XiaoMi-AI文件搜索系统
World File Search Systemernel
物理知识的机器学习作为内核方法
物理知识的机器学习结合了基于数据的方法的表现力和物理模型的解释性。在这种情况下，我们考虑了一个通用回归问题，其中经验风险是通过量化物理不一致的部分微分方程正规化的。我们证明，对于线性差异先验，该问题可以作为内核回归任务提出。利用内核理论，我们得出了正规风险的最小化器ˆ f n的收敛速率，并表明ˆ f n至少以sobolev minimax速率收敛。但是，根据物理错误，可以实现更快的速率。以一维示例说明了这一原则，支持以物理信息为正规化经验风险的说法对估计器的统计性能有益。关键字：物理知识的机器学习，内核方法，收敛速率，物理正则化
使用可编程机器人启动到幼儿园算法
IT和扩展数字现在对于我们的日常生活至关重要。无论是休闲还是公民职责，都通过计算机科学完成了很多活动。此外，活动领域非常大，我们用数字来告知自己，以交流和缴税。我们有权想知道，今天学校是否必须培训学生以及数字实践和用途？但是，尽管计算机科学在我们的社会中具有重要的位置，但观点有所不同。在公开辩论中，我们可以听到屏幕对幼儿很危险，但只有他们不当使用才是危险的。此外，政府的意见很难确定。我寻求选举诺言，在12名候选人的信仰职业中教授计算机科学的有利或不利条件。只有让·拉萨尔（Jean Lassalle）提到了这个主题：“创建一个新的学科来掌握数字工具，而不再使用专用的斗篷进行这些学科”。然后，人们可能会认为，其他候选人不认为学校的计算机科学教学是一个重要的问题。否则情况并非如此。共和国现任总统伊曼纽尔·马克龙（Emmanuelle Macron）认为，他想在2022年总统竞选期间在学校开发计算机教育现在的问题是如何？尽管如此，我们可以求助于专家的建议，这些专家们一致确认现在有必要在学校进行计算机科学的教学。
Ken Déguernel、Mathieu Giraud、Richard Groult、Sebastien Gulluni。从旋律到结构，个性化 AI 实现共同创作音乐。声音与音乐计算 (SMC 2022)，2022 年，法国圣艾蒂安。第 314-321 页，�10.5281/zenodo.6573287�。�hal-03618015�
共同创造是一种独特的艺术情境，人与计算机互动，对互动性、可操控性和个性化提出了挑战。我们提出了一种新的共同创作音乐创作方法，我们在参加“2021 年人工智能歌曲大赛”时采用了这种方法，这是一项涉及人工智能 (AI) 的国际音乐比赛。我们对人工智能创作方法进行了个性化，以适应作曲家的需求和期望。作曲家与不同人工智能方法之间的互动贯穿整个作曲过程，包括通过基于机器学习的人工智能的数据共享和基于规则的人工智能的知识共享来生成旋律、和弦进行、整体结构和纹理变化。我们描述了这些人工智能方法以及作曲家如何与它们互动：人工智能方法的个性化使作曲家能够在保持原有风格的同时探索新的音乐领域，人工智能音乐生成“听起来就像是专门为他生成的”。歌曲“The last moment before you fly”在本次比赛中排名第三，评委强调了这首歌的“个人感觉”。我们在这里讨论这些方法如何为使用人工智能和个性化的新共同创作方法开辟道路。
自动有效发现量子内核
摘要 - 量词计算可以通过启用内核机器来利用量子kernels来代表数据之间的相似性度量来增强机器学习模型。量子内核能够捕获在经典设备上无法有效计算的数据中的关系。但是，没有直接的方法可以针对每个特定用例设计最佳量子内核。我们提出了一种方法，该方法采用了与神经体系结构搜索和自动化中使用的技术相似的优化技术，以启发式方式自动找到最佳内核。为此，我们定义了用于构建实现相似性度量作为组合对象的量子电路的算法，该算法是根据成本函数进行评估的，然后使用元效法优化技术进行了迭代修改。成本函数可以启用许多标准，以确保候选解决方案的有利统计属性，例如动态LIE代数的等级。重要的是，我们的方法独立于采用的优化技术。通过在高能物理问题上测试我们的方法获得的结果表明，在最佳情况下，我们可以相对于手动设计方法匹配或提高测试准确性，表明我们技术的潜力可以减少努力来提供卓越的结果。
从大内核卷积的角度来解释和提高注意力
摘要 - 注意机制通过有效捕获全球环境具有显着高级的视觉模型。但是，它们对大规模数据集和实质性计算资源的依赖构成了数据筛查和资源约束方案的挑战。此外，传统的自我发作的机械主义缺乏固有的空间归纳偏见，这使它们成为对涉及较小数据集至关重要的任务至关重要的局部特征进行建模的。在这项工作中，我们引入了大型内核卷积（LKCA），这是一种新型的表述，将注意力重新诠释为单一的大内核卷积。这种设计统一了卷积体系结构的优势 - 本地性和跨性别不变性，具有自我注意力的全球背景建模能力。通过将这些属性嵌入计算高效的框架中，LKCA解决了传统注意机制的关键局限性。所提出的LKCA在各种视觉任务中实现竞争性能，尤其是在数据约束的设置中。对CIFAR-10，CIFAR-100，SVHN和TININE-IMAGENET的实验结果证明了其在图像分类中出色的能力，在紧凑型模型设置中表现出色，表现优于常规的强度机制和视觉变压器。这些发现突出了LKCA在桥接本地和全球功能建模中的有效性，为具有有限的数据和资源的现实世界应用提供了实用且强大的解决方案。
