XiaoMi-AI文件搜索系统
World File Search Systemdecoder
Actis：严格的地方工会——寻找解码器
容错量子计算需要经典硬件来执行纠错所需的解码。并查集解码器是最佳候选解码器之一。它具有非常有机的特性，涉及通过最近邻步骤增长和合并数据结构；这自然表明它有可能使用带有最近邻链接的简单处理器格来实现。这样，计算负载可以以近乎理想的并行性进行分配。在这里，我们首次证明了这种严格（而非部分）局部性是实用的，最坏情况运行时间为 O(d3)，平均运行时间在表面代码距离 d 上是亚二次的。我们采用了一种新颖的奇偶校验计算方案，可以简化以前提出的架构，并且我们的方法针对电路级噪声进行了优化。我们将我们的局部实现与通过长距离链接增强的实现进行了比较；虽然后者当然更快，但我们注意到本地异步逻辑可能会消除差异。
自主驾驶中场景流网络的解码器
摘要 - 场景流估计通过预测场景中的点运动来确定场景的3D运动场，尤其是在自主驾驶中的帮助任务时。许多具有大规模点云的网络作为输入使用Voxelization来创建用于实时运行的伪图像。但是，体素化过程通常会导致特定点特征的丧失。这引起了为场景流任务恢复这些功能的挑战。我们的论文引入了Deflow，该文件可以从基于体素的特征过渡到使用门控复发单元（GRU）改进的点特征。为了进一步增强场景流量估计的性能，我们制定了一种新颖的损失函数，以解释静态点和动态点之间的数据不平衡。对Argoverse 2场景流量任务的评估表明，Deflow在大规模点云数据上取得了最新的结果，表明我们的网络与其他网络相比具有更好的性能和效率。该代码在https://github.com/kth-rpl/deflow上进行开源。
具有二进制解码器功能的生物混合材料电路的设计
合成生物学应用了电气工程和信息处理的概念，赋予细胞计算功能。将底层分子成分转移到材料中，并根据受电子电路板启发的拓扑结构进行连接，已经产生了执行选定计算操作的材料系统。然而，现有构建块的有限功能限制了将高级信息处理电路实现到材料中。在这里，设计了一组基于蛋白酶的生物混合模块，其生物活性可以被诱导或抑制。在定量数学模型的指导下，遵循设计-构建-测试-学习 (DBTL) 循环，模块根据受电子信号解码器启发的电路拓扑进行连接，这是信息处理的基本主题。设计了一个 2 输入/4 输出二进制解码器，用于检测材料框架中的两个小分子，这些小分子可以以不同的蛋白酶活性形式执行受调节的输出。这里展示的智能材料系统具有很强的模块化，可用于生物分子信息处理，例如在高级生物传感或药物输送应用中。
LANGUAGE IIv3 DCC 解码器编程器用户指南
SPROG II 是一个 DCC 解码器编程器，用于连接到个人计算机或类似设备的 USB 端口。SPROG II 由 DecoderPro 和 PanelPro 支持，两者都是 JMRI 项目 ( http://jmri.sourceforge.net/ ) 的一部分，通过使用 Java 编程语言，允许独立于平台支持各种 DCC 硬件。JMRI 软件是可免费下载的共享软件。
LANGUAGE IIv3 DCC 解码器编程器用户指南
SPROG II 是一个 DCC 解码器编程器，用于连接到个人计算机或类似设备的 USB 端口。SPROG II 由 DecoderPro 和 PanelPro 支持，两者都是 JMRI 项目 ( http://jmri.sourceforge.net/ ) 的一部分，通过使用 Java 编程语言，允许独立于平台支持各种 DCC 硬件。JMRI 软件是可免费下载的共享软件。
基于EEG脑电信号的双深度Q网络解码器...
