XiaoMi-AI文件搜索系统
World File Search SystemTCN
基于广泛的用户互动
摘要：当代社会中简短的视频应用程序的普遍存在是由于在移动设备上广泛采用Tiktok的概括而来的。该平台不断升级的用户率和参与时间持续时间表明其影响不断增长。本文研究了Tiktok算法处理广泛的数据集以策划和推荐用户偏爱的内容的能力。通过大学人群中各个年龄人口的一系列调查和分析研究进行，这项研究强调了元数据标签的关键作用和该平台的自主增强算法。By harnessing advanced machine learning and artificial intelligence technologies—such as Graph Neural Networks (GNN), Reinforcement Learning (RL), Temporal Convolutional Networks (TCN), Natural Language Processing (NLP), Generative Adversarial Networks (GANs), and Attention Mechanisms—TikTok effectively tailors its algorithmic learning to user interactions.这种战略整合允许逐步完善用户建议，促进个性化的内容交付，同时确保隐私并提高内容和用户参与度的整体质量。该研究的发现表明，这些技术整合使Tiktok能够更准确地辨别用户的偏好，从而促进提供更多引人入胜且相关的内容。最终，这些改进对平台上的用户体验的丰富具有重大影响。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
更少的需求：让任务指挥节点更具机动性、隐蔽性和生存力
多年来，陆军使用昂贵的弹出式帐篷，由维护密集的环境控制装置提供支持，工作人员无法快速拆除，1-38 IN 的领导希望建立一个没有这些限制的战术行动中心。为了实现这一目标，该部队将其战术行动中心建造在两辆现有的轻型中型战术车辆 (LMTV) 中，这两辆车辆可以并排停放，并用伪装网覆盖，以最大限度地减少其信号并为工作人员提供遮荫。两辆 LMTV 携带了四台先进系统改进计划 (ASIP) 无线电（带支架和扬声器）、两个联合作战指挥平台 (JBC-P)、一个与战术通信节点 (TCN) 绑定的安全互联网语音协议 (SVOIP) 系统，以及一些桌子、椅子和白板。一台 15 千瓦发电机被安装在其中一辆 LMTV 的车厢内用于发电，但 1-38 IN 还在轮换之前购买了多台商用现货 (COTS) 电池发电机，以尽量减少对这台发电机的需求。该单位将使用 15K 发电机快速充电更安静、更隐蔽的 COTS 发电机，这些发电机将用于运行 TOC 的系统。这种新设计的最后一个方面是其最小特征。使用了多种技术来减少 TOC 的特征，例如利用伪装网、阻止敌人在电磁 (EM) 频谱上探测它的能力，以及试图将 TOC 伪装成低优先级目标。采取这些措施后，1-38 IN 部署到 NTC 以测试其新的 TOC。
视觉到脑电图跨模态知识提炼，实现持续情绪识别
视觉模态是当前连续情绪识别方法中最主要的模态之一。与视觉模态相比，EEG 模态由于其固有的局限性（例如主体偏见和低空间分辨率）而相对不太可靠。这项工作尝试利用来自视觉模态的暗知识来改善 EEG 模态的连续预测。教师模型由级联卷积神经网络-时间卷积网络 (CNN-TCN) 架构构建，学生模型由 TCN 构建。它们分别由视频帧和 EEG 平均频带功率特征输入。采用两种数据划分方案，即试验级随机分流 (TRS) 和留一主体剔除 (LOSO)。独立的老师和学生可以产生优于基线方法的连续预测，并且使用视觉到 EEG 跨模态 KD 进一步改善了预测，具有统计显著性，即 TRS 的 p 值 < 0.01 和 p 值 < 0。 05 用于 LOSO 分区。训练后的学生模型的显着性图显示，与活跃价态相关的大脑区域并不位于精确的大脑区域。相反，它来自各个大脑区域之间的同步活动。与其他波段相比，频率为 18 − 30 Hz 和 30 − 45 Hz 的快速 beta 和 gamma 波对人类情绪过程的贡献最大。代码可在 https://github.com/sucv/Visual _ to _ EEG _ Cross _ Modal _ KD _ for _ CER 获得。
cp1 ~~ fut？
'3iclft ar fct 1-fllt，a·j l fc@ 〜311〜'Cr“ 〜〜〜Cffi C 1 Cn〜：a。 311。 >> 〜〜11 1l mm〜cm>。 ~ ~ cpl" ~ ~ ~ U ll l F i lli n g u p o f t h e p o s t o f A c c o u n ts O ff i ce r ( F i n a n c e ) , D e p a rt m e n t o f S p a c e , B e n g a l u ru i n L e ve l 11 o f P a y M a t r i x ( 7 t h C PC ) o n d e p u t a T I O N B A S I S -R E G A R D I N G * * * 〜'3fclr＆〜'j-fltt（3f。 〜。 ） 〜fa。 ：我I CF5 2 0。 1 2。 2 0 2 4〜 * 1 a fi @ cf5 cf5 1 ll f ci ll〜“ cf5” t * if〜，ftl -b tj5 l = fl cv：p：r〜'3fclr＆〜'j -fltt，〜 rl〜q fcta〜'3fl tffi“ 1r -a：cr〜r '3fl。 ） 〜〜1 1 b“ ffi9t〜（ft@），〜〜cp1〜〜fut？ ：〜〜〜 -rm：i） - c o fcl rt fq〜i〜3f。 〜。 〜“ Q？J 8 CII -B l〜C www。 我是Ro。 GO v。 i n 1r j q <：1〜％1fc@ 〜311〜'Cr“ 〜〜〜Cffi C 1 Cn〜：a。311。>> 〜〜11 1l mm〜cm>。~ ~ cpl" ~ ~ ~ U ll l F i lli n g u p o f t h e p o s t o f A c c o u n ts O ff i ce r ( F i n a n c e ) , D e p a rt m e n t o f S p a c e , B e n g a l u ru i n L e ve l 11 o f P a y M a t r i x ( 7 t h C PC ) o n d e p u t a T I O N B A S I S -R E G A R D I N G* * * 〜'3fclr＆〜'j-fltt（3f。〜。 ）〜fa。：我I CF5 2 0。1 2。2 0 2 4〜 * 1 a fi @ cf5 cf5 1 ll f ci ll〜“ cf5” t * if〜，ftl -b tj5 l = fl cv：p：r〜'3fclr＆〜'j -fltt，〜rl〜q fcta〜'3fl tffi“ 1r -a：cr〜r '3fl。 ） 〜〜1 1 b“ ffi9t〜（ft@），〜〜cp1〜〜fut？ ：〜〜〜 -rm：i） - c o fcl rt fq〜i〜3f。 〜。 〜“ Q？J 8 CII -B l〜C www。 我是Ro。 GO v。 i n 1r j q <：1〜％1'3fl。 ）〜〜1 1 b“ ffi9t〜（ft@），〜〜cp1〜〜fut？：〜〜〜 -rm：i） - c o fcl rt fq〜i〜3f。〜。〜“ Q？J 8 CII -B l〜C www。我是Ro。GO v。 i n 1r j q <：1〜％1GO v。i n 1r j q <：1〜％1
使用MM-Wave Radar在车辆中监视生命体征...
