XiaoMi-AI文件搜索系统
World File Search SystemQuiring
空间应用印刷电路板的高密度互连技术评估
摘要 — 高密度互连 (HDI) 印刷电路板 (PCB) 和相关组件对于使太空项目受益于现代集成电路（如现场可编程门阵列、数字信号处理器和应用处理器）日益增加的复杂性和功能性至关重要。对功能性的不断增长的需求意味着更高的信号速度和越来越多的输入/输出 (I/O) 数量。为了限制整体封装尺寸，元件的触点焊盘间距会减小。大量 I/O 与减小的间距相结合对 PCB 提出了额外的要求，需要使用激光钻孔微孔、高纵横比核心过孔以及小的轨道宽度和间距。虽然相关的先进制造工艺已广泛应用于商业、汽车、医疗和军事应用，但将这些性能的进步与太空的可靠性要求相协调仍然是一个挑战。考虑了两种类型的 HDI 技术：两级交错微孔（基本 HDI）和（最多）三级堆叠微孔（复杂 HDI）。本文介绍了根据 ECSS-Q-ST-70-60C 对基本 HDI 技术的鉴定。在 1.0 毫米间距下，该技术成功通过了所有测试。在 0.8 毫米间距下，互连应力测试和导电阳极丝测试期间会遇到故障。这些故障为更新 HDI PCB 的设计规则提供了基础。
2010年至2021年（约659例）
简介：1型糖尿病可能患有急性并发症，有时还会重新住院。这项研究的目的是描述达喀尔Abass Ndao国家医院患者中1型糖尿病的表演，临床和进化方面。患者和方法：这是一项从2010年1月1日至2021年12月31日进行的横断面，描述性和分析性研究。它专注于住院的1型糖尿病患者。评估了流行病学，临床和进化数据。疾病：招募了659名（659）患者，频率为11.5％。平均年龄为29.47岁，性别比（m/f）为0.95。平均住院时间为6.1天。一百四十四（144）例（21.8％）患有就职糖尿病。平均咨询时间为14.89天。急性代谢并发症是353例患者（56％）的酮症酸中毒，低血糖症为1.2％。在113例患者中发现了简单的高血糖症（18.0％）。 522例患者（58.3％）出现了感染，其中95例（28.2％）患有皮肤感染。55例（16.3％）患有呼吸道感染。 12.3％的饮食不平衡。176例（27.7％）没有失衡。26名患者（3.9％）死亡，感染性病态占死者的大部分代偿因子（57.7％）。 结论：1型糖尿病是发病率和死亡率的原因。 必须制定和实施预防和管理计划。在113例患者中发现了简单的高血糖症（18.0％）。感染，其中95例（28.2％）患有皮肤感染。55例（16.3％）患有呼吸道感染。12.3％的饮食不平衡。176例（27.7％）没有失衡。26名患者（3.9％）死亡，感染性病态占死者的大部分代偿因子（57.7％）。结论：1型糖尿病是发病率和死亡率的原因。必须制定和实施预防和管理计划。
从文本到图像综合的前景 - 背景分割的无监督共同生成
文本对图像（T2I）合成是一项艰巨的任务，该任务是对文本和图像域及其关系进行建模。最近作品实现的图像质量的实质性改进为Nuberon应用程序铺平了道路，例如语言辅助图像编辑，计算机辅助设计，基于文本的图像检索和培训数据增强。在这项工作中，我们提出了一个简单的问题：与逼真的图像一起，我们是否可以以一种不受影响的方式获得任何有用的副产品（例如前景 /背景或多类分割掩码，检测标签，检测标签），这也将使其他计算机视觉任务任务和应用受益？试图回答这个问题，我们探索了从给定文本中的逼真的图像及其相应的前景 /背景分割掩码。为了实现这一目标，我们与GAN一起实验了共进行分割的概念。