XiaoMi-AI文件搜索系统
World File Search SystemSim
一种简单而有效的可扩展多视图张量聚类
基于锚点的大规模多视图聚类因其在处理海量数据集方面的有效性而引起了广泛关注。然而，当前的方法主要通过探索锚点图或投影矩阵之间的全局相关性来寻找用于聚类的共识嵌入特征。在本文中，我们提出了一种简单而有效的可扩展多视图张量聚类（S 2 MVTC）方法，我们的重点是学习视图内和跨视图的嵌入特征的相关性。具体而言，我们首先通过将不同视图的嵌入特征堆叠到张量中并旋转它来构造嵌入特征张量。此外，我们构建了一种新颖的张量低频近似（TLFA）算子，它将图相似性结合到嵌入特征学习中，有效地实现不同视图内嵌入特征的平滑表示。此外，对嵌入特征应用共识约束以确保视图间语义一致性。在六个大规模多视图数据集上的实验结果表明，S 2 MVTC 在聚类性能和 CPU 执行时间方面明显优于最先进的算法，尤其是在处理海量数据时。S 2 MVTC 的代码已公开发布在 https://github.com/longzhen520/S2MVTC。
情绪模拟的记忆：记住玫瑰色的未来
Terms of use This article was downloaded from Harvard University's DASH repository, and is made available under the terms and conditions applicable to Open Access Policy Articles (OAP), as set forth at https://harvardwiki.atlassian.net/wiki/external/NGY5NDE4ZjgzNTc5NDQzMGIzZWZhMGFlOWI2M2EwYTg
化学中极地平流层云的模拟 -
摘要。已经开发了ECHAM5/MYSY AT- MOSPHER化学模型（EMAC）的子模型PSC，以模拟极性平流层云的主要类型（PSC）。子模型中超冷三元溶液（STS，1B PSC）的参数化基于Carslaw等人。（1995b），在Marti和Mauersberger上模拟冰颗粒（2型PSC）的热力学方法（1993）。存在硝酸三水合物（NAT）颗粒（1A型PSC）的形成两个不同的参数。首先是基于Hanson和Mauersberger（1988）的瞬时热力学方法，第二个是新的，并借助于Carslaw等人的表面生长因子来考虑NAT颗粒的生长。（2002）。可以在子模型中选择此NAT参数之一。本出版物解释了子模型PSC的背景和使用子模型的使用，目的是模拟EMAC中的现实PSC。
使用仿真来设计以下路径和自主机器人的障碍策略
1简介自主控制算法的设计是一项艰巨的任务，因为它传统上需要大量的现实测试，这既耗时又昂贵。仿真是自治设计的宝贵工具，例如，以时间和成本效益的方式协助参数调整，算法测试。此外，在机器学习范围（ML）的范围内，由于其生成训练数据的能力，模拟具有吸引力。在此，我们证明了模拟引擎[1]和自治研究床（ART）[2]平台来促进自治政策制定过程，以避免ML控制政策。这项工作建立了以前的贡献，这些贡献证明了控制策略的各种多速路径的可传递性[3，4]。这项研究证明了通过机器学习（ML）避免障碍物的额外能力。ML已通过收集的数据进行了培训，而人类驾驶员则在模拟器中驱动。
rizos，Georgios，Lawson，Jenna，Mitchell，Simon L.，Shah，Pranay，Wen，Xin，Xin，Banks-Leite，Cristina，Ewers，Ewers，Robert和Schuller，BjörnW（2024）
在传播预测的输入之后，贝叶斯神经网络还可以不确定。这有可能通过拒绝低信心的预测来指导训练过程，而最近的变异贝叶斯方法可以在不进行蒙特卡洛重量的情况下这样做。在这里，我们在通过动物自然栖息地中通过被动声学监测设备进行的录音应用了无样品的野生动植物呼叫检测。我们进一步提出了不确定性吸引标签的平滑性，其中平滑概率取决于无样品的预测不确定性，以减少对损失值较少贡献的数据。我们介绍了一个记录在马来西亚婆罗洲的生物声学数据集，其中包含来自30种物种的重叠呼叫。在该数据集上，我们提出的方法在接收器操作特征（Au-Roc）下的面积约为1.5分，F1的13点和预期校准误差（ECE）的溶质百分比提高了约1.5点，与所有目标类别相比，预期校准误差（ECE）的位置为19.5点。
人工智能驱动模拟器的兴起：构建新的水晶球