分布式核驱动数据聚类
推导出一种新型的完全分布式联合核学习和聚类框架，该框架能够以无监督的方式确定聚类配置。利用半定规划来量化候选核相似矩阵与特定秩的块对角线结构的接近程度。利用凸函数差和块坐标下降，推导出一种递归算法，该算法联合确定适当的核相似矩阵和聚类因子。以可分离的方式重新表述所涉及的半定程序，我们基于交替方向乘数法，构建一个完全分布式方案，通过协作的相邻代理在自组织网络中实现联合核学习和聚类。收敛声明表明，所提出的算法框架返回有界相似核更新，促进块对角线结构。利用合成数据和真实数据的详细数值示例表明，分布式新方法可以实现接近甚至超过现有集中式替代方案所实现的聚类性能。关键词：分布式学习、内核、聚类、无监督学习、优化
KernelSnitch：针对内核数据结构的侧信道攻击
摘要：众所周知，共享硬件元素（例如缓存）会引入微架构侧信道泄漏。消除这种泄漏的一种方法是不跨安全域共享硬件元素。然而，即使在无泄漏硬件的假设下，其他关键系统组件（例如操作系统）是否会引入软件引起的侧信道泄漏仍不清楚。在本文中，我们提出了一种新颖的通用软件侧信道攻击 KernelSnitch，针对内核数据结构（例如哈希表和树）。这些结构通常用于存储内核和用户信息，例如用户空间锁的元数据。KernelSnitch 利用了这些数据结构的大小可变的特性，范围从空状态到理论上任意数量的元素。访问这些结构所需的时间取决于元素的数量（即占用率）。这种变化构成了一个定时侧信道，可被非特权的孤立攻击者从用户空间观察到。虽然与系统调用运行时相比，时间差异非常小，但我们演示并评估了可靠地放大这些时间差异的方法。在三个案例研究中，我们表明 KernelSnitch 允许非特权和孤立的攻击者泄露来自内核和其他进程活动的敏感信息。首先，我们演示了传输速率高达 580 kbit/s 的隐蔽通道。其次，我们利用 Linux 在哈希表中使用的特定索引，在不到 65 秒的时间内执行了内核堆指针泄漏。第三，我们演示了网站指纹攻击，F1 分数超过 89%，表明可以使用 KernelSnitch 观察到其他用户程序中的活动。最后，我们讨论了针对与硬件无关的攻击的缓解措施。
幼儿园教学计划 - Eduscol
幼儿园是一所充满关爱的学校，甚至比学校生涯的后期阶段更加充满关爱。这也是一所雄心勃勃的学校，其基本原则是：所有孩子都有学习和进步的能力。它的使命是让孩子们愿意上学学习，肯定和发展他们的个性，锻炼他们对周围世界的好奇心，同时尊重每个孩子发展的步伐。通过向每个孩子展示他或她有能力在各种情况下成功学习，幼儿园鼓励他们对自己的行动和思考能力、学习能力以及在学校和其他地方取得成功的能力充满信心。通过教他与他人合作，特别是通过游戏，她将社交作为需要掌握的一项基本技能。
用beta产品内核对有限域进行优化
使用高斯工艺（GP）和Matérn和径向基函数（RBF）协方差函数的贝叶斯优化通常用于优化黑盒功能。Matérn和RBF内核没有对函数域的任何假设，这可能会限制其在有限域中的适用性。为了解决限制问题，我们引入了一个非平稳β单元Hyper-Cube（BUC）内核，该内核是由Beta分布密度函数的产物诱导的，并允许在有界域上建模功能。为了提供理论见解，我们在使用BUC内核的GP上限置信度（GP-UCB）算法时提供了信息增益和累积后悔界限的分析。我们的实验表明，在不同问题中，BUC内核始终优于众所周知的Matérn和RBF内核，包括合成功能优化以及视觉和语言模型的压缩。
使用移动机器人的内核密度估计
摘要 - 在许多机器人应用中重建三维（3D）场景至关重要。机器人需要识别哪些对象及其位置和形状，以通过给定的任务精确地操纵它们。移动机器人，尤其是通常使用轻质网络在RGB图像上细分对象，然后通过深度图进行定位；但是，他们经常会遇到掩盖物体过度掩盖的分布场景。在本文中，我们通过使用非参数统计方法来完善分割错误来解决3D场景重建中的跨分割质量的问题。为了提高掩模的精度，我们将预测的遮罩映射到深度框架中，以通过内核密度估算它们的分布。然后，对异常值进行深度感知的拒绝，而无需以自适应方式进行额外的pa-rameters，以使其分布外情景，然后使用投影签名的距离函数（SDFS）进行3D重建。我们在合成数据集上验证了我们的方法，该方法显示了全景映射的定量和定性结果的改进。通过现实世界测试，结果还显示了我们方法在实体机器人系统上部署的能力。我们的源代码可在以下网址提供：https：//github.com/mkhangg/refined Panoptic映射。