XiaoMi-AI文件搜索系统
World File Search Systemnns
母校StudiorumUniversitàdiBologna Archivio ...
摘要 - 我们为三元神经网络提供3.1 POP/S/W完全数字硬件加速器。可爱的是完全展开的三元推理引擎，重点是最大程度地减少非计算能量和开关活动，以便将用于存储（本地或全球）中间结果的动态功率最小化。这是通过1）在功能图和过滤器中完全独立的数据路径体系结构来实现权重，导致切换活动进一步减少。与最新的加速器相比，可爱的精度更高或相等，同时将整个核心推理能源成本降低4.8×–21×。
健康公报 2023 - 达卡
团队成员马里兰州Harun-Or-Rashid 教授，DGHS 主任（行政） A.S. 博士Tahmina Shirin 教授，IEDCR 主任A.S. 博士马里兰州Nazmul Islam 教授，DGHS 线路总监（HSM） A.S. 博士马里兰州Robed Amin，DGHS 线路总监（NCDC） A.S. 博士Mijanur Rahman 教授，IPHN 线路总监（NNS） A.S. 博士马里兰州公共卫生研究所所长 Nasir Uddin 教授A.S. 博士Kazi Shafiqul Halim 博士，DGHS 主任（MBDC） Afreena Mahmood，DGHS 规划与研究总监Farida Yasmin 博士，DGHS 财务总监Tahmina Sultana 博士，DGHS 主任（PHC&ITHC）马里兰州Quiume Talukder 博士，DGHS 线路总监 (CBHC) Mohammed Nizam Uddin 博士，DGHS 线路总监（MNCAH） Sheikh Daud Adnan 博士，DGHS 直线总监 (CDC) Moinul Ahsan 博士，DGHS 医院和诊所主任马里兰州Mahafuzer Rahman Sarker 博士，DGHS 线路总监 (TB-L&ASP)马里兰州Mizanur Rahman Arif 博士，DGHS 线路总监（L&HEP）马里兰州Niatuzzaman 博士，DGHS 艾滋病和性病主任Misbah Uddin Ahmed，DGME 学科主任马里兰州Masudur Rahman 博士，DGME 主任（替代医学） Laily Akter 博士，DGHS 主任（牙科）马里兰州Abu Zaher 博士，DGHS 线路总监 (AMC) DGHS 主任（顺势疗法和传统医学）马里兰州Liaquat Hossain 博士，孟加拉国医学和牙科委员会 (BMDC) 注册主任（代理） Md. Mamunoor Rahman，DGHS MIS 助理主任Rafique-us-Saleheen 博士，DGHS 项目经理 (HIS)阿布尔·法扎勒·Md. Shahabuddin Khan 博士，DGHS EPI 和监测项目经理马里兰州Shamsul Hoque 博士，MNC&AH 项目经理（青少年和学校健康项目）； Md Jahurul Islam，项目经理（NNHP&IMCI），MNC&AH，DGHS Surajit Dutta 博士，DGHS HSM 副项目经理科克斯巴扎尔民事外科医生 Asif Ahmed Howlader 博士Abu Nayem Mohammed Sohel 博士，DGHS CDC 副项目经理Geeta Rani Debi 先生，DGHS CBHC 副项目经理Maududul Hassan 博士，DGHS LHEP 副项目经理Rahat Iqbal Chowdhury 博士，NCDC、DGHS 副项目经理Ahmad Raihan Sharif IEDCR Eng. 高级科学官员（人畜共患病）马里兰州Nazmul Ahsan 博士，NNS、IPHN 副项目经理Tanvir Hossen，副项目经理
使用AI/ML和生成AI
