XiaoMi-AI文件搜索系统
World File Search Systemhyperbolic
具有形状对称导电聚合物纳米天线的可调各向异性等离子体
广泛的纳米光子应用依赖于极化相关的等离子体共振，这通常需要具有各向异性形状的金属纳米结构。这项工作通过破坏材料介电常数的对称性，证明了极化相关的等离子体共振。研究表明，导电聚合物的分子排列可以产生具有极化相关等离子体频率和相应的平面双曲介电常数区域的材料。这一结果不仅仅是基于各向异性电荷迁移率的预期结果，还意味着电荷载体的有效质量在聚合物排列时也变得各向异性。这一独特特征用于展示圆对称纳米天线，其提供与排列方向平行和垂直的不同等离子体共振。纳米天线可通过聚合物的氧化还原状态进一步调节。重要的是，聚合物排列可以使等离子体波长和共振蓝移几百纳米，形成一种新方法，以实现可见光氧化还原可调导电聚合物纳米天线的最终目标。
Geomstats：机器学习中黎曼几何的 Python 包
我们介绍了 Geomstats，一个用于非线性流形计算和统计的开源 Python 工具箱，例如双曲空间、对称正定矩阵空间、变换李群等等。我们提供面向对象且经过广泛单元测试的实现。除此之外，流形还配备了黎曼度量族，以及相关的指数和对数映射、测地线和并行传输。统计和学习算法提供了在流形上进行估计、聚类和降维的方法。所有相关操作都被矢量化以用于批量计算，并为不同的执行后端提供支持，即 NumPy、PyTorch 和 TensorFlow，从而实现 GPU 加速。本文介绍了该软件包，将其与相关库进行了比较，并提供了相关的代码示例。我们表明，Geomstats 提供了可靠的构建块来促进微分几何和统计学的研究，并使黎曼几何在机器学习应用中的使用更加民主化。源代码可根据 MIT 许可证在 geomstats.ai 上免费获取。
使用夸张的视觉层次结构映射改善视觉识别
视觉场景是自然组织的，在层次结构中，粗糙的语义递归由几个细节组成。探索这种视觉层次结构对于认识视觉元素的复杂关系至关重要，从而导致了全面的场景理解。在本文中，我们提出了一个视觉层次结构映射器（HI-MAPPER），这是一种增强对预训练的深神经网络（DNNS）结构化理解的新方法。hi-mapper通过1）通过概率密度的封装来调查视觉场景的层次结构组织； 2）学习双曲线空间中的分层关系，并具有新颖的分层对比损失。预定义的层次树通过层次结构分解和编码过程递归地与预训练的DNN的视觉特征相互作用，从而有效地识别了视觉层次结构并增强了对整个场景的识别。广泛的实验表明，Hi-Mapper显着增强了DNN的表示能力，从而改善了各种任务的性能，包括图像分类和密集的预测任务。代码可在https://github.com/kwonjunn01/hi-mapper上找到。
附录 1 调查规划和估算指南
表 2 水文测量中使用的电子定位系统的带宽分类 带宽 符号 频率 系统 甚低频 VLF 10-30 KHz Omega 低频 LF 30-300 KHz LORAN-C 中频 MF 300-3000 KHz Raydist、Decca 高频 HF 3-30 MHz 基本地球频率 10.23 MHz 甚高频 VHF 30-300 MHz VOR 飞机导航 超高频 UHF 300-3000 MHz Del Norte L 波段 NAVSTAR GPS 超高频 SHF 3-30 GHz（微波 EPS）C 波段 Motorola S 波段 Cubic X 波段 Del Norte 可见光 EDM* 激光 EDM 红外光 EDM、Polarfix * 电子测距仪器。表 3 水文测量中使用的电子定位系统的现场应用 频率范围 系统类型 可操作距离 现场应用 低频和中频范围 双曲相位/脉冲差分
Lorentzian分裂定理而没有完整的假设
已经发表了许多论文（[6]，[3]，[4]，[2]），该论文解决了Yau [10]在Riemannian几何形状的Cheeger-Gromoll拆分定理中提出的问题。Eschenburg最近获得了一个非常满意的Lorentzian类似物。在[4]中，他证明了一个全球双曲线，及时的测量时空完整的时空满足“强能量状况”，RIC（x，x）> 0，x Timelike，其中包含（完整的）时间表线，在下面有意义地制作出“拆分”。在埃申堡（Eschenburg）的工作之前，Beem等人。[3]证明了洛伦兹分裂定理，假设截面曲率更严格（类似于Riemannian情况下的非负分段曲率）。他们的结果的一个有趣特征是，不需要定时完成的完整假设。仅要求给定的时间表线完成。及时的大地测量完整性是由于全局双波利度，截面曲率条件和线路的完整性而得出的。这表明Eschenburg定理的假设可能有一些冗余。
