XiaoMi-AI文件搜索系统
World File Search Systemachieves
游戏理论：基本概念和术语 - 教师
对于每个i = 1，。。。，n，让我表示在可行的策略组合下，球员I获得的payo s =（s 1，。。。，s n）对于n个玩家。如果不存在另一个可行的策略组合S'，则策略组合s被认为是帕特托的，在该策略组合中，我至少达到的每个玩家至少达到了P payo payo效应，而某些玩家J的payo却比P j高。payo效果（p 1，。。。，p n）被认为是帕累托有效的payo效果。
PHI-3技术报告：手机本地有能力的语言模型
We introduce phi-3-mini , a 3.8 billion parameter language model trained on 3.3 trillion tokens, whose overall performance, as measured by both academic benchmarks and internal testing, rivals that of models such as Mixtral 8x7B and GPT-3.5 (e.g., phi-3-mini achieves 69% on MMLU and 8.38 on MT-bench), despite being small enough to be deployed on a 电话。我们的培训数据集是用于PHI-2的扩展版本，该版本由大量过滤的公开可用的Web数据和合成数据组成。该模型还可以进一步符合鲁棒性，安全性和聊天格式。我们还提供了针对4.8T令牌训练的7B，14B型号的参数缩放结果，称为Phi-3-Small，Phi-3中，均比Phi-3-Mini（例如，MMLU上的75％，78％，在MT-Bench上的8.7，8.7，8.7，8.7，8.7，8.7，8.7）。为了增强多语言，多模式和长篇文化功能，我们在PHI-3.5系列中介绍了三个模型：Phi-3.5-Mini，Phi-3.5-Moe和Phi-3.5-Vision。与其他类似规模的开源模型相比，具有66亿个活动参数的16 x 3.8B MOE模型，在语言推理，数学和代码任务方面取得了卓越的性能，例如Llama 3.1和Mixtral系列，以及与GEMINI-1.5-FLASH和GPT-FLASH和GPT-FLASH和GPT-4O-MINI相比。与此同时，Phi-3.5-Vision是一个源自PHI-3.5- mini的42亿个参数模型，在推理任务方面表现出色，并且擅长处理单片图像和文本提示，以及多图像和文本提示。
Agile and Dynamic Control Technologies to Enhance System Stability and Power Quality Considering Renewables and Electrical Vehicle Impact 新能源与电气化交通影响下
• Project Summary & objectives - The project will develop tools to ensure safe and reliable power supply associated with the transition towards an electric vehicle (EV) dominated transportation sector, while leveraging on renewable energy (such as solar PV) and battery storage systems to support EV charging and carbon emission reduction. It achieves social benefits through three layers: (i) System - It will enable system operators to effectively manage the power grid to host large number of EVs without blackout while enjoying capital deferral benefits; (ii) community - It provides tools for car park operators with EV charging facilities to avoid potential loss of electricity; and (iii) individuals - It provides optimal charging strategies for EV owners to save on charging while being assured of sufficient battery charge to drive. 该项目将开发工具，以确保有大量电动车出现的交通电气化过程中安全可靠的电力供应, 同时充分利用可再生能源( 比如太阳能) 和电池储能系统支持电动车充电及减少碳排放。它通过三个层面实现社会效益: (i) 系统- 使系统运营商能够有效管理电网，在不停电的情况下支持大量电动汽车，同时享受资本递延收益； (ii) 社区– 让有电动汽车充电设施停车场的物业避免潜在的停电风险； (iii) 个人- 为电动车车主提供最佳充电策略，以节省充电费用，同时确保有足够的电池电量来驾驶。
通过pre ...
基本化是纳米孔测序分析中的重要步骤，其中将纳米孔测序仪的原始信号转化为核苷酸序列，即读取。最先进的基本收藏家采用复杂的深度学习模型来实现高基本的准确性。这使得基本计算效率低下且渴望记忆，从而瓶颈整个基因组分析管道。对于许多应用，大多数读取都与Interest的参考基因组（即目标参考）不匹配，因此在基因组学管道中的以后步骤中丢弃，浪费了基本的组合。要克服这个问题，我们提出了TargetCall，这是第一个消除基本浪费的计算的预淘汰过滤器。TargetCall的关键想法是丢弃在基本之前与目标参考（即，脱离目标读取）不匹配的读取。TargetCall由两个主要组成部分组成：（1）LightCall，一种轻量级的神经网络基本词，可引起嘈杂的读数； （2）相似性检查通过将它们与目标参考匹配，标记这些嘈杂的每个嘈杂的标记为“目标”或“脱离目标”。Our thorough experimental evaluations show that TargetCall 1) improves the end-to-end basecalling runtime performance of the state-of-the-art basecaller by 3.31 × while maintaining high ( 98.88% ) recall in keeping on-target reads, 2) maintains high accuracy in downstream analysis, and 3) achieves better runtime performance, throughput, recall, pre- cision, and generality compared to prior works.TargetCall可在https://github.com/cmu-safari/targetCall上找到。
20240206 人工智能原理论文
系统在分离损失和碰撞风险方面达到了目标安全水平。 系统在分离损失和碰撞风险方面达到了目标安全水平。 并优先考虑这些目标而不是吞吐量目标。 系统的安全性使得它不能被修改（故意或错误地）或篡改。 系统能够明显减轻操作环境中变化（例如天气条件、能见度水平、空域密度和行为）对安全隐患的影响。
HAD-NET：一个分层对抗知识蒸馏网络，用于改善没有对抗后图像的增强肿瘤分割
对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。 然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。 尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。 在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。 尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。 The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。 该网络还显示出肿瘤核心（TC）骰子得分的改善。对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。该网络还显示出肿瘤核心（TC）骰子得分的改善。最后，根据不确定性量化，该网络的表现优于基线学生网络和AD-NET，以增强基于BRATS 2019不确定性挑战指标的肿瘤细分。我们的代码可公开可用：https：//github.com/saveriovad/had_net关键字：知识蒸馏，对抗性，歧视者，分层，增强肿瘤，缺失顺序，对比度增强
可重构 2.4/5GHz 双频发射机前端，支持 1024-QAM，适用于 40nm CMOS WLAN 802.11ax 应用
摘要 — 本文介绍了一种新型高效可重构双频输出匹配网络设计方法。所实现的输出匹配网络在 2.4 GHz 和 5.5 GHz 下分别实现了 71.6% 和 75% 的无源效率。基于所提出的输出匹配网络，采用 40 纳米 CMOS 技术设计和制造了支持 2.4/5 GHz 双频操作的发射器和独立功率放大器 (PA)，用于新兴的无线局域网 (WLAN) 802.11ax 应用。在 2.4 GHz 和 5 GHz WLAN 频段，PA 实现了 23 和 21.9-22.4 dBm 的 P sat ，功率附加效率 (PAE) 分别为 27% 和 24.2%-28.2%。在 2.442 GHz 时，发射器可为 40 MHz、1024 正交幅度调制 (QAM) 802.11ax 信号提供 8.1 dBm 平均输出功率，同时满足误差矢量幅度 (EVM) 低于 -35 dB 的标准规范。在 5 GHz 工作模式下，发射器可实现 6.72-6.95 dBm 的平均输出功率，80 MHz、1024 QAM 802.11ax 信号的 EVM 为 -35 dB。PA 和发射器前端是文献中首次发布的双频 WLAN 802.11ax 应用设计。