XiaoMi-AI文件搜索系统
World File Search Systematen
专利 2021-22, 2022-23(47)
混合 RDA-BWO（红鹿算法-黑寡妇优化）用于无线传感器网络的节能。在 H-WSN 中，集成了 FCM（模糊 C 均值）聚类、基于 RDA 的 CH（簇头）选择、数据收集和聚合机制、基于 BWO 的 10 MSLP、热点消除和 MSTP（移动接收器遍历路径）等策略。HWSN 使用 FCM 算法进行聚类。所提出的 HWSN 在 NS2 平台上实现。模拟结果在吞吐量、网络寿命、网络剩余能量、死节点数、稳定期和活动节点数等不同指标上均优于基线 15 种协议，证明了所提出的 RDA-BWO 方法的优越性。10 基于机器学习和图像处理的生产线上产品质量检测系统
ard-vae：一种统计公式，以找到变异自动编码器的相关潜在维度
变异自动编码器（VAE）[19，41]是一个人口，深，潜伏的模型（DLVM），这是由于其简单而有效的数据用于建模数据分布。优化VAE目标函数比其他DLVM更易于管理。VAE的瓶颈维度是一个至关重要的设计选择，并且对模型的性能具有很强的冲突，例如使用VAE学到的代表来找到数据集的隐藏解释因素。但是，VAE的潜在维度的大小通常被视为通过反复试验和误差经验估计的高参数。为此，我们提出了一个统计公式，以发现建模数据集所需的潜在因素。在这项工作中，我们在潜在空间中使用层次先验，使用编码数据估算潜在轴的方差，该数据标识了相关的潜在维度。为此，我们用层次的先验代替了VAE客观功能中的固定先验，使剩余的配方保持不变。我们将所提出的方法称为变异自动编码器（ARD-VAE）1中的自动相关性检测。我们证明了ARD-VAE在多个基准数据集中找到相关的LATENT尺寸及其对不同评估的效果（例如FID得分和分离分析分析）的疗效。
在第四次工业革命中抢购专利
论文应作为pdf或Word文件提交给swps@sussex.ac.uk。首页应包括：标题，摘要，关键字和作者的名称和分支机构。副编辑将考虑该论文出版，后者可能会要求两名裁判提供审查。我们的目标是在提交后三周内发送裁判报告。可以要求作者提交该论文的修订版，并回复裁判的评论，向swps@sussex.ac.uk。编辑们就本系列中包含该论文的最终决定做出了最终决定。提交时，作者应指示论文是否已经进行了同行评审（在其他系列，期刊或书籍中），在这种情况下，编辑人员可以决定跳过审核过程。一旦将纸包含在SWP中，作者就会维护版权。
gpld3d：通过执行几何学和物理先验
扩散概率模型（DDPM）[39，40]，通过开发合适的3D表示，例如，体积网格[50]，点云[3，53]，三角形网格[24，32]，隐式含量[24，32]，隐式代表[12，28，36，36，36，36，56，36，56，36，36，36，56）。但是，这些生成模型的一个共同主题是匹配由训练数据定义的经验分布以及从潜在空间的先前分布中得出的诱导分布。这些方法在3D域中对下游应用程序至关重要的3D域中没有明确模型。考虑使用隐式形状代表的许多状态形状发生器。合成形状通常具有断开的作品，并具有其他物理稳定性和几何可行性的问题。现有技术的一个主要问题是，他们只看到培训实例，这是一组非常稀疏的样本。但是，它们没有对合成实例的几何和物理特性进行建模。这种问题不容易通过开发合适的神经代表来解决。随着人造形状具有多种拓扑结构，在可以对不同拓扑结构建模的代表下执行这些属性，例如隐式表面和点云仍然非常具有挑战性。在本文中，我们介绍了一种名为GPLD3D的新颖方法，该方法极大地增强了合成形状的几何学性和物理稳定性。考虑一个预先训练的生成模型，该模型将潜在空间映射到形状空间。我们将潜在扩散范式[12，34，36，56]证明是一种最先进的形状基因产生模型。与训练一个扩散模型不同，该模型将潜在空间的高斯分布映射到由训练形状的潜在代码定义的经验分布，我们介绍了一个潜在代码的优质检查器，以定义潜在空间的连续正规化分布。此质量检查器集成了一个学到的功能，该功能量化了合成形状的几何可行性评分以及量化其物理稳定性评分的刚度ma-Trix的光谱特性。我们展示了如何扩展最新的扩散框架EDM [20]，以整合数据分布和学习质量的denoising网络的质量检查器。关键贡献是一种原则性的方法，它决定了数据分散的损失条款与不同噪声水平的质量检查器之间的权衡参数。我们已经评估了shapenet-v2上GPLD3D的性能[6]。实验结果表明，在多个指标上，GPLD3D显着优于最先进的形状发生器。我们还提出了一项消融研究，以证明合并质量检查器并优化训练损失的超参数的重要性。
