XiaoMi-AI文件搜索系统
World File Search Systemquery
量子局部差分隐私与量子统计查询模型
根据经验观察做出预测是许多科学领域的核心任务，也是统计学习理论的核心。分析学习算法的一个基本工具无疑是 [1] 提出的可能近似正确 (PAC) 模型。在经典的 PAC 学习模型中，目标是学习一组布尔函数 C ⊆{ c : { 0 , 1 } d −→{ 0 , 1 }} 。学习者的输入为带标签的样本 { xi , c ( xi ) }，其中 x 取自（可能是任意的）分布 X : { 0 , 1 } d −→ [0 , 1]，c ∈ C 是目标概念。给定两个参数 ε, δ ∈ (0, 1)，学习器的目标是输出一个假设 h，使得对于任意的 c 和 X，Pr x ∼X [ h ( x ) ̸ = c ( x )] ≤ ε，概率至少为 1 − δ。已经提出了几种 PAC 模型的扩展。特别是，[ 2 ] 引入了量子 PAC 模型，其中经典的标记示例被以下量子示例取代
部分布尔函数具有精确的量子查询复杂性一个
摘要：我们提供了两个舒适的必要条件，以表征具有精确量子查询复杂性的任何n位部分布尔函数1。使用第一个特征，我们提出所有依赖于n位的n位部分布尔函数，并且可以通过1 Query量子算法准确计算。由于第二个表征，我们构造了一个函数f，该函数f将任何n位部分布尔函数映射到某个整数，并且如果n位部分布尔函数f取决于k位，并且可以通过1 Query量子量算法准确地计算出来，则F（F）是非阳性的。此外，我们还表明，所有n-位部分均值函数的数量取决于k位，并且可以通过1 Query量子算法准确地计算出比上限取决于N和K的上限。最重要的是，上限远远低于所有有效的大n的所有n位部分布尔函数的数量。
对话式人工智能中基于搜索的自学习查询重写系统
查询重写 (QR) 是一种越来越重要的技术，可用于减少对话式 AI 系统中的用户摩擦。用户摩擦是由各种原因造成的，包括自动语音识别 (ASR)、自然语言理解 (NLU)、实体解析 (ER) 组件中的错误或用户的口误。在这项工作中，我们提出了一个基于搜索的自学习 QR 框架：基于用户反馈搜索的查询重写系统 (UFS-QR)，该系统专注于自动减少大规模对话式 AI 代理的用户摩擦。所提出的搜索引擎在全球用户和个人用户级别上运行，将语义嵌入、NLU 输出、查询流行度和估计的摩擦统计数据用于检索和排名过程。为了构建索引并训练检索/排名模型，我们采用了一种基于自学习的方法，利用从用户历史交互中学习到的隐式反馈。我们通过对 Amazon Alexa 用户流量进行离线和在线 A/B 实验，证明了在没有任何注释数据的情况下训练的 UFS-QR 系统的有效性。据我们所知，这是第一个部署的自学习和基于搜索的二维码系统，用于对话式人工智能中自动减少摩擦的一般任务。
利用生成AI来构建，修改和查询MBSE模型
创建一个由以下部分组成的自行车的SYSML V2文本模型：框架，连接到框架的车把，连接到框架的座椅，连接到框架的前轴，连接到框架的后车架，前轮连接到前车轮，后车轮连接到后车轮，后车轮连接到后车轮连接，框架连接，框架连接，框架连接，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架，框架连接，框架连接，框架连接，框架，传动系统连接到框架和后轮。
History-Detr：利用历史信息和运动学优化查询初始化策略
最近的 3D 物体检测器利用多帧数据（包括过去和未来的数据）来提高性能。然而，他们采用的时间数据融合方法尚未充分挖掘其提高性能的潜力。现有的工作利用多帧数据，这些数据仅根据自我运动融合特定特征，并且由于巨大的计算和内存成本而无法直接应用于长序列。我们发现目前的方法不能有效地利用历史信息，包括历史预测和物体运动。基于我们的研究，我们提出了一种由历史查询和原始查询组成的新型混合查询公式。历史查询包括从历史预测和特征中获得的推断位置和内容查询，这些查询考虑了当前场景中所有物体的运动。此外，我们的方法可以简单地应用于其他类似 DETR 的模型中，以提高性能，而不会引入巨大的计算和内存成本。结果，我们的 History-DETR 在推理时间增加可忽略不计的情况下实现了显着的改进（+1.1% NDS）。
重新思考MIMD-SIMD相互作用，用于内存内数据库引擎中的分析查询处理
