XiaoMi-AI文件搜索系统
World File Search Systemdecoder
使用深度学习从整个脉冲活动中稳健而准确地解码手部运动
稳健性和解码准确性仍然是皮层内脑机接口 (BMI) 系统临床转化的主要挑战。在这项工作中，我们展示了一种信号/解码器协同设计方法（在设计开发过程中利用输入信号和解码算法之间的协同作用）可用于实现稳健且准确的 BMI 解码性能。具体而言，通过应用此过程，我们提出将整个脉冲活动 (ESA) 用作输入信号，将基于准循环神经网络 (QRNN) 的深度学习用作解码算法。我们评估了 ESA 驱动的 QRNN 解码器从非人类灵长类动物初级运动皮层区域长期记录的神经信号解码手部运动学的性能。我们提出的方法在长期记录会话中始终比之前报告的任何其他方法都具有更高的解码性能。即使从原始信号中去除脉冲，其高解码性能也能维持。总体结果显示出极高的解码精度和长期稳健性，这是非常可取的，因为它是 BMI 中尚未解决的挑战。
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。
了解二进制二进制解码
ghosh – Verbauwhede论文涉及Cryptosys-Tem [47，算法3]的恒定时间硬件实现，以及对基于代码的加密术的Overbeck-Sendrier调查[69，第139-140页]。所有这些来源（以及更多）都描述了Patterson [72，V节]引入的算法，以纠正由无方面的多项式定义的二进制GOPPA代码的T错误。McEliece的纸介绍了Mceliece Cryptosystem [63]也指出了Patterson的算法。但是，帕特森的算法不是最简单的快速二进制二进制解码器。这里的一个问题是，简单性与纠正的错误数量之间存在折衷（这反过来影响了所需的mceliece密钥大小），如以下变体所示：帕特森的论文包含了更简单的算法以纠正⌊t/ 2⌋错误；从苏丹[84]开始，然后是Guruswami – Sudan [50]，更复杂的“列表解码”算法，校正略多于T错误。，但让我们专注于快速算法，以纠正传统上使用McEliece Cryptosystem中使用的T错误。主要问题是，在这些算法中，Patterson的算法并不是最简单的。GOPPA已经在GOPPA代码的第一篇论文中指出了[48，第4节]，二进制GOPPA代码由平方英尺定义的多项式G也由G 2定义。校正由G 2定义的代码中T错误的问题立即减少到用T错误（即Reed – Solomon解码）的多项式插值问题。生成的二进制二进制解码器比Patterson的解码器更简单。简单性的好处超出了主题的一般可访问性：简单算法的软件倾向于更易于优化，更容易防止定时攻击，并且更易于测试。在伯恩斯坦– Chou-Schwabe [16]，Chou [34]和Chen – Chou [32]的最先进的McEliece软件中使用了相同的简单结构并不是一个巧合。该软件消除了与数据有关的时机，同时包括子例程中的许多加速度。避免帕特森的算法也可能有助于正式验证软件正确性，这是当今量词后加密术的主要挑战。也许有一天为Patterson的算法软件赶上了这些其他功能，也许它会带来进一步的加速，或者可能不会。Patterson的算法用于某些计算，使用度t而不是度量2 t，但还包括额外的计算，例如反转模量G；文献尚未明确速度是否大于放缓。，即使帕特森的算法最终更快，肯定会有一些应用程序更重要。只有Patterson的算法才想到Knuth的名言[55，第268页]，即“过早优化是所有邪恶的根源”。对于熟悉编码理论的受众来说，“ G 2的GOPPA代码与G 2的GOPPA代码相同；对于更广泛的受众来说，可以通过说“以下关于编码理论的课程”来减少上一句话。，但对于观众来说，将重点放在这种解码器上的小道路上是更有效的，而且文学中似乎没有任何如此的小型言语。总而言之，本文是对由无方面的多项式定义的二进制GOPPA代码的简单t eRROR解码器的一般性介绍，并通过证明了t -reed reed – solomon解码器的证明。
基于EEG的听觉注意解码 - ESAT的主页
d∈Rlc×1，收集所有时间滞后和通道的所有解码器系数，以及x（t）= h x 1（t）t x 2（t）t x 2（t）t·x c（t）t c（t）
基于混合深度学习的图像字幕算法
摘要 - 在过去的十年中，编码器二十字架框架的图像字幕显示出巨大的进步，在过去的十年中，CNN主要用作编码器，LSTM用作解码器。尽管在简单图像中的准确性方面取得了令人印象深刻的成就，但它在时间复杂性和空间复杂性效率方面缺乏。除此之外，如果具有许多信息和对象的复杂图像，则该CNN-LSTM对的性能由于缺乏对图像中显示的场景的语义理解而呈指数降级。因此，要考虑这些问题，我们提出了CNN-GRU编码器解码框架，用于字幕到图像重建器，以考虑到语义上下文以及时间复杂性。通过考虑解码器的隐藏状态，将输入图像及其相似的语义表示是重建的，并且在模型训练过程中使用了语义重建器的重建分数与可能的可能性使用，以评估生成的字幕的质量。结果，解码器会收到改进的语义信息，从而增强了字幕生产过程。在模型测试期间，选择最合适的标题也可行。建议的模型优于最先进的LSTM-A5模型，用于图片的图片字幕，以时间复杂性和准确性。
