XiaoMi-AI文件搜索系统
World File Search System两阶段的
foldmark：使用水印
蛋白质结构是理解蛋白质功能的关键，对于生物工程，药物发现和分子生物学的进展至关重要。最近，随着生成AI的结合，计算蛋白结构预测/设计的功率和准确性已得到显着提高。然而，诸如版权保护和有害内容产生（生物安全）等道德问题对蛋白质生成模型的广泛实施构成了挑战。在这里，我们研究是否可以将水印嵌入蛋白质生成模型及其输出中，以进行版权认证和跟踪生成的结构。作为概念证明，我们提出了一个两阶段的方法折叠标记，作为蛋白质生成模型的广义水印策略。FOLSMARK首先要预处理水印编码器和解码器，它们可以轻微调整蛋白质结构以嵌入用户特定的信息，并忠实地从编码结构中恢复信息。在第二步中，蛋白质生成模型通过水印条件的低级适应（Waterlora）模块进行微调，以保持发电质量，同时学习产生具有高回收率的水印结构。广泛的实验是在开源蛋白结构预测模型（例如Esmfold和Multiflow）和从头结构设计模型（例如Framediff和Foldflow）上进行的，我们证明我们的方法在所有这些生成模型中都是有效的。同时，我们的水印框架只会对原始蛋白质结构质量产生可忽略的影响，并且在潜在的后加工和适应性攻击下具有强大的影响。
calrec：依次推荐的生成LLM的对比度对准
传统的推荐系统（例如矩阵分解方法）主要集中于学习共享密集的设备空间，以表示项目和用户偏好。sub-sub-sub，诸如RNN，GRUS和最近的序列模型在顺序推荐的任务中出现并出色。此任务需要了解用户历史交互中存在的顺序结构，以预测他们可能喜欢的下一个项目。基于大型语言模型（LLM）在各种任务中的成功，最近使用在庞大的文本中鉴定的LLM进行了研究，以进行顺序建议。要使用LLM进行顺序推荐，用户交互的历史记录和模型对下一个项目的预测都以文本形式表示。我们提出了CALREC，这是一种两阶段的LLM登录框架，它使用两种对比性损失和语言建模损失的混合物以两位较高的方式对经过验证的LLM进行了验证：LLM首先是在来自多个域中的数据混合物上进行的，随后是一个目标域芬特芬特登录。我们的模型极大地胜过许多最先进的基准（ + 37％的回忆@1和ndcg@10中的24％），我们的系统消融研究表明，（i）两种固定阶段至关重要，当结合使用时，我们在相反的绩效中获得了相似的绩效，以及（ii）对比的一致性在目标域中有效地探索了我们的实验。
一种理论和基于证据的共同设计方法，用于为患有严重精神疾病的人和2型DI
抽象背景2型糖尿病在严重精神疾病（SMI）中的常见2-3倍。自我管理至关重要，SMI患者面临着其他挑战。因此，对于有SMI的人来说，任何糖尿病的自我管理计划都必须解决患有这两种状况的人的独特需求以及他们在医疗保健服务中遇到的不平等的独特需求。目标我们结合了理论，经验证据和共同设计方法，以为SMI患者开发2型糖尿病的自我管理干预。方法包含四个步骤的开发过程：步骤1涉及优先考虑行动机理（MOA）和行为改变技术（BCT）的干预措施。使用主要定性研究和系统评价中的发现，我们选择了候选MOA来靶向干预措施，并选择使用候选BCT。专家利益相关者随后在两阶段的调查中对这些MOA和BCT进行了排名。平均分数用于生成优先的MOA和BCT列表。在步骤2期间，我们将调查结果介绍给了专家共识研讨会，以同意干预措施的MOA和BCT清单，并确定潜在的交付方式。步骤3涉及使用步骤1和步骤2的证据开发触发膜。我们采用动画来介绍SMI管理糖尿病的人的经历。这些薄膜用于步骤4，我们使用了利益相关者共同设计方法。这涉及一系列结构化研讨会，其中通过理论和证据告知共同设计活动。结果
yolov1到Yolov10：最快，最准确的实时对象检测系统
