XiaoMi-AI文件搜索系统
World File Search SystemSDID
可持续性发展影响披露-NCBA肯尼亚
本报告的目的是介绍NCBA肯尼亚的可持续发展影响披露（SDID），该披露（SDID）与影响披露指南中概述的原则相符。SDID表达了我们解决肯尼亚关键发展差距的战略意图，在那里我们的大部分收入都是通过使我们的业务运营与联合国可持续发展目标（SDGS）保持一致的。通过透明的影响测量，目标设定以及对正面和负面影响的披露，该报告提供了一个全面的框架，以监视我们对影响意图的进展。它还强调了我们对动员私营部门资本，促进问责制以及与我们的“改变故事”可持续性议程一致的驱动系统转型的承诺。这个前瞻性的披露旨在通过可行的业务策略来启动可持续性目标，将NCBA定位为可持续发展和有影响力的增长的催化剂。SDID还创建了一个框架，用于持续的监视和报告NCBA打算每年用于报告指标。
![arXiv:2308.10187v4 [cs.NE] 2023 年 9 月 22 日](/simg/e\e2470830f54e4215a613245eab08de2c36bcc66a.webp)
arXiv:2308.10187v4 [cs.NE] 2023 年 9 月 22 日
由于具有二进制和事件驱动架构，脉冲神经网络 (SNN) 在节能神经形态芯片方面具有巨大潜力。SNN 主要用于分类任务，但在图像生成任务方面的探索有限。为了填补这一空白，我们提出了一种脉冲扩散模型，该模型基于矢量量化离散扩散模型。首先，我们开发了一个带有 SNN 的矢量量化变分自动编码器 (VQ-SVAE) 来学习图像的离散潜在空间。在 VQ-SVAE 中，使用脉冲发放率和突触后电位对图像特征进行编码，并设计了一个自适应脉冲生成器来以脉冲序列的形式恢复嵌入特征。接下来，我们在离散潜在空间中执行吸收态扩散，并构建一个带有 SNN 的脉冲扩散图像解码器 (SDID) 来对图像进行去噪。我们的工作是第一个完全从 SNN 层构建扩散模型的工作。在 MNIST、FMNIST、KMNIST、Letters 和 Cifar10 上的实验结果表明，Spiking-Diffusion 优于现有的基于 SNN 的生成模型。我们在上述数据集上分别实现了 37.50、91.98、59.23、67.41 和 120.5 的 FID，与最先进的工作相比，FID 减少了 58.60%、18.75%、64.51%、29.75% 和 44.88%。我们的代码将在 https://github.com/Arktis2022/Spiking-Diffusion 上提供。