人工智能驱动的模拟器的兴起：构建新的水晶球 计算社区联盟 (CCC) 四年期论文 Ian Foster（芝加哥大学）、David Parkes（哈佛大学）和 Stephan Zheng（Salesforce AI Research） 五十年前，天气预报员努力预测明天的天气是否与今天相同。如今，天气预报通常可以准确预测未来一周或更长时间，让个人和社会能够为不再不可预见的事情做好准备。这种显著的转变在很大程度上归功于计算机，尤其是计算模拟的兴起，这是一种使用计算机预测复杂系统未来状态的方法。模拟最初是在第二次世界大战的最后几天为军事目的而开发的，现在已遍布人类社会和经济领域，为决策者提供了一个非凡的水晶球，不仅可以预测下周的天气，还可以预测飞机在不同天气模式下飞行时的表现、新药对新疾病的有效性以及未来电池中新材料的行为。计算机模拟是在计算机上执行的数学建模过程，旨在预测现实世界或物理系统的行为或结果。 1 模拟通常通过将空间（例如北美）划分为多个小单元来配置，每个小单元保存一组值（例如温度和压力）以及一组本地规则，用于更新下一个时间步骤的单元（例如，基于单元和相邻单元的当前温度和压力，一分钟后的温度/压力）。模拟运行以测量的输入（温度/压力）为种子，并反复应用其规则来随时间更新模拟系统。更准确的输入数据、更小的单元和更好的规则可以实现更高保真度的模拟（例如，下周而不是明天的良好天气预报）。计算机模拟的使用现在在社会上如此普遍，毫不夸张地说，美国和国际的持续繁荣、安全和健康在一定程度上取决于模拟能力的持续改进。如果我们能够预测两周后的天气，指导新病毒性疾病新药的设计，或者管理将生产成本和时间降低一个数量级的新制造工艺，情况会怎样？如果我们能够预测人类的集体行为，例如，在自然灾害期间对疏散请求的响应，或劳动力对财政刺激的反应，情况会怎样？ （另请参阅 CCC Quad 关于疫情信息学的配套论文，其中讨论了
Mahdi Chehimi，Bernd Simon，Walid Saad，Anja Klein，Don Towsley和M´erouane Debbah”匹配游戏，以优化量子通信的优化协会
摘要 - 量子交换机（QSS）服务量子通信网络中量子端节点（QCN）提交的请求，这是一个具有挑战性的问题，这是一个挑战性的问题，由于已提交请求的异构保真要求和QCN有限的资源的异质性保真度要求。有效地确定给定QS提供了哪些请求，这是促进QCN应用程序（如量子数据中心）中的开发。但是，QS操作的最新作品已经忽略了这个关联问题，并且主要集中在具有单个QS的QCN上。在本文中，QCN中的请求-QS关联问题是作为一种匹配游戏，可捕获有限的QCN资源，异质应用程序 - 特定的保真度要求以及对不同QS操作的调度。为了解决此游戏，提出了一个量表稳定的request-QS协会（RQSA）算法，同时考虑部分QCN信息可用性。进行了广泛的模拟，以验证拟议的RQSA算法的有效性。仿真结果表明，拟议的RQSA算法就服务请求的百分比和总体实现的忠诚度而实现了几乎最佳的（5％以内）的性能，同时表现优于基准贪婪的解决方案超过13％。此外，提出的RQSA算法被证明是可扩展的，即使QCN的大小增加，也可以保持其近乎最佳的性能。I. i ntroduction量子通信网络（QCN）被视为未来通信技术的支柱，因为它们在安全性，感知能力和计算能力方面具有优势。QCN依赖于Einstein-Podolsky-Rosen（EPR）的创建和分布，这是遥远QCN节点之间的纠缠量子状态[1]。每个EPR对由两个固有相关的光子组成，每个光子都会转移到QCN节点以建立端到端（E2E）纠缠连接。然而，纠缠光子的脆弱性质导致指数损失，随着量子通道（例如光纤）的行驶距离而增加。因此，需要中间量子中继器节点将长距离分为较短的片段，通过对纠缠的光子进行连接以连接遥远的QCN节点[2]。当此类中继器与多个QCN节点共享多个EPR对以创建E2E连接时，它们被称为量子开关（QSS）。
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。
在更改的快车道中简化它
IT团队定期评估技术领域以及正在范围内调整其方法的内容。这些专业人员不满足于他们的组织，他们只是想设定步伐。JumpCloud的Q1 2025 IT趋势报告，从混乱到控制：在变化的快车道中简化它，深入研究IT团队如何征服这些挑战并选择对混乱的控制。从确保各种设备生态系统到平衡AI创新与谨慎的平衡，该报告强调了管理员正在采用的方法来简化它并保持领先地位。
简单但有效：具身人工智能的 CLIP 嵌入
对比语言图像预训练 (CLIP) 编码器已被证明对从分类和检测到字幕和图像处理等一系列视觉任务有益。我们研究了 CLIP 视觉主干对 Embodied AI 任务的有效性。我们构建了非常简单的基线，称为 EmbCLIP，没有任务特定的架构、归纳偏差（例如使用语义图）、训练期间的辅助任务或深度图——但我们发现我们改进的基线在一系列任务和模拟器中表现非常出色。EmbCLIP 在 RoboTHOR ObjectNav 排行榜上以 20 分（成功率）的巨大优势名列前茅。它在 iTHOR 1-Phase Rearrangement 排行榜上名列前茅，击败了采用主动神经映射的第二佳提交作品，并且 % Fixed Strict 指标增加了一倍多（0.08 到 0.17）。它还击败了 2021 年 Habitat ObjectNav 挑战赛的获胜者，该挑战赛采用了辅助任务、深度图和人工演示，以及 2019 年 Habitat PointNav 挑战赛的获胜者。我们评估了 CLIP 的视觉表示在捕获输入观察的语义信息方面的能力——这些原语对于导航繁重的具身任务很有用——并发现 CLIP 的表示比 ImageNet 预训练的主干更有效地编码了这些原语。最后，我们扩展了我们的一个基线，生成了一个能够进行零样本物体导航的代理，它可以导航到训练期间未用作目标的物体。我们的代码和模型可以在 https://github.com/allenai/embodied-clip 获得。