通过图卷积和可逆神经网络对潜在空间中的点云进行去噪
点云经常包含噪声和异常值，为下游应用带来障碍。在本文中，我们介绍了一种新颖的点云去噪方法。通过利用潜在空间，我们明确地发现噪声成分，从而可以提取干净的潜在代码。这反过来又有助于通过逆变换恢复干净点。我们网络中的一个关键组件是一个新的多层图卷积网络，用于捕获从局部到全局各个尺度的丰富几何结构特征。然后将这些特征集成到可逆神经网络中，该网络双射映射潜在空间，以指导噪声解缠结过程。此外，我们使用可逆单调算子来模拟变换过程，有效地增强了集成几何特征的表示。这种增强使我们的网络能够通过将噪声因素和潜在代码中的内在干净点投影到单独的通道上来精确区分它们。定性和定量评估均表明，我们的方法在各种噪声水平下都优于最先进的方法。源代码可在 https://github.com/yanbiao1/PD-LTS 获得。
OTS - 基因编辑专利.docx
Prime 编辑通过使用向导 RNA 将 Prime 编辑复合物引导至 DNA 内的特定位置来实现这一点。该复合物含有一种经过修饰的 Cas9 蛋白，称为“Prime 编辑器”，与逆转录酶融合 (2)。Prime 编辑器旨在识别特定的 DNA 序列并切割双螺旋的一条链，从而使逆转录酶能够使用未切割的链作为模板，在切割位点添加或删除特定核苷酸。
人工智能和机器学习的专利保护
在依赖发明人了解潜在的现有技术时，尤其是对于使用人工智能的发明，您应该谨慎行事。许多公司和大学都强烈鼓励发明人寻找在现有流程中实施人工智能的方法，这导致许多发明人无意中重新发明了其他人可能已经探索或实施的东西。当然，这并不一定意味着两组发明人都发明了相同的解决方案。如果您确实发现了这样的问题，您应该彻底调查这些方法是否真的相同，或者这些方法之间是否存在差异，这些差异可能足以证明新颖性和非显而易见性。请参阅显而易见性驳回：攻击表面案例和显而易见性驳回：反驳表面案例。
20220418_新闻稿_Catena-X 汽车网络
关于 Circularise Circularise 是一家供应链可追溯性提供商，成立于 2016 年，总部位于荷兰。Circularise 的软件系统可帮助化学品、塑料、电池材料、金属和其他行业的供应商追踪材料并分享其环境足迹，而不会危及敏感数据。此外，它还可以帮助品牌了解自己的范围 3 排放和其他指标，这与围绕数字产品护照、德国供应链法案和企业可持续发展报告指令的监管推动相一致。
为实时AI和HPC提供低潜伏期。
GROQ的体系结构与高批量GPU的相反，GROQCHIP处理器具有230 MB的SRAM，可提供80TB/s的芯片带宽。图3显示了Groqchip如何非常有效地揭示指令级别并行性，记忆级并行性和数据级并行性，从而同时采用了计算和交流的独特方法。开发后，控制权被移交给软件端，以构建一个大规模的并行编译器，以利用所有这些形式的并发。这有助于有助于Groq在批次1.在其他体系结构中，必须处理256个用于培训的256 BA TCH，这意味着必须处理256张图像，并且“在应用程序可以提供有关第一个的信息之前从''中学到的图像。在GROQ在批次1运行，因此在收到的每个图像时处理每个图像（而不是等待所有256），不仅等待降低，精度会提高。另外，GROQ架构允许开发人员不摊销GPU和其他传统体系结构中固有的长潜伏期。
为可持续发展提供专利：绿色技术和知识产权
获得专利的绿色技术也可能被证明要比像发展中国家那样巨大需要的绿色技术限制了对急需的技术的访问。也存在专利灌木丛的风险，这是一个密集的重叠的知识产权网络，公司必须闯入它，以便实际将新技术商业化。7这些灌木丛可以使新公司和创新者难以开发和商业化新技术，而无需遇到与现有专利有关的法律问题。，例如，特斯拉和松下拥有与锂离子电池技术相关的几项专利，这可能使新进入者开发和销售新电池技术的挑战，而无需侵犯那些现有专利或考虑增加成本增加，因为需要从现有专利持有人那里获得许可证。