XiaoMi-AI文件搜索系统
World File Search Systemtain
tpdnet：用于嵌入式机器学习处理器组的微小学生检测神经网络Ethos-u55
摘要。增强现实和虚拟现实（AR/VR）系统包含几个不同的传感器，包括用于手势认可的图像传感器，头姿势跟踪和瞳孔/眼睛跟踪。所有这些传感器的数据必须由主机处理器实时处理。对于未来的AR/VR系统，需要新的传感技术来满足功耗和性能的需求。当前的学生进行分辨率约300x300像素及以上的图像进行。因此，深神经网络（DNN）需要主机平台，这些平台能够通过此类输入分辨率计算DNN来实时处理它们。在这项工作中，将瞳孔检测的图像分辨率优化为100x100像素的分辨率。引入了一个微小的学生检测神经网络，可以使用ARM Cortex-M55和嵌入式机器学习（ML）Proces-sor Arm Ethos-U55处理，其性能为每秒189帧（FPS），并且检测率很高。这允许减少图像传感器和主机之间的通信功耗，以获取未来的AR/VR设备。
在Wendelstein 7-X
引言维持蛋白质稳态（蛋白质稳定）对于正常的细胞功能至关重要，并且蛋白质失调的蛋白抑制剂与许多类型的癌症有关（1-3）。蛋白质症是由未折叠的蛋白质反应（UPR）调节的，该蛋白质反应（UPR）在内质网和线粒体中被激活以减轻各种细胞应激（4-6）。线粒体UPR（UPR MT）促进细胞适应普遍的线粒体应激。线粒体特异性伴侣和蛋白酶的UPR MT作用，以主导线粒体质量控制（3，7-10）。线粒体伴侣 - 一种活性对于在线粒体中正确折叠和展开的蛋白质的折叠至关重要。两个伴侣系统，热休克蛋白60（HSP60）和线粒体HSP70（MTHSP70），促进线粒体基质（11-16）中的蛋白质折叠功能。相关，MTHSP70与HSP10（HSP60的辅助因子）合作，以促进成熟HSP60复合物的组装（17）。在哺乳动物细胞中已经鉴定出超过26个线粒体蛋白酶，其中LON肽酶1（LONP1）和酪蛋白溶解蛋白酶P（CLPP）发挥了突出作用（6）。这些蛋白酶降解
海军人事长
将会穿的衣服——这是军事时装设计师研究了好几年的一个课题——在由 650 名预备役军人和他们的陆军干部举办的一场模特秀中得到了展示。从滑雪板底部的马海毛登山鞋到他为了防止眼睛被晒伤而戴的护目镜，生活在北极的军人对正确着装的精心程度，就像初次约会的初入社交界的少女一样。（顺便说一下，马毛登山者毛刷是用来滑雪的，因为它们的刷毛可以在上坡时防滑。）以下是海蜂队学员模仿的穿着考究的北极人所穿的特殊服装清单：“长柄”（特殊的厚重冬季内衣）、野战裤、绒毛夹克、派克大衣、九磅重的登山靴、指间手套，以及至关重要的护目镜。他的装备还包括山地滑雪板、背包、睡袋、斧头和支架、雪鞋、行李袋、水壶、餐具和口粮。* 总而言之，当他携带所有发给他的衣服和设备时，他的体重约为 100 磅
QFib：快速高效的脑纤维束压缩
摘要 扩散 MRI 纤维追踪数据集可以包含数百万条 3D 流线，它们的表示可能需要数十 GB 的内存。这些流线集称为纤维追踪图，通常用于临床操作或研究。它们的大小使得它们难以存储、可视化、处理或通过网络交换。我们利用通常的追踪算法获取流线的方式，提出了一种非常适合纤维追踪图的新压缩算法。我们的方法基于单位矢量量化方法与空间变换相结合，可实现较低的压缩和解压缩时间以及较高的压缩比。例如，11.5 GB 的纤维追踪图可以压缩为 1.02 GB 的文件，并在 11.3 秒内解压缩。此外，我们的方法允许压缩和解压缩单个流线，从而无需在处理繁重数据集时使用昂贵的核外算法。最后，我们开辟了一条实时压缩和解压缩的方法，用于处理更大的数据集，而无需大量 RAM（即核心处理）、更快的网络交换和更快的可视化或处理加载时间。
多代理增强学习中的投影 - 最佳单调值函数分解
价值函数分解已成为在培训和分散执行范式下进行合作多代理增强学习的普遍方法。这些算法中的许多算法通过使用代理实用程序的单调混合函数来分配最佳的关节作用功能，以确保分散决策的关节和局部选择之间的相干性。尽管如此，利用单调混合函数也会引起表示局限性，并且在单调函数类别上找到无约束的混合函数的最佳投影仍然是一个开放的问题。在本文中，我们提出了QPRO，该QPRO对价值函数分解的最佳投影问题置于遗憾的是对不同过渡的投影权重的最小化。可以使用Lagrangian乘数方法放松和解决此优化问题，以遵守封闭形式的最佳投影权重，在该方法中，我们通过最大程度地减少预期收益的遗憾政策，从而缩小最佳和受限单调混合功能之间的差距，从而增强单调值函数分支。我们的实验证明了我们方法的有效性，表明在具有非单调价值函数的环境中的性能提高了。
手册 - 国际计划
在平台上发表证词的人中，有一半表示性骚扰对他们的行动自由产生了根本性影响。他们会避开某些地方，或者从不独自去那里。与此同时，证词也显示出年轻人中存在某种宿命论：25% 的人表示，性骚扰发生得太频繁，以至于他们接受它作为生活的一部分，作为一种无法挑战的现状。性骚扰的现实影响着他们的日常生活，尤其是女孩的生活，因为她们（无）意识地选择在外出时穿不同的衣服，走不同的路线，并调整与周围环境的互动。根据 FRA 机构进行的 2021 年犯罪、安全和受害者权利研究，34% 的女性表示，她们在发生性行为后受到了心理影响（而男性的比例为 9%）。当我们问她们是否会避免去某些地方或避免某些情况时，这个数字甚至更高：64% 的女性表示会（而男性只有 36%）。如果我们看看年轻人口（16-29 岁），女性的比例上升到 83%，男性的比例上升到 58%。
Frequency-constrained Co-planning of Generation and ...
