XiaoMi-AI文件搜索系统
World File Search Systemkeyword
利用 Sitara 处理器在边缘使用 AI 进行关键字识别 1
TI 的 Linux 处理器 SDK 和 MCU+ SDK 提供了许多软件工具和驱动程序，以加速评估和开发。Linux 是这些 SoC 最方便和可扩展的操作系统。Debian（从 SDK v9.0 开始）通过使用“apt”框架简化安装不属于基本 SDK 的附加软件包的过程，从而简化了特定 SoC 的开发。时间序列信号处理软件包可以通过 Debian 上的 apt 安装、添加到 Yocto 版本、从主机（如 Ubuntu）交叉编译或直接在目标上构建；特定于编程语言（如 Python 和 Node.JS）的库也可以通过相应的打包框架安装在目标上。
具有基于错误扩散功能的二进制关键字发现系统
基于二进制的神经网络基于资源约束设备的关键字点（KWS）近年来引起了很多关注。尽管有几项作品证明了它们的成功，但考虑到高精度的语音特征图仍需要满足准确性，仍需要完全二进制KWS系统。这种精确的不匹配导致非二元激活层，从而导致额外的计算成本。在本文中，我们使用二进制神经网络和错误扩散的二进制语音特征提出了一个非常紧凑的KWS系统。该系统消除了所有高精度的多板，并且仅需要对硬件友好的位操作和推理的补充。在Google语音命令上进行的实验表明，我们的二进制KWS系统在1个密钥单词任务上的精度为98.54％，在2个密钥单词任务上的精度为95.05％，表现优于更大尺寸的8位KWS系统。结果证明了完全二进制KWS系统的可行性，并且可以鼓舞硬件实现。索引术语：关键字发现，二进制神经网络，错误扩散，卷积神经网络
从智能设备上的脑电信号进行关键词识别的一种新方法
UGC 试用帐户 (3000178880) - UGC-Infonet 数字图书馆联盟召集人 (3000132959) - 奥兰加巴德巴巴萨海布·阿姆贝德卡尔马拉特瓦达大学 (3000171661) - 信息和图书馆网络 (INFLIBNET) 中心 (3994475188)
关键字提取和技术实体提取的破坏性技术政策文本
破坏性技术是由哈佛大学教授克里斯滕森（Christensen）于1997年提出的[1]，并已成为近年来国际机构和研究人员的热门话题。通常认为，破坏性技术是战略创新技术，它基于S＆T的新原理，组合和应用开辟了新的技术轨道，并为传统或主流技术提供了整体或基本的替代方法。破坏性技术具有强大的应用功能，可以增强企业甚至国家的科学和技术竞争力，促进科学和技术产品的更新，提高社会生产效率，并有望在许多领域产生巨大影响。破坏性的技术政策可以刺激技术创新并提供相应的支持和保证，因此有必要研究颠覆性技术政策文本的采矿。
微博事件检测中用于联合关键字发现和期望估计的人机循环方法
诸如 Twitter 之类的微博平台越来越多地用于事件检测。现有方法主要使用机器学习模型并依靠与事件相关的关键字来收集模型训练的数据。这些方法对包含关键字的相关微博的分布做出了强有力的假设（称为分布的期望），并将其用作模型训练期间的后验正则化参数。然而，这些方法受到限制，因为它们无法可靠地估计关键字的信息量及其对模型训练的期望。本文介绍了一种人机循环方法，在估计其期望的同时共同发现用于模型训练的信息丰富的关键字。我们的方法迭代地利用人群来估计特定于关键字的期望以及人群与模型之间的分歧，以发现对模型训练最有益的新关键字。这些关键词及其期望不仅提高了最终的性能，而且使模型训练过程更加透明。我们在多个真实数据集上通过经验证明了我们的方法在准确性和可解释性方面的优点，并表明我们的方法将现有技术提高了 24.3%。
从关键词演化视角理解跨学科研究的形成：以共同注意为例
摘要 了解交叉学科研究（IDF）的形成对于促进交叉学科发展至关重要。在本文中，我们采用提取的关键词来研究交叉学科发展的特征，以及不同参与领域在不同时期所扮演的不同角色，并检测领域之间的潜在障碍。我们将联合注意（JA）作为研究领域，因为它经历了从单一领域主题到跨学科研究（IDR）的发展过程。我们的实证研究得到了有趣的发现。首先，我们发现了知识扩散现象在JA的三个领域中演变。这使我们能够观察到领域在IDF过程中所扮演角色的转变，以及这些领域之间存在的潜在障碍。第二，根据JA在领域间的传播发展过程，IDR领域一般会经历三个阶段：潜伏期、萌芽期和成熟期。第三，随着IDR的形成，领域可能在不同时期扮演不同的角色。确定了四种角色：知识起源者、知识接受者、知识响应者和跨学科参与者。本文通过分析关键词的演变，展示了如何检测IDR的演变。通过给出IDR领域的概况和关键词演变的描述，对政策制定者和监管者促进IDR发展具有重要意义。
用于在线算法的带缓冲模型的量子请求-回答游戏。最常见关键字问题的应用
摘要 我们将在线算法视为一个请求-回答游戏。一个对手生成输入请求，一个在线算法进行回答。我们考虑该游戏的一个广义版本，它具有有限大小的缓冲区。对手将数据加载到缓冲区，算法随机访问缓冲区的元素。我们考虑该模型的量子和经典（确定性或随机性）算法。在本文中，我们提供了一个特定问题（最频繁关键字问题）和一个量子算法，该算法在竞争比方面比任何经典（确定性或随机性）算法都更好。同时，对于该问题，标准模型中的经典在线算法等同于带缓冲区的请求-回答游戏模型中的经典算法。
Aofei Chang、Bolin Hua 和 Dahai Yu。2021 年。颠覆性技术政策文本的关键词提取和技术实体提取。在会议记录中
科技领域瞬息万变，特别是在大数据、人工智能的浪潮下，一些国家出台了诸多科技政策来推动科技发展。通过对科技政策文本的分析挖掘，可以看到各国科技政策的重点布局、重点领域和发展脉搏。与学术论文不同，科技政策文本不带有关键词，需要从大量长篇科技政策文本中提取关键词。科技政策文本既会涉及科技项目、创新机制、成果转化、产业支持、科技奖励、科技管理与配置，也会涉及其他具体的科技内容，如研究前沿、高新技术、行业共性技术、颠覆性技术等。
高级经济增长：麻省理工学院 14.463，哈佛大学 2410e，
Aghion 和 Howitt：http://my.harvard.edu/icb/icb.do?keyword=k19010&pageid=icb.page96947。
CS11-711高级NLP
def def分类（x：str） - > str：sports_keywords = [“棒球”，“足球”，“足球”，“网球”]如果有（x中的关键字in sports_keywords中的x for in sports_keywords中的关键字）：返回“ sports” elsele'elseal'else：return“ return”其他“其他”