对象检测是一项基本的计算机视觉任务，可以支持各种下游任务。例如，它可用于协助实例细分，多对象跟踪，行为分析和识别，面部识别等。因此，在过去的几十年中，它一直是一个受欢迎的研究主题。近年来，由于移动设备的流行，在边缘上执行实时对象检测的能力已成为各种现实世界应用程序的必要组件。属于此类应用程序的任务包括自动驾驶，工业机器人，身份认证，智能医疗保健，视觉监视等。在许多实时对象检测算法中，Yolo（您只看一次）系列（从V1到V10）[1] - [10]近年来开发的是特别出色的。它在计算机视觉领域已经极大地影响了各种研究。本文将回顾Yolo的技术家族及其对当代实时计算机视觉系统发展的影响。通过在对象检测领域成功实现分裂的第一个基于深度学习的方法是R- CNN [11]。r-CNN是一种两阶段的对象检测方法，将对象检测过程分为两个阶段：对象提案生成和对象提案分类。R-CNN的作用是首先使用选择性搜索[12]，该搜索通常在图像处理中使用，以提取建议。在此阶段，CNN仅用作提取建议特征的特征提取器。至于识别部分，使用SVM [13]。随后的快速R-CNN的开发[14]
从分销网络的角度来看
向低碳能源系统的过渡需要增加住宅照片伏（PV）在能耗需求（即PV自消费）中的贡献。为此，采用PV自我消费政策作为当前净计数政策的替代方案可能支持利用电池来改善PV自消耗。但是，必须对PV政策对分销网络的技术影响进行充分的评估和缓解。为此，提出了一个两阶段的计划框架。第一阶段是一种优化方法，该方法基于采用的PV政策来决定PV和电池的最佳尺寸。第二阶段使用Monte-Carlo模拟评估了所得大小对分配网络的影响，以应对需求和发电中的不确定性。该框架应用于约旦南部的真实介质和低压分配网络。对于净计数，结果表明，RESI含量PV渗透的摄取超过40％，将导致电压问题。还发现，采用电池为客户的利益（即减少电费）不会减轻60％以上的PV渗透率的PV影响。此外，结果证明了分销网络运营商在管理电池吸收客户和配电网络的好处的重要作用。网络运营商可以支持客户采用更大尺寸的电池，以实现所需的PV自我消费，以返回控制电池以解决网络问题。这有助于100％PV渗透率的吸收，并将PV自消耗提高到50％。
Mark White，太平洋西北国家实验室Mark White，太平洋西北国家实验室
抽象的盐水储存量用于二氧化碳的永久存储通常处于足以在二氧化碳超临界状态内产生压力和温度的深度，从而产生两阶段的系统。气和水。从这些深盐水储层到地下经验温度和压力条件的泄漏途径，可能会产生液体两相条件；非水液和水或三相条件；气体，非水液和水性。太平洋西北国家实验室目前正在国家风险评估合作伙伴关系下开发其踩踏器模拟器的扩展，以模拟二氧化碳从深盐水储层的迁移，这是通过可能包括钻孔的泄漏途径向地面的迁移。这项工作的主要目标将是将完整的储层模拟与开放综合评估模型（OpenIAM）进行比较。对于涉及二氧化碳临界点附近的温度和压力条件的泄漏途径，快速相处，消失和过渡是可能的，这使该区域的数值解决方案变得困难。已经为踩踏模拟器开发了一种数值解决方案，该方案通过非液体液体和气相相之间的界面张力缩放来平滑毛细管压力，饱和度和相对渗透率的不连续性。此海报详细介绍了已开发的数值解决方案方案和Stomp Simulator中的实现。
使用大语言模型的实时异常检测和反应性计划
摘要 - 在Internet规模数据上接受培训的大型语言模型（LLMS）具有零拍摄的一代化功能，这使它们成为一种有前途的技术，用于检测和缓解机器人系统的分布故障模式。完全意识到这一诺言提出了两个挑战：（i）减轻这些模型的大量计算费用，以便可以在线应用它们，以及（ii）将他们对潜在异常现象的判断局限于安全控制框架。在这项工作中，我们提出了一个两阶段的推理框架：首先是一个快速的二进制异常分类器，可以分析LLM嵌入空间中的观察结果，该观察结果可能会触发较慢的后备选择阶段，该阶段利用了生成LLMS的推理。这些阶段对应于模型预测控制策略中的分支点，该策略保持了沿着各种后备计划继续沿着各种后备计划的联合可行性，以便在检测到异常后立即考虑缓慢的潜伏期，从而确保安全性。我们表明，即使使用相对较小的语言模型实例化，我们的快速异常分类器与最先进的GPT模型形成了自回归推理。这使我们的运行时监视器能够在资源和时间限制下改善动态机器人系统的可信度，例如四摩托或自动驾驶汽车。在我们的项目页面上可以使用仿真和现实世界实验中说明我们方法的视频：https：//sites.google.com/view/aesop-llm。