静态 AdS 指标的唯一性和能量界限
为避免歧义，我们在本节中强调 ε = − 1。如果区域 M ext = (0 , x 0 ] × Q ⊂ M ，其中 Q 是紧 ( n − 1) 维流形，并且当 x 趋向于零时，g 的截面曲率趋向于一个（负）常数，其中 x 是沿 M ext 的第一个因子的坐标，并且度量 x 2 g 平滑扩展到 [0 , x 0 ] × Q 上的黎曼度量，则称该区域为渐近局部双曲 (ALH) 端。（假设最后一个性质，截面曲率条件等同于要求 | dx | x 2 g（即，度量 x 2 g 中 dx 的范数）在趋近于“无穷远处的共形边界” { x = 0 } 时趋向于一。）黎曼流形（M， g ) 称为 ALH，如果它是完备的，并且包含有限个 ALH 端。因此，M 的无穷边界 ∂M ∞ 将是有限个流形 Q 的并集，如上所示。广义相对论的哈密顿分析经过多次分部积分后，得出 ALH 端质量的以下公式 [9] 3（比较 [10]）
通过对比学习统一双空间嵌入以实现实体对齐
实体对齐 (EA) 旨在匹配不同知识图谱 (KG) 中的相同实体。基于图神经网络的实体对齐方法在欧几里得空间中取得了良好的效果。然而，KG 通常包含复杂的局部和层次结构，难以在单个空间中表示。在本文中，我们提出了一种名为 UniEA 的新方法，它统一了双空间嵌入以保留 KG 的内在结构。具体而言，我们同时学习欧几里得空间和双曲空间中的图结构嵌入，以最大化两个空间中嵌入之间的一致性。此外，我们采用对比学习来减轻由相似实体引起的错位问题，其中相似相邻实体的嵌入变得太近。在基准数据集上进行的大量实验表明，我们的方法在基于结构的 EA 方法中实现了最佳性能。我们的代码可以在https://github.com/wonderCS1213/UniEA上找到。
hdr-CIELAB 和 hdr-IPT：描述高动态范围和广色域图像颜色的简单模型
摘要 CIE 1976 L*a*b* 色彩空间 (CIELAB) 已广泛且成功地应用于各种应用，包括数字彩色成像、彩色图像质量和色彩管理。它的一个缺点是缺乏色调线性，这是色域映射中的一个关键问题，而 IPT 色彩空间已解决了这一问题，该领域对此进行了广泛应用。这两个空间的一个限制是它们不适用于高动态范围 (HDR) 成像中的颜色问题。这是因为它们在零亮度/亮度处的截距很难确定，并且它们对于比漫反射白色更亮的颜色的适用性不确定。为了解决这些 HDR 问题，提出了两个新制定的色彩空间以供进一步测试和改进，hdr-CIELAB 和 hdr- IPT。它们只是基于用更符合生理学的双曲函数（称为 Michaelis-Menten 方程）替换 CIELAB 和 IPT 中的幂函数非线性，该方程经过优化，可以最接近地模拟漫反射色域的原始色彩空间。本文描述了这些提出的模型的公式，并使用 Munsell 数据与 CIELAB、IPT 和 CIECAM02 进行了比较，进行了一些初步评估。
对Ishiguro的后人类世界中记忆的分析。
摘要：记忆，人的基本属性是人类认知不可或缺的一部分。个人的经历和情感以及如此强烈的记忆的持续积累推动了个人的身体和认知能力的增长。现在和过去的回忆的高潮成为他/她主观未来的框架，而这反过来影响了他们所生活的环境和社会。无论是动植物，每个生命形式都有其曝光水平的记忆。然而，只为人类保留的记忆的惊人属性是想象力。但是，如果这种人类特定的能力可以扩展到人类创造的技术先进的生存，并以多种方式对他更有能力，从而将人从创造中促进成为创造者。文学是一种生命的双曲线模仿者，这些年来，在其之前模仿和想象。科幻小说的文学流派提前思考。本文通过深入研究记忆研究的属性及其未来的属性，深入研究了Ishiguro的一部特定记忆小说。关键词：记忆研究，文化研究，后人文主义，未来派方法，科幻小说。
人工智能、招聘和就业：来自瑞典的招聘信息证据
注：该表显示了十二个机构层面回归的估计值，以基线机构员工人数为权重。自始至终，结果变量是人工智能空缺职位、非人工智能空缺职位和员工人数的反双曲正弦的变化乘以 100。回归量是 Felten 等人（2018）的人工智能暴露指标，即基线机构员工的平均值，以其标准差标准化。估计值是针对两个不同的样本进行的：高于基线员工人数中位数（8）的机构（面板 A）和低于基线员工人数中位数的机构（面板 B）。每个因变量有两个回归。在 Col 的（2）、（4）和（6）中，Webb（2020）的软件暴露指标被用作协变量。包括公司固定效应在内的规范中的观测值数量较少，是由于省略了单一机构。面板 B 中包括公司固定效应在内的规范中的观测值数量较少，这是因为较小的公司往往是单一企业。标准误差集中在公司层面。* p<0.1；** p<0.05；*** p<0.01。