基于极地代码的查找表的展开和管道解码器
摘要 - 解码算法允许以增加面积的成本实现极高的吞吐量。查找表（LUTS）可用于替换其他作为电路实现的功能。在这项工作中，我们显示了通过在独立的解码器中精心制作的LUTS代替逻辑块的影响。我们表明，使用LUTS改善关键性能指标（例如，区域，吞吐量，潜伏期）可能比预期更具挑战性。我们提出了三种基于LUT的解码器的变体，并详细描述了它们的内部工作以及电路。基于LUT的解码器与常规展开的解码器进行了比较，该解码器采用固定点表示数字，具有可比的误差校正性能。简短的系统极性代码被用作说明。所有由此产生的展开解码器均显示能够在28 nm FD-SOI技术中以1.4 GHz至1.5 GHz的时钟进行少于10 Gbps的信息吞吐量。与常规展开的解码器相比，我们的基于LUT的解码器的最佳变体可将面积的需求降低23％，同时保留可比的错误校正性能。
使用A签名
摘要：脑肿瘤是一种有害的癌症，是最低的五年生存率之一。神经元经常使用磁共振成像（MRI）来诊断脑肿瘤的类型。自动化的计算机辅助工具可以帮助他们加快诊断过程并减轻医疗保健系统的负担。医学成像深度学习的最新进展显示出了能力的结果，尤其是在各种癌症的自动和即时诊断中。但是，我们需要大量数据（图像）来训练深度学习模型，以获得良好的结果。大型公共数据集在医学上很少见。本文提出了一个基于无人研究的框架，以解决此限制。我们在提出的框架中结合了两个生成模型：变异自动编码器（VAE）和生成对抗网络（GAN）。最初在可用的MR图像的训练集上训练训练集后，我们交换了编码器– decoder网络。此交换网络的输出是一个具有图像歧管信息的噪声向量，并且级联的生成对抗网络样本在形成性噪声矢量而不是随机的高斯噪声中样本。所提出的方法有助于引用引文：艾哈迈德，b。太阳，J。；你，问。
自动归一化法语及其对生产力的影响
摘要本文介绍了一项关于以中间法语编写的16世纪文档自动归一化的研究。这些文档提出了各种各样的单词形式，这些单词形式需要拼写归一化以促进下游语言和历史研究。我们将归一化过程作为机器翻译任务开始，从强大的基线开始利用预训练的编码器– DECODER模型。我们建议通过结合合成数据生成方法和生成人工培训数据来改善这一基线，从而解决与我们任务相关的平行语料库。对我们的方法的评估是双重的，除了依靠黄金参考的自动指标外，我们还通过其产出后评估我们的模型。这种评估方法直接测量了我们的模型给手动进行标准化任务的专家带来的生产力增长。结果表明，与从头开始使用自动归一化相比，使用自动归一化时，生产率每分钟增加了20多个令牌。由我们的研究产生的手动编辑的数据集是将公开发布的第一个正常化的16世纪中部法国人的平行语料库，以及合成数据以及在介绍的工作中使用和培训的自动归一化模型。
Glória：葡萄牙语的生成且开放的大语言模型
在Natu的语言任务中已经取得了重大进步，这在很大程度上归因于强大的大型语言模式（LLMS）的出现。这些模型已在充分和多样化的语料库中进行了预先培训，已经具有不可思议的能力理解语言的文化。尽管LLM大量用于许多高资源语言，但此类模型的可用性仍然是欧洲葡萄牙语的限制性。我们介绍了强大的欧洲葡萄牙解码器LLMGlória。为了预训练Glória，我们组装了一个全面的PT-PT文本语料库，其中包括来自各种来源的350亿个令牌。我们介绍了我们的训练方法，然后评估模型对多个下游任务的有效性。补充，为了评估我们的模型的语言模型功能，我们介绍了calame-pt（葡萄牙语的上下文意识语言建模评估），这是第一个葡萄牙零射击语言模型基准。评估表明，Glória在语言建模中显着超过现有的PT解码器模型，并且可以生成声音，知识丰富和相干的PT-PT文本。该模型还具有各种下游任务的强大潜力。1
从复杂的神经流形中简单解码行为
脑机接口 (BCI) 的解码器假设神经活动受到约束，这些约束既能反映科学信念，又能产生易于处理的计算。我们记录了低缠结（运动皮层神经轨迹的典型特性）如何产生不寻常的神经几何形状。我们设计了一个解码器 13 MINT，以接受这些几何形状的适当统计约束。MINT 采用以轨迹为中心的 14 方法：神经轨迹库（而不是一组神经维度）提供了一个近似神经流形的支架 15。每个神经轨迹都有相应的行为轨迹 16，允许简单但高度非线性的解码。MINT 的表现优于其他可解释方法 17，并且在 42 次比较中的 37 次中优于表达性机器学习方法。然而与这些方法 18 不同，MINT 的约束是已知的，而不是优化解码器输出的隐式结果。 MINT 在各项任务中表现良好，表明其假设通常与神经数据的统计数据非常吻合。尽管 20 包含行为与潜在复杂神经轨迹之间的高度非线性关系，21 MINT 的计算简单、可扩展，并提供可解释的数量，例如数据可能性。22 MINT 的性能和简单性表明它可能是临床 BCI 应用的绝佳候选者。23