电池储能系统的随机计划模型，以及实用规模的太阳能光伏
摘要：随着技术的进步和价格下跌，电池储能系统（BESS）被视为电源系统中有前途的存储技术。在本文中，引入了随机的BESS计划模型，该模型决定了在可再生资源和电力负载的不确定性下，在高压电源系统中确定了在高压电力系统中共同将公用事业规模太阳能光伏（PV）系统共同放置的最佳容量和持续时间。优化模型最小化总成本旨在从可再生来源获得至少20％的电能，同时满足所有物理约束。此外，还应用了两阶段的随机编程来制定数学优化问题，以发现贝斯的最佳持续时间和容量。在调度BESS时，需要考虑时间表代表Bess状态的时间变化；因此，采用了一种以1-h时间步长生成随机样本路径的方案生成方法，以明确表示不确定性和时间变化。提出的数学模型应用于经过修改的300个总线系统，该系统包括300台电动总线和411个传输线。当采用不同数量的场景以查看对模型中场景数量的敏感性时，比较了最佳的BES持续时间和容量，并计算出“随机解决方案的值”（VSS）以验证随机参数包含的影响。结果表明，当场景数量从10增加到30时，建筑物的成本和能力增加。通过检查VSS，可以观察到随机参数的显式表示会影响最佳值，并且当应用大量的方案时，影响会更大。
已发表版本的引用 (APA)：Hemmati，M.，Abapour，M.，Mohammadi-Ivatloo，B.，& Anvari-Moghaddam，A. (2020)。集成系统的最佳运行
摘要：天然气和电力能源协调的多载体能源系统为提高能源效率和能源供应灵活性提供了特殊的机会。电力和天然气网络的相互依赖性面临着多重挑战，从相应的馈线和管道中的电力和天然气流动以及两个基础设施之间的连接点来看。然而，能源枢纽概念作为具有多个转换、存储和发电设施的多载体能源系统的基本概念，可以被视为电力和天然气电网之间的连接点。因此，本文提出了一种考虑互联能源枢纽的协调天然气和电力分配网络的优化运行方法。拟议的能源枢纽配备了热电联产装置、锅炉、电池储能、热泵和燃气机组，以满足供热和电力负荷需求。所提出的模型是一个两阶段的基于场景的随机模型，旨在考虑风能、电力负荷和实时电价不确定性，从而最大限度地降低总运营成本。所提出的综合能源系统可以参与实时和日前电力市场以及天然气市场，以购买其所需的能源。交流电力流和韦茅斯方程被扩展以分别描述馈线和天然气管道中的电力和天然气流动。因此，考虑到耦合约束，综合电力和天然气电网的现实模型是可以满足的。所提出的模型在综合能源系统中进行了测试，该系统由一个 33 节点的电网和一个具有多个互连能源枢纽的 6 节点天然气电网组成，其中的数值结果揭示了所提出模型的有效性。
发电系统的基础设施计划和运营计划：一种能量水联系方法
由于人口增长和经济繁荣，对能源和饮用水的需求正在迅速增加。随着对能源和水的需求增加，利用能量 - 水联系（EW-N）的发电系统的决策策略的需求变得越来越明显。这些决策策略是复杂的，包括与以下决策有关的决策：（i）建造新的发电厂和储能设备； （ii）现有发电厂的冷却技术的转换； （iii）环境影响。由于发电厂的生成和冷却技术类型直接影响其用水，因此决策策略本质上是多目标的。因此，基于上述问题的决策框架对于开发能够满足能源需求并可持续利用水的发电系统至关重要。在这项工作中，我们提出了一种基于EW-N上层结构的新颖表示，以及具有可再生发电机和大规模储能设备的动力生成系统的基础架构计划和运营计划的多目标优化框架。EW-N问题被视为一个两阶段的随机混合构成线性程序，可最大程度地减少系统的资本支出，运营成本和水的用水。该模型包括计划决策，例如构建其他发电厂，存储单元以及转换现有发电厂的冷却技术的能力。该模型还包括调度决策，这些决策决定了每种工厂产生多少功率，如何在系统中分配能量以及何时将能量存储并从存储设备中释放。该模型被实施到德克萨斯州爱德华兹含水层区域内的案例研究中，用于集中的电力产生实用程序，并确定鉴于系统的当前基础架构，该模型的最佳转换，扩展和操作决策。