近年来，雷达传感器和机器学习的结合改变了生命体征监测，尤其是在医疗保健和汽车行业。本研究使用车辆中的MMWave雷达技术来监视生命体征，这解决了诸如驾驶员疲倦之类的问题。与机器学习集成时，该技术在诸如患者护理设施和车辆舱的设置中提供了非侵入性，保护隐私的生理监测解决方案，同时仍在苛刻的环境中有效地执行。机器学习通过处理大量传感器数据来提高基于雷达的监视的准确性，但是在诸如车辆之类的嘈杂情况下保持精确度很难。本研究通过正确监视驾驶员和乘客来解决这些问题（Ahmed＆Cho，2024）。本演示文稿讨论了硬件限制，实施的解决方案以及与生命体征获取有关的当前软件问题。诸如高斯噪声添加和生成对抗网络（GAN）之类的技术可以提高收集的数据集的准确性和可靠性。自动编码器比Kalman过滤器（例如Kalman过滤器）优选，因为它们可以有效地解决非线性问题并消除噪音和背景。机器学习方法，例如卷积神经网络（CNN）和自校准的长期短期记忆（LSTM），在各种环境条件下对特征提取更有效（Zheng等，2021）。关键字生命体征监视 - MM波雷达 - 机器学习参考Ahmed，S。，＆Cho，S。H.（2024）。传统的自回旋模型对噪声敏感，因此，建议使用诸如时间卷积网络（TCN）之类的机器学习方法来进行信号处理，实时生命体征记录以及无连接传感器而重建心率变异性。研究团队利用了雷达和图形处理机（例如雷森·纳米（Jetson Nano））等尖端硬件解决方案（例如雷森·纳米（Jetson Nano））来应对实时机器学习的挑战（Zhang等，2022）。医疗保健雷达的机器学习：人类生命体征测量和活动识别的最新进展。IEEE通信调查与教程，26（1），461-495。 https://doi.org/10.1109/comst.2023.3334269IEEE通信调查与教程，26（1），461-495。 https://doi.org/10.1109/comst.2023.3334269
用于时间相关可解释人工智能的时间 2 型模糊系统
摘要 —可解释人工智能 (XAI) 是一种提供透明模型和决策的范例，非技术受众也易于理解、分析和增强这些模型和决策。基于模糊逻辑系统 (FLS) 的 XAI 可以提供可解释的框架，同时还可以对现实环境中存在的不确定性进行建模，这使其适用于需要可解释性的应用。然而，大多数现实生活中的过程不仅仅是以高度的不确定性为特征；它们本质上也与时间有关，即过程随时间而变化。为了解释与过程相关的时间成分，在本文中，我们为时间相关的 XAI (TXAI) 系统提出了一种基于时间类型 2 FLS 的新型方法，该方法可以使用（测量的）发生频率来解释测量在时间域中发生的可能性。在时间 2 型模糊集 (TT2FSs) 中，开发了一个四维 (4D) 时间相关成员函数，其中关系用于构建论域元素与其出现频率之间的相互关系。使用现实生活中的智能环境数据集通过分步数值示例和实证研究来说明所提出的具有 TT2FSs 的 TXAI 系统，以解决时间相关分类问题（根据一天中特定时间的传感器读数预测房间是否有人）。TXAI 系统性能还与具有不同可解释性水平的其他最先进分类方法进行了比较。 TXAI 系统表现出更好的分类能力，使用 10 倍测试数据集，平均召回率为 95.40%，而标准 XAI 系统（基于非时间一般 2 型 (GT2) 模糊集）的平均召回率为 87.04%。TXAI 的表现也明显优于大多数不可解释的 AI 系统，平均召回率提高了 3.95% 到 19.04%。时间卷积网络 (TCN) 略优于 TXAI（平均召回率提高了 1.98%），尽管计算复杂度较大。此外，TXAI 还可以使用嵌入在 TXAI 模型中的出现频率值概述最可能的时间相关轨迹；即，给定确定时间间隔内的规则，随后时间间隔内最可能的下一个规则是什么。在这方面，提出的 TXAI 系统对于描述现实生活中的时间相关过程（例如行为或生物过程）的演变具有深远的影响。