具体而言，提出了一种名为“共裂”启发的GAN（COS-GAN）的新型GAN结构，该结构同时从不同的噪声矢量中同时生成两个或多个图像，并利用图像特征之间的空间关注机制来生成逼真的分段掩码，以生成生成的Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Im-Agens。这种架构的优点是两倍：1）生成的分割掩码可用于专注于前景和背景，以改善生成的图像的质量，2）分段蒙版可以用作其他任务的训练目标，例如访问本地化和分割。在CUB，Oxford-102和可可数据集上进行的广泛实验表明，Cos-Gan能够改善视觉质量，并为发电图像提供可靠的前景 /背景掩码。
egecentric 3D手姿势估计的单一对偶视图改编
对准确的3D手姿势估计的追求是理解以自我为中心视力领域的人类活动的基石。大多数现有估计方法仍然依赖单视图像作为输入，从而导致潜在的局限性，例如，深度有限的视野和义务。解决这些问题，添加另一个相机以更好地捕获手的形状是实践方向。然而，现有的多视图手姿势姿势方法具有两个主要缺点：1）重新训练的多视图注释，这些注释是备用的。2）在测试过程中，如果相机参数/布局与训练中使用的相同，则模型将变为inpapplicable。在本文中，我们提出了一种新颖的单算观看改编（S2DHAND）解决方案，该解决方案将预先训练的单视估计器适应双视图。与现有的多视图训练方法相比，1）我们的适应过程是无监督的，消除了对多视图注释的需求。2）此外，我们的方法可以处理带有未知相机参数的Arbitarary双视图对，从而使该模型适用于不同的相机设置。具体来说，S2DHAND建立在某些立体声约束上，包括两种视图之间的成对跨视图共识和转换的不变性。这两个立体声约束以互补的方式使用来进行伪标记，从而允许可靠的适应性。评估结果表明，在内部和跨数据库设置下，S2DHAND在任意摄像机对上实现了重大的实现，并且胜过具有领先性能的现有适应方法。项目页面：https：//github.com/ut-vision/s2dhand。
混合攻击检测的安全警报
大型和中型组织采用各种安全系统来保护其资产。这些系统通常由不同的供应商开发，专注于不同的威胁，通常是独立工作的。他们产生了单独的和庞大的警报，这些警报必须由经常负担负担的安全分析师对其进行监控和分析。先前的工作试图通过更好地关联和优先考虑警报来支持分析师。在这项工作中，我们建议使用集成层（IL）结合单个安全系统的智慧。，我们通过将IL部署在一个运行四个非常不同的选择检测系统的大型全球组织（50,000多名员工）中来验证了我们的想法。我们通过使用端到端的红线练习来生成真实的攻击数据。进行培训，我们将数据集标记为直接来自事件响应团队的评估，而不是使用先前的工作中的第一/第二层分析中心（SOC）分析师的升级决策。我们表明，我们的方法大大减少了进行调查的警报的数量，同时保持了多步攻击检测的高性能 - Matthews相关系数（MCC）达到0。998。模型对从不同安全系统得出的特征的实质性依赖性支持了我们集成方法的可行性。在我们的系统中添加的解释性层使分析师洞悉为什么特定情况被标记为攻击或非攻击。基于测试结果，我们的方法已添加到生产设置中。
dag：对归因图的深度自适应和无生成的社区检测
