XiaoMi-AI文件搜索系统
World File Search SystemQuery
History-Detr：利用历史信息和运动学优化查询初始化策略
最近的 3D 物体检测器利用多帧数据（包括过去和未来的数据）来提高性能。然而，他们采用的时间数据融合方法尚未充分挖掘其提高性能的潜力。现有的工作利用多帧数据，这些数据仅根据自我运动融合特定特征，并且由于巨大的计算和内存成本而无法直接应用于长序列。我们发现目前的方法不能有效地利用历史信息，包括历史预测和物体运动。基于我们的研究，我们提出了一种由历史查询和原始查询组成的新型混合查询公式。历史查询包括从历史预测和特征中获得的推断位置和内容查询，这些查询考虑了当前场景中所有物体的运动。此外，我们的方法可以简单地应用于其他类似 DETR 的模型中，以提高性能，而不会引入巨大的计算和内存成本。结果，我们的 History-DETR 在推理时间增加可忽略不计的情况下实现了显着的改进（+1.1% NDS）。
福利规划查询手册 (BPQY)
红皮书（出版物编号 64-030）是一种通用参考工具，旨在为 SSDI 和 SSI 计划下的残障人士提供就业支持条款的实用知识。红皮书主要面向为残障人士服务的教育工作者、倡导者、康复专业人员和顾问。我们还希望申请人和受益人将其用作自助指南。其目的是提供实用知识或我们的工作激励，以便用户可以为残障人士提供适当的建议，并认识到何时向 SSA 寻求针对具体案例的指导。
loger：一种学习的优化器，用于生成高效且强大的查询执行计划
基于深度强化学习（DRL）的查询优化最近已成为热门研究主题。尽管取得了令人鼓舞的进展，但DRL优化者仍然面临着强有力地制定有效计划的巨大挑战，这是因为连接订单和操作员选择的巨大搜索空间以及将其作为反馈信号的高度变化的执行延迟。在本文中，我们提出了Loger，这是一个赢得的效果，以使能力和r ubust计划有效，旨在生产有效的加入订单和运营商。Loger首先利用图形变压器来捕获表和谓词之间的关系。然后，搜索空间进行了重组，Loger学会了限制特定的操作员，而不是直接选择每个连接的操作员，同时利用DBMS内置的优化器在修复下选择物理操作员。这种策略利用专家知识来提高计划生成的鲁棒性，同时提供足够的计划搜索灵活性。此外，Loger介绍了𝜖 -beam搜索，该搜索可在进行指导探索时保留多个搜索路径，以保留有希望的计划。最后，Loger引入了损失功能，并通过奖励加权引入损失功能，从而通过减少差的操作员造成的波动，并记录转换以压缩奖励范围，从而进一步提高性能。我们对加入订单基准（JOB），TPC-DS和堆栈溢出进行实验，并证明Loger可以比现有学习的查询优化器更好地实现性能，而与PostgreSQL相比，工作速度为2.07倍。
钻石距离中统一通道的查询最佳估计
我们考虑统一量子通道的过程断层扫描。给定对作用于D维Qudit的未知统一通道的访问，我们旨在输出对ε-close的统一的经典描述，即ε-close的钻石规范中未知的统一。我们使用未知通道的O（D 2 /ε）应用来设计算法实现误差ε和仅一个Qudit。这改善了先前的结果，这些结果使用O（D 3 /ε2）[通过标准过程断层扫描]或O（D 2。< /div>）5 /ε）[Yang，Renner和Chiribella，Prl 2020]应用。为了显示此结果，我们引入了一种简单的技术来“引导”一种算法，该算法可以通过Heisenberg缩放来产生可以产生εError估计的恒定估计值。最后，我们证明了一个互补的下限，即使访问未知统一的逆版本或受控版本，估计也需要ω（D 2 /ε）应用。这表明我们的算法既具有最佳的查询复杂性又具有最佳空间复杂性。
量子计算在数据库查询优化中的适用性
我们评估了量子计算在两个基本查询优化问题（连接顺序优化和多查询优化 (MQO)）上的适用性。我们分析了目前基于门的量子系统和量子退火器（两种目前市面上可用的架构）上可以解决的问题维度。首先，我们评估了基于门的系统在 MQO 上的使用情况，MQO 之前已通过量子退火解决。我们表明，与传统计算相反，不同的架构需要进行复杂的调整。此外，我们提出了一种用于连接顺序问题的多步骤重新表述，使其可以在当前量子系统上解决。最后，我们系统地评估了我们对基于门的量子系统和量子退火器的贡献。通过这样做，我们确定了当前局限性的范围，以及量子计算技术对数据库系统的未来潜力。
对称性和量子查询到通信模拟
Buhrman，Cleve和Wigderson（stoc'98）表明，对于每个布尔函数f：{ - 1，1，1，1，1，1，1，1} n→{ - 1，1，1，1}和g∈{and 2，xor 2}，有界的 - error-error-error量量子通信的量子f for f o（q q q o q o q o（q q（q f）q q o q q o q q for n q o（q q q o q o q o q（q） f的复杂性。这是通过使用一轮O（log n）量子的通信来实现每个查询的Alice来实现F的最佳量子查询算法。这与经典环境形成鲜明对比，在经典环境中，很容易显示R CC（f o g）≤2r（f），其中r cc和r分别表示有界的 - 误差通信和查询复杂性。Chakraborty等。 （CCC'20）表现出一个总功能，需要BCW模拟中的log n开销。 这确定了一个令人惊讶的事实，即在某些情况下，量子减少本质上比经典降低更昂贵。 我们以多种方式改善了它们的结果。Chakraborty等。（CCC'20）表现出一个总功能，需要BCW模拟中的log n开销。这确定了一个令人惊讶的事实，即在某些情况下，量子减少本质上比经典降低更昂贵。我们以多种方式改善了它们的结果。
基于个性化搜索的对话式人工智能查询重写系统
查询重写（QR）是对话式 AI 系统中一个新兴的组件，可以减少用户失误。用户失误的原因多种多样，例如口语对话系统中的错误、用户的口误或语言缩写。许多用户失误源于个性化因素，例如用户的说话模式、方言或偏好。在这项工作中，我们提出了一个基于搜索的个性化 QR 框架，专注于自动减少用户失误。我们为每个用户建立一个个性化索引，其中包含不同的亲和力层，以反映对话式 AI 中每个用户的个人偏好。我们的个性化 QR 系统包含检索层和排名层。在基于用户反馈的学习支持下，训练我们的模型不需要手动注释数据。在个性化测试集上的实验表明，我们的个性化 QR 系统能够利用语音和语义输入来纠正系统错误和用户错误。
与量子查询复杂性有关的开放问题
量子查询复杂性（有关经典调查，请参见[24]）是对量子计算机需要对输入字符串X进行多少查询以学习X的各种属性的研究。关键在于，一个查询可以访问X个叠加状态的每个分支中的多个位。已有30多年了，这个主题一直是我们对量子计算机的功能和局限性所了解的核心来源。我认为，查询复杂性在整个量子计算理论中发挥了如此重要的作用有两个原因。首先，碰巧的是，大多数著名的量子算法包括Deutsch-Jozsa [26]，Bernstein-Vazirani [21] [21]，Simon [48]，Shor [47]和Grover [47]和Grover [33] - 自然而然地进入了Shor's Algorith的Case Algorith的构造中，第二，查询复杂性不仅可以证明上限，而且还可以证明非平凡和信息性的下限 - 如1994年开创性的Bennett，Bernstein和Vazirani [20]所示，量子计算机需要ω（√