摘要 - 大规模可再生能源整合会降低系统的惯性并限制频率调节。为了使频率稳定性提高，分配适当的频率端口来源对计划者构成了关键的挑战。在此内容中，我们提出了一个频率约束的协调计划模型的热单元，风电场和电池储能系统（BESS），以提供令人满意的频率支持。首先，使用同步发电机和网格连接的逆变器的动态响应来说明了修改的多机频率响应（MSFR）模型，该模型是用预设功率主管构建的。其次，频率变化（ROCOF）和频率响应功率被推论以构建频率约束。基于超平面拟合和数据分类的数据驱动的分段线性化（DDPWL）方法可用于线性化高度非线性频率响应功率。第三，将频率组合插入我们的计划模型中，而基于热力发生混合系统的协调操作的单位承诺。终于将提出的模型应用于IEEE RTS-79测试系统。结果证明了我们共同计划模型保持频率稳定性的有效性。
在量子计算的不同数据模型中编码和配置数据
量子计算机具有比古典计算机快得多的计算速度。它们可以在各种应用领域（例如优化，机器学习或搜索算法）中使用，仅命名一些示例[1，2]。根据概率，与经典计算机相比，可以假定多项式或指数加速度[3]。这是最重要的数学优势。这是因为将量子计算机嵌入数据库景观或软件架构时，必须克服一般挑战。嵌入的主要原因是，从数据驱动的用例和参数进行处理以计算量子计算机上的解决方案的数据是在数据库系统中管理的。以下两个挑战与嵌入：挑战1：量子计算机无法直接从数据库系统访问数据和信息[4]。但是，量子算法假定其数据已经以合适的形式访问[5]。挑战2：在不同的结构和模型中存在的数据必须相应地编码，然后才能在量子计算机上使用。数据的有效编码也是一个挑战[5，6]和研究主题[1]。原因是相应的编码例程的高时间征收，这在最坏情况下是指数的[4，7]。
实现道德人工智能的数据驱动风险评估方法
摘要 人工智能领域需要广泛考虑法律、道德和社会因素，以便开发维护人类价值观和权利的道德人工智能 (eAI) 解决方案。目前，存在各种指南和少数特定工具来解释和应对个人挑战。然而，众所周知，许多组织在从人工智能治理中的风险管理角度处理这些考虑时面临着实际挑战。因此，需要新的方法来提供经过严格审查且适用于现实世界的结构和路径，以通过道德评估和指导人工智能发展所需的制衡。在本文中，我们表明，跨学科研究方法是务实地定义使用人工智能的组织面临的道德和社会风险的基础，该方法涵盖了横断面观点。跨结构治理的发现对于成功实施 eAI 也同样重要。根据我们从多学科研究调查中获得的证据，我们提出了一种新颖的数据驱动风险评估方法，称为 DRESS-eAI。此外，通过对我们的方法实施的评估，我们证明了其作为在数据驱动的 AI 时代维护人类价值观的工具的最先进的相关性。
![arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日](/simg/g:\will\search\icon\source\a\a950b131d362b47fd5ae1cd14876a3bec7368c35.webp)
arXiv:2405.07155v2 [cs.CV] 2024 年 11 月 12 日
在多模态学习中，某些模态比其他模态更有影响力，而它们的缺失会对分类/分割准确性产生重大影响。为了应对这一挑战，我们提出了一种新方法，称为元学习模态加权知识蒸馏（MetaKD），该方法可以使多模态模型即使在关键模态缺失的情况下也能保持高精度。MetaKD 通过元学习过程自适应地估计每种模态的重要性权重。这些学习到的重要性权重指导成对模态加权知识蒸馏过程，允许高重要性模态将知识迁移到低重要性模态，从而即使缺少输入也能实现稳健的性能。与该领域以前的方法通常针对特定任务且需要进行重大修改不同，我们的方法旨在以最少的调整完成多项任务（例如分割和分类）。在五个流行数据集（包括三个脑肿瘤分割数据集（BraTS2018、BraTS2019 和 BraTS2020）、阿尔茨海默病神经成像计划 (ADNI) 分类数据集和 Audiovision-MNIST 分类数据集）上的实验结果表明，所提出的模型能够大幅超越比较模型。