对归因图的社区检测，具有丰富的语义和拓扑信息为现实世界网络分析，尤其是在线游戏中的用户匹配提供了巨大的潜力。图形神经网络（GNNS）最近启用了深度图（DGC）方法，从语义和拓扑信息中学习群集分配。但是，它们的成功取决于与社区数量有关的先验知识，由于收购的高成本和隐私问题，这是不现实的。在本文中，我们研究了与事先的社区检测问题，称为𝐾 -free社区检测问题。为了解决这个问题，我们提出了一种新颖的深层自适应模型（DAG），以供社区检测，而无需指定先前的𝐾。DAG由三个关键组件组成，即带有屏蔽属性重新构造的节点表示模块，一个社区关联读数模块以及具有组稀疏性的社区编号搜索模块。这些组件使DAG能够将非差异性网格搜索的过程转换为社区编号，即存在的DGC方法中的离散超级参数，将其转换为可区分的学习过程。以这种方式，DAG可以同时执行社区检测和端到端的社区编号搜索。为了减轻现实世界应用中社区标签的成本，我们设计了一种新的指标，即使标签不可行，也可以评估社区检测方法。在五个公共数据集和一个现实世界的在线手机游戏数据集上进行了广泛的离线实验
用户对部分自动化驾驶系统的看法
摘要 - 使用部分自动化的驾驶系统的使用引起了人们对潜在责任问题的担忧，对系统安全，接受和采用这些技术构成风险。有意义的人类控制的概念是针对责任差距问题的响应，重新填写了两个条件，跟踪和追踪。这个概念为自动驾驶系统提供了重要的哲学和设计见解，但目前对有意义的人类控制如何与这些系统的实际用户的主观体验相关的知识很少。为了解决这一差距，我们的研究旨在调查有意义的人类控制程度与驾驶员对现实世界中部分自动驾驶系统安全和信任的看法之间的一致性。我们利用了先前从特斯拉“全自动驾驶”（FSD）beta用户的访谈中收集的数据，研究了用户感知之间的一致性以及系统跟踪用户的原因。我们发现，尽管有明显的例外，但跟踪用户驾驶任务的原因（例如安全操作）与感知的安全和信任相关。令人惊讶的是，未能跟踪车道变化和制动原因不一定与对安全性的负面看法有关。但是，在危险情况下，系统未能跟踪预期的操作总是会导致信任低下，缺乏安全性。总的来说，我们的分析重点介绍了对齐点，但一方面，感知到的安全性和信任和有意义的人类控制也可能存在差异。我们的结果可以帮助自动化驾驶技术的开发商在有意义的人类控制下设计系统，并被认为是安全和值得信赖的。
ACE：人工智能辅助构建具有先决条件关系的教育知识图谱
知识图谱是组织信息的有效工具。在本文中，我们专注于一种特殊类型的知识图谱，即教育知识图谱（EKG），其中的先决条件关系形成了学生在学习过程中可以遵循的路径。EKG 提供了多种功能，包括对学习领域的全面视觉表示，并为学生提供了替代学习路径。手动构建 EKG 是一项耗时且劳动密集型的任务，需要领域专家评估每个概念对以确定先决条件关系。为了应对这一挑战，我们提出了一种结合机器学习技术和专家知识的方法。我们首先引入一种基于通过词嵌入捕获的语义参考的概念对先决条件评分机制。然后根据得分对概念对进行排序，并选择得分高的对进行专家评估，从而减少需要评估的总对数。向专家迭代地呈现一个概念对，并根据专家的标签在后台动态构建 EKG。随着图谱的发展，可以根据现有的先决条件推断出一些先决条件，从而进一步减少专家的任务。我们在 Web 应用程序中实现了我们的方法，允许专家与系统交互并创建自己的图谱。对真实基准数据集的评估表明，我们的 AI 辅助图谱构建方法可以形成准确的图谱，并显著减少专家在此过程中的工作量。在教育平台的数据集上进行的进一步实验表明，按照我们的方法确定的先决条件顺序学习概念对的学生总体成功率更高，这表明 EKG 可以改善教育中的学习成果。感兴趣的读者可以从我们的 Github 存储库 1 访问更多材料和数据集。
使用具有逻辑反馈的 LLM 生成药物发现的新线索