摘要： - 在数字化和旅行限制的背景下，全球云计算市场有望在2025年增长到3425亿美元。全球云服务提供商正在彻底改变其基础架构，服务和应用程序，以捕获市场的大部分市场。在现代时代，AI/ML发现了许多实际应用。在其中，神经网络（NNS）在计算机视觉，自然语言处理，序列生成等领域显示出巨大的成功。In this report, an exhaustive literature survey has been performed to understand how the existing cloud infrastructure and cloud services are using cutting-edge AI/ML capabilities to maximize their presence and the challenges still present that require in-depth analysis.The focus of this report will be on the cutting-edge, end-to-end generative models, graph learning, and AI/ML in 5G cloud services for next-generation cloud services.Generative modeling refers to the process of了解某些目标数据的结构并生成类似于培训数据的新数据。在机器学习文献中已经介绍了许多生成建模程序，例如用于时间建模的马尔可夫模型，受限的玻尔兹曼机器，生成对抗网络，变异自动编码器等。特别是，深度学习已被证明是处理这种生成任务的强大工具。本文涵盖了使用AI/ML，生成模型，其应用，培训，新兴技术的挑战以及最佳实践和指南的各个方面。
通过计算机视觉和深度学习对情绪检测的系统评价
摘要：由于在心理学，医疗保健和娱乐等领域，通过使用人与计算机相互作用（HCI），通过使用人与计算机相互作用（HCI），情绪识别在深度学习（DL）和计算机视觉领域变得越来越重要。在本文中，我们使用DL和计算机愿景对面部和姿势识别进行系统评价，分析和评估来自其他来源的77篇论文，这些论文在首选的报告项目中，用于系统评价和元分析（PRISMA）指南。我们的评论涵盖了几个主题，包括研究的范围和目的，所采用的方法和使用的数据集。这项工作的范围是使用DL方法和计算机视觉对面部和构成情感识别的系统审查。研究是根据提议的分类法对研究进行了分类的，该分类法描述了用于情绪检测，测试环境，当前相关的DL方法和所使用的数据集的表达式类型。我们评论中方法的分类法包括卷积神经网络（CNN），更快的基于区域的卷积神经网络（R-CNN），Vision Transformer（VIT）和“其他NNS”，它们是分析研究中最常用的模型，表明它们在现场的趋势。混合和增强模型在此分类法中没有明确分类，但它们对该领域仍然很重要。本评论提供了对最先进的计算机视觉算法和数据集的了解，以通过面部表情和身体姿势来识别情感，从而使研究人员能够了解其基本组件和趋势。
人工智能辅助疾病预测
人工智能（AI）是一种在经过编程以模仿人类行为的机器中模拟和扩展人类智能的新技术[1,2]。人工智能主要包括机器学习（ML）、机器人、图像识别、语言识别、神经网络（NN）、自然语言处理和专家系统[3]。人工智能的基本内容包括研究知识表示、机器感知、机器思维、机器行为和机器学习。其中，机器学习是人工智能的核心。机器学习主要研究如何使计算机获得类似于人的学习能力，使其能够通过学习自动获取知识[4]。目前，机器学习的常见算法包括：决策树[5]、朴素贝叶斯分类器（NBC）[6]、支持向量机算法（SVM）[7]、随机森林、多元线性回归（MLR）、人工神经网络（ANN）算法、boosting和bagging算法、逻辑回归（LR）、k最近邻（KNN）。图1显示了人工智能、机器学习和医学的领域和关系。机器学习的学习机制是模拟人类获取知识和技能的能力。ANN是一种信息处理工具，由多个感知器以一定的方式连接起来[8, 9]。与人脑中的神经元类似，神经元堆叠并连接
用于数值计算的内存计算
摘要：近年来，内存计算 (CIM) 得到了广泛研究，通过减少数据移动来提高计算的能效。目前，CIM 经常用于数据密集型计算。数据密集型计算应用，例如机器学习 (ML) 中的各种神经网络 (NN)，被视为“软”计算任务。“软”计算任务是可以容忍低计算精度且准确度损失较小的计算。然而，针对数值计算的“硬”任务需要高精度计算，同时也伴随着能效问题。数值计算存在于许多应用中，包括偏微分方程 (PDE) 和大规模矩阵乘法。因此，有必要研究用于数值计算的 CIM。本文回顾了用于数值计算的 CIM 的最新发展。详细推导了求解偏微分方程的不同种类的数值方法和矩阵的变换。本文还讨论了对数值计算效率影响很大的大规模矩阵的迭代计算问题，重点介绍了基于ReRAM的偏微分方程求解器的工作过程，并总结了其他PDE求解器以及CIM在数值计算中的研究进展，最后对高精度CIM在数值计算中的应用前景和未来进行了展望。