利用并行性是在内存数据库引擎中执行低延迟的游戏的名称。最突出的是，现代通用CPU继续主导计算单元的领域，它通过两个面向数据的平行范式提供了高度计算的能力：MIMD和SIMD。不幸的是，由于两个平行范式都表现出不同的编程模型和内存访问模式，因此以组合方式利用这两种模型都是具有挑战性的。但是，CPU上SIMD的最新硬件进步放宽了对SIMD友好内存访问模式的限制。与纯线性访问模式的最新技术相比，替代访问模式的可用性和性能已显着提高。正如我们将在本文中所展示的那样，这些进步为统一的并行化方法铺平了道路，该方法以联合方式利用MIMD和SIMD，为有效的分析查询处理提供了一种新颖而有希望的方式。
头目 - 通过部分查询翻译的虚拟数据模型组成
大多数应用程序都有理想的数据模型，应通过以下方式通过：通过关系，社交网络，通过图表进行社交网络，通过文档进行消息应用程序和向量的机器学习。不幸的是，需要针对“不那么理想的”（我们使用“强加”一词）的数据模型来实施许多应用程序：业务数据存储在文档中，学习的模型必须嵌入在向量中。该问题的教科书解决方案是物理集成：从施加的数据模型中提取，转换和加载数据。虽然有效，但此ETL过程却很昂贵，并导致稳定性。虚拟集成（通过查询重写）避免了这些问题，但会导致理想到型模型映射的组合爆炸。我们建议通过开发一个“桥式表示”来解决此问题，该“桥梁表示”可在可能的情况下通过查询翻译实现虚拟集成，并在必要时通过数据转换来实现虚拟集成。在本文中，我们概述了这个想法，研究了许多指导用例，并将研究议程制定针对这种桥梁表示和实现该方法的系统。我们还提供了一些初步结果，表明即使是非基础数据模型集成，也可以在物理整合成本的一小部分中支持矢量嵌入。
不确定因果序下布尔函数的量子查询复杂度
量子电路的标准模型假设操作以固定的连续“因果”顺序应用。近年来，放宽这一限制以获得因果不确定计算的可能性引起了广泛关注。例如，量子开关使用量子系统来连贯地控制操作顺序。已经证明了几种临时的计算和信息理论优势，这引发了这样一个问题：是否可以在更统一的复杂性理论框架中获得优势。在本文中，我们通过研究一般高阶量子计算下布尔函数的查询复杂性来解决这个问题。为此，我们将查询复杂性的框架从量子电路推广到量子超图，以便在平等的基础上比较不同的模型。我们表明，最近引入的具有因果顺序量子控制的量子电路类无法降低查询复杂度，并且因果不确定超级映射产生的任何潜在优势都可以用多项式方法限制，就像量子电路的情况一样。尽管如此，我们发现，当利用因果不确定超级映射时，使用两个查询计算某些函数的最小误差严格较低。
生物医学文档检索的叙事查询图（技术报告）
基于关键字的搜索是当今数字库中的标准。然而，像科学知识库中的复杂检索场景一样，需要更复杂的访问路径。尽管每个文档在某种程度上有助于一个领域的知识体系，但关键字之间的外部结构，即它们的可能关系以及每个单个文档中跨越的上下文对于有效检索至关重要。遵循此逻辑，可以将单个文档视为小规模的知识图，图形查询可以提供重点文档检索。我们为生物医学领域实施了一个完全基于图的发现系统，并证明了其过去的好处。不幸的是，基于图的检索方法通常遵循“确切的匹配”范式，该范式严重阻碍了搜索效率，因为确切的匹配结果很难按相关性进行排名。本文扩展了我们现有的发现系统，并贡献了有效的基于图的无监督排名方法，一种新的查询放松范式和本体论重写。这些扩展程序进一步改善了系统，因此由于部分匹配和本体论重写，用户可以以更高的精度和更高的回忆来检索结果。
loger：一种学习的优化器，用于生成高效且强大的查询执行计划
基于深度强化学习（DRL）的查询优化最近已成为热门研究主题。尽管取得了令人鼓舞的进展，但DRL优化者仍然面临着强有力地制定有效计划的巨大挑战，这是因为连接订单和操作员选择的巨大搜索空间以及将其作为反馈信号的高度变化的执行延迟。在本文中，我们提出了Loger，这是一个赢得的效果，以使能力和r ubust计划有效，旨在生产有效的加入订单和运营商。Loger首先利用图形变压器来捕获表和谓词之间的关系。然后，搜索空间进行了重组，Loger学会了限制特定的操作员，而不是直接选择每个连接的操作员，同时利用DBMS内置的优化器在修复下选择物理操作员。这种策略利用专家知识来提高计划生成的鲁棒性，同时提供足够的计划搜索灵活性。此外，Loger介绍了𝜖 -beam搜索，该搜索可在进行指导探索时保留多个搜索路径，以保留有希望的计划。最后，Loger引入了损失功能，并通过奖励加权引入损失功能，从而通过减少差的操作员造成的波动，并记录转换以压缩奖励范围，从而进一步提高性能。我们对加入订单基准（JOB），TPC-DS和堆栈溢出进行实验，并证明Loger可以比现有学习的查询优化器更好地实现性能，而与PostgreSQL相比，工作速度为2.07倍。