大型语言模型 (LLM) 可用作生物和化学信息库，以生成药理学先导化合物。然而，要使 LLM 专注于特定的药物靶点，通常需要使用逐步更精细的提示进行实验。因此，结果不仅取决于对靶点的了解，还取决于对提示工程的了解。在本文中，我们将提示分为可以以标准逻辑形式编写的领域约束和简单的基于文本的查询。我们研究是否可以引导 LLM，不是通过手动优化提示，而是通过自动优化逻辑组件，保持查询不变。我们描述了一个迭代过程 LMLF（“具有逻辑反馈的语言模型”），其中使用逻辑泛化概念逐步优化约束。在任何迭代中，都会根据约束验证新生成的实例，为下一次迭代对约束的优化提供“逻辑反馈”。我们使用两个众所周知的靶点（Janus 激酶 2 和多巴胺受体 D2 的抑制）和两个不同的 LLM（GPT-3 和 PaLM）来评估 LMLF。我们表明，从相同的逻辑约束和查询文本开始，LMLF 可以引导两个 LLM 生成潜在线索。我们发现：(a) LMLF 生成的分子的结合亲和力比现有基线的结合亲和力更偏向更高的结合亲和力；(b) LMLF 生成的分子比没有逻辑反馈的分子更偏向更高的结合亲和力；(c) 计算化学家的评估表明 LMLF 生成的化合物可能是新型抑制剂。这些发现表明，具有逻辑反馈的 LLM 可能提供一种生成新线索的机制，而无需领域专家获得复杂的快速工程技能。
热导率
稳定地制作书目，数据汇编，而不是进行NES，测量自己，面对和建议，实验性测量 - 如果他的蚂蚁向自己保证自己和其他产出。他找到了所有相关结果的一系列卷。这些备注构成的常规范围更频繁，而不是其中之一，在一个或i %%之后，搜索数据停止。这些卷是一个结果，或者在搜索者认为他在Theiseles中取得巨大成就之后。ie-已经花费了足够的时间。现在\ thcir生产的Quiring the the kno壁架的结合外观，科学家或工程师以及数十个专门专家的技能。\ ho需要这样的数据可以认为自己的属性属性很幸运，他有一个sir-e soturce to t t t t t t t t;为每个科学家和工程师的感激之情将节省数千个小时的搜索时间，他们使用THCST编制的数据。无数的测量重复是避免的单个非技术公民，而美国的数十亿美元投资也受到了危险，因为在研究方面也保留了很多。有助于他的ho \％的科学技术。该任务并未以属性为依赖于这些数据的使用结束。的确，这些体积的影响。仍然需要数据表明对这一重要性的广泛认识的批判性评估。可以报告的烟气值？为什么差异结果仅仅是不同实验者获得的财务赞助商列表的领导？什么是热物理性能研究中心； DTCTECT的系统错误来源可能会影响[IE美国或ESEN所有测量的技术行业的某些领导者吗？\ aluc可以是dcriscd，联邦政府的机构是各种代表的“推荐”数字。这些问题在实验中进行的实验测量很难回答，要求最简单的人具有许多潜在的应用。他们可能会表明该领域专家的判断。虽然使用一个CB“ CK”理论，或者帮助本系列中的卷数确实包含化学制造厂，或者是为了批量生产和推荐的数据，这些数据使这些热交换器的特征仍然是在少数群体中仍然是弧形中的热交换器的特征。现在的数据是Beine核电厂。由TPRC的工作人员所支持的科学进步和更多I | Etenskelo的技术要求，他在国家标准开放文献的不可或缺的一部分中发表了他发表的一部分，以便其他人可以使用它们。for-参考数据系统（NSRDS）。整理进步的任务，任何一个国家标准参考数据系统中的有用数据都不是在整个组织中散布在整个组织中，并运行了一项全面的计划，向整个WSORLD的批判性评估数据的准备编辑中发表的技术期刊的沙子。在MIO中，字段，50％的物质特性。NSRDS的工作不超过三十或四十多名，由国家标准局任命，但在TPRC的情况下，其领域在联邦科学委员会的指令下