一种研究基于人工智能的动态系统稳定性的玩具模型
过去几年，人们做出了许多努力，试图将人工智能 (AI) 应用于大气和气候建模。有一条研究路线试图开发新的数据驱动的参数化方案来取代部分大气模型（例如，Brenowitz & Bretherton，2018 年；Gentine 等人，2018 年；O'Gorman & Dwyer，2018 年）；学习基于 ML 的参数化方案意味着学习预测亚网格尺度大气过程（例如湍流和对流）的时间导数。尽管它们承诺为低分辨率大气模型（例如气候模型）提供数值上可承受但准确的物理结果，但当前最先进的 AI 参数化仍然存在偏差，更重要的是，它们面临数值不稳定的问题。据 Rasp (2020) 报道，当与大规模大气流体力学求解器结合时，神经网络 (NN) 通常在数值上不稳定（例如，Brenowitz & Bretherton，2019；Rasp 等人，2018）。据报道，基于随机森林 (RF) 的参数化是稳定的（Yuval & O'Gorman，2020）。但是，与离线相比，基于 NN 的参数化似乎优于基于 RF 的参数化（Brenowitz、Henn 等人，2020）。
心脏杂音和异常PCG检测通过小波散射变换和1D-CNN
摘要 - 这项工作是从Phonocartiogram（PCG）录音中自动且准确的心脏模拟检测。Two public PCG datasets (CirCor Digiscope 2022 dataset and PCG 2016 dataset) from Physionet online database are utilized to train and test three custom neural networks (NN): a 1D convolutional neural network (CNN), a long short-term memory (LSTM) recurrent neural network (RNN), and a convolutional RNN (C- RNN).我们首先进行预处理，其中包括以下关键步骤：使用小波散射变换对PCG段的DeNoising，分割，仅噪声段重新标记，数据归一化以及PCG段的时间频率分析。然后，我们使用PCG 2022数据集进行了四个实验，前三个（E1-E3），使用PCG 2016数据集进行了第四个实验。事实证明，我们的自定义1D-CNN优于其他两个NN（LSTMRNN和C-RNN）。此外，对于实验E3，我们的1D-CNN模型就准确性，加权准确性，F1得分和AUROC而优于相关工作（使用清洁和重新标记的PCG 2022数据集）。对于实验E1（使用原始PCG 2022数据集），我们的模型在加权准确性和F1分数方面非常接近相关工作。
使用LSST
上下文。与Vera C. Rubin天文台进行时空的传统调查（LSST）有望通过在包括难以捉摸的星际对象（ISOS）的各种对象上提供前所未有的数据来革新我们对太阳系的理解。检测和分类ISOS对于研究其他行星系统的材料的组成和多样性至关重要。但是，ISO的稀有性和简短观察窗口，再加上LSST生成的大量数据，为其识别和分类带来了重大挑战。目标。本研究的目的是通过探索机器学习算法在模拟LSST数据中的ISO曲目自动化中的应用来解决这些挑战。方法。我们采用了各种机器学习算法，包括随机森林（RFS），随机梯度下降（SGD），梯度增强机（GBMS）和神经网络（NNS），在模拟LSST数据中对ISO Tracklet进行了分类。结果。我们的结果表明，GBM和RF算法在准确区分ISO和其他太阳系对象中优于SGD和NN算法。RF分析表明，在从LSST轨迹分类中，许多派生的Digest2值比直接观察值（右提升，偏差和幅度）更重要。GBM模型达到了最高的精度，召回和F1得分，值分别为0.9987、0.9986和0.9987。结论。这些发现为使用LSST数据开发ISO发现的高效自动化系统奠定了基础，为更深入地理解材料和过程铺平了道路。将我们提出的机器学习方法集成到LSST数据处理管道中，将优化调查识别这些稀有和有价值的对象的潜力，从而及时进行后续观察并进一步表征。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。