XiaoMi-AI文件搜索系统
World File Search Systemsgd
简历
用于凸优化的自适应近端梯度法 NeurIPS ，2024 16. K. Mishchenko、A. Defazio Prodigy：一种快速自适应的无参数学习器 ICML ，2024 15. A. Khaled、K. Mishchenko、C. Jin DoWG Unleashed：一种有效的通用无参数梯度下降法 NeurIPS ，2023 14. A. Defazio、K. Mishchenko 通过 D 自适应实现无学习率学习 ICML ，2023 杰出论文奖 13. B. Woodoworth、K. Mishchenko、F. Bach 两个损失胜过一个：使用更便宜的代理进行更快的优化 ICML ，2023 12. K. Mishchenko、F. Bach、M. Even、B. Woodworth 异步 SGD 在任意延迟 NeurIPS，2022 11. K. Mishchenko、G. Malinovsky、S. Stich、P. Richtárik ProxSkip：是的！局部梯度步骤可证明可加速通信！终于！ ICML ，2022 10. K. Mishchenko、A. Khaled、P. Richtárik 近端和联合随机重新调整 ICML ，2022 9. K. Mishchenko、B. Wang、D. Kovalev、P. Richtárik IntSGD：随机梯度的自适应无浮点压缩 ICLR ，Spotlight，2022 8. K. Mishchenko、A. Khaled、P. Richtárik 随机重新调整：简单分析但带来巨大改进 NeurIPS ，2020 7. Y. Malitsky、K. Mishchenko 无下降的自适应梯度下降 ICML ，2020 6. K. Mishchenko、F. Hanzely、P. Richtárik 分布式优化中 99% 的 Worker-Master 通信是不需要的 UAI ，2020 5. K. Mishchenko, D. Kovalev, E. Shulgin, Y. Malitsky, P. Richtárik 重温随机超梯度 AISTATS，2020 4. A. Khaled, K. Mishchenko, P. Richtárik 相同和异构数据 AISTATS 上局部 SGD 的更严格理论，2020 3. S. Soori, K. Mishchenko, A. Mokhtari, M. Dehnavi, M. Gürbüzbalaban DAve-QN：具有局部超线性收敛率的分布式平均拟牛顿法 AISTATS，2020 2. F. Hanzely，K. Mishchenko，P. Richtárik SEGA：通过梯度草图 NeurIPS 减少方差，2018 1. K. Mishchenko，F. Iutzeler，J. Malick，M.-R。 Amini 一种用于分布式学习的延迟容忍近端梯度算法 ICML，2018
一种用于学习余量的近乎最佳算法，带有Massart Noise ∗
我们研究了在Massart噪声存在下PAC学习γ-摩尔金半空间的问题。没有计算考虑因素，该学习问题的样本复杂性已知为Eθ（1 /（γ2ǫ））。对问题的事先计算算法产生样品复杂性〜o（1 /（γ4ǫ3）），并达到η +ǫ的0-1误差，其中η<1/2是噪声速率的上限。最近的工作给出了信息计算交易的证据，表明对1 /ǫ的二次依赖是计算上有效算法所必需的。我们的主要结果是具有样品复杂性eθ（1 /（γ2ǫ2））的计算上有效的学习者，几乎与该下限匹配。此外，我们的算法是简单且实用的，它依靠在线SGD依靠精心选择的凸损失序列。
车辆光电 - Hensoldt
陀螺仪稳定系统如果没有稳定的潜望镜，主战坦克和装甲车辆在行驶过程中将很难发现目标。我们的高级版本使乘员组能够快速判断车辆周围环境并在移动中检测和攻击目标。它们采用基于陀螺仪的稳定机制，可以补偿运动和振动，从而在铺砌道路上甚至崎岖地形上以各种速度保持图像稳定。集成的热像仪可在白天、夜晚和恶劣天气条件下提供清晰的观察能力。机载激光器和连接的指挥和控制信息系统。
