i o n o f t e w e ll -k n o w n f a rk a rk a rk a rk a rk a rk a s s'l e l e mma -li n e a r f un c t i o n s and nd nu m e ri c a l p r e c i s i o n e rr o r s。a s a p r oo f c o n c e p t e nn v e gh e d e c e d e c e c e c e c e. div>o u r e a t y s e g A. t y s a c a c a t y s e q -c ir e o n l y m i n i m o v e r h e a d a d。 div>