摘要：脑机接口（BCI）利用神经活动作为控制信号，实现人脑与外部设备之间的直接通信，通过脑电图（EEG）捕捉大脑产生的电信号，将其转化为反映用户行为的神经意图，正确解码神经意图才能实现对外部设备的控制。基于强化学习的BCI增强解码器仅基于环境的反馈信号（奖励）完成任务，构建了从神经意图到适应变化环境的动作的动态映射通用框架。但使用传统的强化学习方法存在维数灾难、泛化能力差等挑战。因此，本文利用深度强化学习构建解码器以正确解码EEG信号，通过实验证明其可行性，并在具有高动态特性的运动成像（MI）EEG数据信号上展示其更强的泛化能力。
线性丢番图方程 (LDE) 解码器：训练... - CDN
用户意图。基于 SSVEP 与视觉刺激调制频率锁定这一知识，界面通常设置为在场景中具有多个目标，每个目标都标记有一个通过闪烁传递的唯一频率。目标可以是放置在物体上或附近的发光二极管 (LED)，以表示潜在动作、物品或到达坐标 [4–7]，也可以表示在计算机屏幕上，每个目标块代表 BMI 拼写器中的字符或用于控制计算机或其他设备的命令 [8–10]。为了从界面中呈现的所有目标中识别出用户的预期目标，解码算法会分析包含 SSVEP 的收集到的脑信号的频率成分，并根据主要频率特征做出决策。在典型的 SSVEP 设置中，诱发的 SSVEP 包含刺激频率 𝑓 ，以及该频率的谐波 2 𝑓、3 𝑓，... [1, 11]。传统基于 SSVEP 的 BMI 的局限性之一是目标数量受到 SSVEP 有限的响应范围 [1] 和谐波存在的限制，如果在界面中同时使用某个频率及其谐波，可能会导致错误分类。这减慢了 BMI 在提高命令处理能力（命令数量）方面的发展 [12]。为了解决这个问题，引入了多频 SSVEP 刺激方法，旨在增加在有限频率下可呈现的目标数量 [13–17]。然而，多频 SSVEP 的解码器尚未得到广泛探索。现有的多频 SSVEP 解码器包括基于功率谱密度的分析（PSDA）[15, 17]、多频典型相关分析（MFCCA）[18] 和针对每个单独用户或用例的基于训练的算法 [13, 19]。与两种无需训练的方法相比，基于训练的算法具有更高的分类准确率，但需要为每个用户进行额外的训练和界面设置。PSDA 和 MFCCA 支持即插即用，提高了 BMI 的实用性。然而，PSDA 通常解码准确率有限，因为它没有充分考虑多频 SSVEP 中的复频率特征，这些特征不仅包含刺激频率及其谐波（如单频 SSVEP），还包含刺激频率之间的线性相互作用 [16]。MFCCA 通过在解码中引入线性相互作用而显示出在多频 SSVEP 解码中的优势 [18]，但 MFCCA 的一个主要问题是它是基于典型相关分析 (CCA) [20] 开发出来的，具有很高的时间复杂度。 CCA 的渐近时间复杂度为 O ( lD 2 ) + O ( D 3 ) （以 O ( n 3 ) 为界，其中 n 表示解码时的输入大小），其中 l
M2D2：用于癫痫脑活动时间定位的最大均值差异解码器
摘要 — 近年来，人们对利用基于脑电图 (EEG) 信号的深度学习模型监测癫痫患者的兴趣日益浓厚。然而，这些方法在应用于收集训练数据的环境之外时，往往表现出较差的泛化能力。此外，手动标记 EEG 信号是一个耗时的过程，需要专家分析，这使得将特定于患者的模型微调到新环境成为一项昂贵的任务。在这项工作中，我们提出了最大均值差异解码器 (M2D2)，用于自动时间定位和标记长时间 EEG 记录中的癫痫发作，以协助医疗专家。我们表明，当对不同于训练数据的临床环境中收集的 EEG 数据进行评估时，M2D2 实现了 76.0% 和 70.4% 的时间定位 F1 分数。结果表明，M2D2 的泛化性能明显高于其他最先进的基于深度学习的方法。
薛定谔的海盗：如何追踪量子解码器
量子计算机对密码学构成了迫在眉睫的威胁。巧合的是，量子计算机增强的计算能力可以解决当今使用的大部分公钥密码学所依赖的精确数学问题，比如因式分解和离散对数 [Sho94]。好消息是，“量子安全”的数学工具（如格、多元方程或同源）已经存在，可以在许多环境中用作直接替代品。尽管如此，仍存在许多挑战。例如，使用量子安全的直接替代品并不总能保证整个协议的安全性，因为许多经典证明技术无法延续到量子环境中 [VDG98、ARU14、BDF + 11]。量子攻击者也可能获得对诚实方的“叠加访问权限”，从而开辟新的攻击途径 [KM10、Zha12a、DFNS14、KLLN16]。在这项工作中，我们考虑了来自量子计算机的完全不同的威胁，据我们所知，这种威胁以前从未被发现：量子盗版！
转移性癌症：靶向燃料治疗的蛋白质 -
通过这项最新工作，该团队开发了一种方法来调整现有的大脑解码器，对艰难的方式进行训练，并在观看短暂而无声的视频（例如Pixar Shorts）的同时，在fMRI扫描仪中只有一个小时的培训。研究人员开发了一种转换器算法，该算法学习如何将新人的大脑活动映射到以前用于训练大脑解码器的活动的人的大脑上，从而在与新人的一小部分中导致了类似的解码。