带有漂流浮标数据的案例研究
摘要：在海上研究以及搜索和救援操作中，建立或预测漂流物体的轨迹很重要。可以使用带有海洋动态模型的传统工具或通过人工智能模型来确定漂移对象的轨迹。从2003年12月19日至12月28日之间收集的漂流浮标数据中，研究小组采用了CNN（CORV1D）模型进行分析。分析结果表明，通过使用ADAM优化器，Huber损耗函数和256个过滤器，在隐藏层中，该模型性能的特征参数被确定为RMSE = 0.04004，MAE = 0.032304度，R²= 98％。使用SGD优化器和均方误差（MSE）损耗函数时，与先前情况相比，RMSE和MAE值最多降低了四倍，而R²值则在隐藏层中有64个过滤器达到99.9％。当隐藏层中的过滤器数增加到128时，CNN（CORV1D）模型的性能提高了20％，RMSE = 0.007863DEG，MAE = 0.006653DEG。使用CNN（Conv1D）模型使用SGD优化器预测漂移浮标的轨迹时，R²值和MSE损耗函数接近约100％，这表明该模型适用于预测漂流浮标轨迹的输入数据。将模型隐藏层中的过滤器数量从128增加到256并没有改变模型的预测性能，这表明该情况的最佳过滤器数为128。未来的工作应继续使用较大的输入数据集进行漂移数据分析。但是，这项研究中获得的RMSE结果仍然相对较大（0.87 km），这可能是由于输入数据有限。
使用机器学习技术预测脑肿瘤恶性程度 Seethalakshmi B. *
及早发现癌症对于挽救许多生命至关重要。如果脑瘤被诊断为较高级别，它通常是最常见和最严重的恶性肿瘤之一，预计寿命很短。肿瘤大小、形态和位置的差异对脑瘤的检测造成了重大障碍。本综述旨在为研究人员提供基于磁共振成像 (MRI) 的脑瘤检测的全面文献综述。使用九种机器学习算法对 MRI 图像进行分类：支持向量机 (SVM)、逻辑回归、K 最近邻 (KNN)、朴素贝叶斯 (NB)、决策树 (DT) 分类器、随机森林分类器、XGBoost 分类器、随机梯度下降 (SGD) 分类器和梯度提升分类器。对 ML 算法进行了比较和对比。
医疗政策语音生成设备。......
有许多不同的设备具有各种功能。选择沟通方式通常需要语言病理学家 (SLP) 的评估。专业团队与患者和家人合作，以便护理人员了解如何使用该系统。语音生成设备可以生成数字化语音或合成语音。数字化语音设备使用预先录制的单词，用户可以根据命令播放这些单词。合成语音利用代表语言规则的算法将用户的输入转换为设备生成的语音。合成语音设备创建与键盘、触摸屏或其他包含字母或符号的显示器的输入相关的个性化消息。语音生成软件程序通常利用台式电脑或笔记本电脑或个人数字助理 (PDA) 来充当 SGD。
从肉到骨头：法医学的多词方法
质量控制； QQQ，三倍四倍； q-tof，四杆飞行时间； RF，随机森林； RFLP，终末限制片段长度多态性； RMSE，根平方错误； RNA-seq，RNA测序； SBL，结扎测序； SBS，通过合成测序； SCD，心脏猝死； SGD，随机梯度下降； SIDS，婴儿死亡综合症； Silac，氨基酸在细胞培养中稳定的异位标记； Sirm，稳定的同位素分辨代谢组学； SMRT，单分子，实时； SNP，单核苷酸多态性； SQT，简短的QT综合征；德克萨斯州东南部的Stafs应用法医学； STLFR，单管长片段读取； str，短串联重复； SVM，支持向量机； SVM，支持向量机； tadr，胸主动脉
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。
公开会议通知 - FINAL-1.pdf - NJ.gov
电网。3 这些输电设施称为 PBI，将建在 SAA 1.0 中确定的登陆点 Sea Girt 国民警卫队训练中心和 PJM 高压电网的中标互连点（“POI”）之间，即 Larrabee 收集站（“LCS”）。PBI 将通过整合通往 POI 的海岸通道和陆上电缆走廊，最大限度地减少对环境和社区的影响。最终，SAA 1.0 项目授予设想 PBI 将在后续一代招标中采购，后来确定为董事会的第三次 OSW 招标（“第三次招标”）。然而，第三次招标招标指导文件（“S3 SGD”）表明 SAA 可能会在以后修改以包括 PBI。4