XiaoMi-AI文件搜索系统
World File Search Systemtwo
标题：可以接受互联网，技术和网络资源的使用
用户不希望在他们创建，存储，发送，删除，接收，接收或显示的任何内容，应用程序，应用程序，系统，计算机或网络资源（包括个人文件或任何使用该地区的Internet，计算机或网络资源），包括存储的文件和电子邮件，包括个人文件或任何使用。该地区保留监视，跟踪和日志网络访问和使用的权利；监视区用户的文件服务器空间利用；或拒绝防止未经授权，不适当或非法活动的访问权限，并可能撤销访问权限和/或执行适当的纪律处分。该地区应与互联网服务提供商（ISP），本地，州和联邦官员合法地合作，以涉及与滥用该地区的互联网和技术资源有关的调查。[6] [7] [8]
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。
一项技术，两条路径？战略利基管理与分歧
由 Elsevier 出版。这是已获作者接受的手稿，其已获得以下许可：知识共享署名非商业性禁止演绎许可 (CC:BY:NC:ND 4.0)。最终出版版本（记录版本）可在线获取，网址为 DOI:10.1016/j.erss.2020.101729。请参阅任何适用的出版商使用条款。
6G中值得信赖的深度学习启用了群众自主权
摘要 - 质量自治有望彻底改变广泛的工程，服务和流动性行业。超密集的自主代理之间的协调复杂的沟通需要新的人工智能（AI）在第五代（5G）和第六代（6G）移动网络中实现无线通信服务的管弦乐队。在特定的安全和任务关键任务中，合法需要透明的AI决策过程，以及一系列人类最终用户（消费者，工程师，法律）的量化质量质量质量（QOT）指标。我们概述了6G的值得信赖的自主权的概念，包括基本要素，例如可解释的AI（XAI）如何产生信任的定性和定量方式。我们还提供了与无线电资源管理和相关的关键绩效指标（KPI）集成的XAI测试协议。提出的研究方向将使研究人员能够开始测试现有的AI优化算法，并开发新的算法，认为应该从设计到测试阶段内置信任和透明度。
深度神经网络修剪的最佳运输
最佳运输，也称为运输理论或Wasserstein指标，是一个数学框架，它解决了找到最有效的方法将质量或资源从一个分布转移到另一种分布的最有效方法的问题，同时最大程度地减少了一定的成本函数[1,2,3]。最初在18世纪作为物流和经济学工具开发，最佳运输在现代数学和各种科学学科（包括计算机科学和机器学习）上引起了极大的关注。在其核心方面，最佳运输旨在通过找到将一个分布的质量重新分配以匹配另一个位置的成本，从而量化两个概率分布之间的相似性。这个优雅而多才多艺的概念在不同领域中发现了从图像处理和数据分析到经济学[11]和神经科学的应用，使其成为具有广泛含义的强大而统一的数学工具[12]。
用于识别药物再利用的网络医学框架
1 美国东北大学网络科学研究所和物理系，马萨诸塞州波士顿 02115；2 美国哈佛医学院布莱根妇女医院医学系钱宁网络医学分部，马萨诸塞州波士顿 02115；3 美国哈佛大学生物医学信息学系，马萨诸塞州波士顿 02115；4 美国哈佛大学哈佛数据科学计划，马萨诸塞州剑桥 02138。5 Scipher Medicine，221 Crescent St, Suite 103A，马萨诸塞州沃尔瑟姆 02453；6 美国东北大学物理系，马萨诸塞州波士顿 02115；7 萨班哲大学工程与自然科学学院，土耳其伊斯坦布尔 34956；8 美国马萨诸塞州波士顿大学 NEIDL 微生物学系；9 美国马萨诸塞州波士顿哈佛医学院布莱根妇女医院医学系10 匈牙利布达佩斯 1051，中欧大学网络与数据科学系。 * 这些作者的贡献相同
测试时间适应性的神经网络，用于强大的医学图像分割
卷积神经网络（CNN）在培训数据集代表预期在测试时遇到的变化时，可以很好地解决监督学习问题。在医学图像细分中，当培训和测试图像之间的获取细节（例如扫描仪模型或协议）之间存在不匹配和测试图像之间的不匹配时，就会违反此前提。在这种情况下，CNNS的显着性能降解在文献中有很好的记录。为了解决此问题，我们将分割CNN设计为两个子网络的串联：一个相对较浅的图像差异CNN，然后是将归一化图像分离的深CNN。我们使用培训数据集训练这两个子网络，这些数据集由特定扫描仪和协议设置的带注释的图像组成。现在，在测试时，我们适应了每个测试图像的图像归一化子网络，并在预测的分割标签上具有隐式先验。我们采用了经过独立训练的Denoising自动编码器（DAE），以对合理的解剖分段标签进行模型。我们验证了三个解剖学的多中心磁共振成像数据集的拟议思想：大脑，心脏和前列腺。拟议的测试时间适应不断提供绩效的改进，证明了方法的前景和普遍性。对深CNN的体系结构不可知，第二个子网络可以使用任何分割网络使用，以提高成像扫描仪和协议的变化的鲁棒性。我们的代码可在以下网址提供：https：//github.com/neerakara/test- time- aptaptable-neural-near-netural-netural-networks- for- domain-概括。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
张量网络状态的量子压缩
摘要 我们为张量网络状态的参数族设计量子压缩算法。我们首先建立存储给定状态族中的任意状态所需的内存量的上限。该上限由合适流网络的最小割确定，并与从指定状态的参数流形到状态所体现的物理系统的信息流有关。对于给定的网络拓扑和给定的边维度，当所有边维度都是同一整数的幂时，我们的上限是严格的。当不满足此条件时，该上限在乘法因子小于 1.585 时是最佳的。然后，我们为一般状态族提供了一种压缩算法，并表明该算法对于矩阵乘积状态在多项式时间内运行。
FAS 军事分析网络 美国导弹
AIM-7 麻雀 AIM-7 麻雀是一种雷达制导空对空导弹，具有高爆炸弹头。多功能麻雀导弹具有全天候、全高度作战能力，可以从任何方向攻击高性能飞机和导弹。AIM/RIM-7 系列是一种半主动、空对空、助推滑翔导弹，设计为轨道发射或弹射发射。半主动、连续波、自导雷达和液压控制面引导和稳定导弹，使其按比例导航至目标。导弹的推进力由固体推进剂火箭发动机提供。它是美国和北大西洋公约组织 (NATO) 部队广泛使用的导弹。在海湾战争中，雷达制导的 AIM-7 麻雀导弹被证明是一种强大的空对空武器，由空军战斗机使用飞行员。 22 架伊拉克固定翼飞机和 3 架伊拉克直升机被雷达制导的 AIM-7 麻雀导弹击落。麻雀导弹的局限性在于，发射它的飞机必须持续用雷达跟踪目标，这限制了飞机的飞行速度。 /div>