XiaoMi-AI文件搜索系统
World File Search System任务模型
使用 COTS 异构平台进行空间计算
由于高性能商用现货 (COTS) 计算平台的技术进步，空间计算正在蓬勃发展。太空环境复杂且具有挑战性，具有尺寸、重量、功率和时间限制、通信限制和辐射效应。本论文提出的研究旨在研究和支持在空间系统中使用 COTS 异构计算平台进行智能机载数据处理。我们研究在同一芯片上至少有一个中央处理器 (CPU) 和一个图形处理单元 (GPU) 的平台。本论文提出的研究的主要目标有两个。首先，研究异构计算平台，提出一种解决方案来应对空间系统中的上述挑战。其次，使用新颖的调度技术补充所提出的解决方案，用于在恶劣环境（如太空）中在 COTS 异构平台上运行的实时应用程序。所提出的解决方案基于考虑使用并行任务段的替代执行的系统模型。虽然将并行段卸载到并行计算单元（如 GPU）可以改善大多数应用程序的最佳执行时间，但由于过度使用 GPU，它可能会延长某些应用程序中任务的响应时间。因此，使用所提出的任务模型是减少任务响应时间和提高系统可调度性的关键。基于服务器的调度技术通过保证 CPU 上并行段的执行时隙来支持所提出的任务模型。我们的实验评估表明，与应用程序的静态分配相比，所提出的分配可以将实时系统的可调度任务集数量增加高达 90%。我们还提出了一种使用基于服务器的调度和所提出的任务模型的动态分配方法，该方法可以将可调度性提高高达 16%。最后，本文提出了一个模拟工具，支持设计人员使用所提出的任务模型选择异构处理单元，同时考虑处理单元的不同辐射耐受性水平。
遥感的基础和大型视觉模型
近年来，基础模型已成为一个强大的框架，可以适应各种下游视觉任务。在遥感领域，先前的工作集中在特定于特定任务的特定任务模型上（例如，精确农业，目标识别，对象检测等来自特定的传感器）。在开发和部署任务不合时宜的通用模型中具有重大且新兴的兴趣，这些模型可以针对各种下游任务进行定制。同样，对部署视觉语言模型进行遥感也很感兴趣。本期特刊将为在基础模型，大型视觉模型和地球观察应用的交集中工作的研究人员提供途径，以贡献其最新研究。主题包括（但不限于）：
人为错误的概念：- 核心
分析技术以因果模型为基础，该模型描述系统零部件在从初始故障或扰动到不可接受的后果的意外事件链中所起的作用。直到最近，大多数包括人为错误的分析工作都用于验证现有运行中传统设计的过程工厂在人机界面方面的安全性，例如，Therp (Swain 1976) 在核电站 (WASH 1400) 上的使用。这种情况导致人们从外部人为任务的结构和要素而不是人的功能和能力及其局限性的角度来定义错误和量化错误率。通常，当前的方法是根据任务元素或步骤的错误排序或执行对人为错误进行分类；即，分析方法基于任务模型而不是执行任务的人的模型。然后通过“绩效塑造因素” (Swain 1976, 1980) 考虑人类的功能和特征。
医学院 - 招生与经济援助
模拟训练允许医学生使用全身模拟器进行全面的学习活动；大多数学生希望有更多时间选修这些先进的训练工具，以帮助他们发展复苏、除颤、听诊、气道管理和其他临床技能。特定任务模型用于提高血管通路和缝合等程序的熟练程度，以及进行乳房、盆腔和前列腺检查的正确技术。匹兹堡的 Peter M. Winter 模拟教育与研究学院 (WISER) 被认为是世界领先的学术医学模拟训练中心之一，拥有高度复杂和逼真的计算机模拟技术，旨在让学生在对实际患者进行临床程序之前学习、练习和完善临床程序。
人为错误的概念： - DTU Orbit
分析技术基于因果模型，该模型描述了系统各部件和组件在从初始故障或干扰到不可接受的后果的意外事件链中所起的作用。直到最近，包括人为错误在内的大多数分析工作都花在了验证现有传统设计的运行过程工厂在人机界面方面的安全性上，例如，在核电站 (WASH 1400) 上使用 Therp (Swain 1976)。这种情况导致了对错误的定义和错误率的量化，这些定义和量化涉及外部人为任务的结构和元素，而不是人的功能和能力及其局限性。通常，当前的方法基于对人为错误的分类，分类依据是任务元素或步骤的错误排序或执行；即，分析方法基于任务模型，而不是执行任务的人的模型。然后通过“绩效塑造因素”考虑人类的功能和特征（Swain 1976, 1980）。
基准为人类活动识别的经典，深层和生成模型
人类活动识别（HAR）在使用配备传感器的设备和大型数据集的日益增长的情况下变得非常重要。本文使用HAR的五个关键基准数据集（UCI-HAR，UCI-HAR，PAMAP2，WISDM，WISDM和Berkeley Mhad）评估了三类模型的性能：经典的机器学习，深度学习体系结构和受限制的Boltzmann机器（RBMS）。我们使用诸如准确性，精度，回忆和F1评分等群集以进行全面比较，评估了各种模型，包括决策树，随机森林，卷积神经网络（CNN）和深信仰网络（DBN）。结果表明，CNN模型在所有数据集中都提供了卓越的表现，尤其是在伯克利MHAD上。像随机森林这样的经典模型在较小的数据集上做得很好，但是面对具有较大，更复杂数据的Challenges。基于RBM的模型还显示出显着的潜力，尤其是对于特征学习。本文提供了详细的比较，以帮助研究人员选择最合适的HAR任务模型。
微调的“小” llm（仍然）明显优于零射击...
生成AI提供了一种简单的，基于及时的替代方案，用于微调较小的BERT风格的LLM，以进行文本分类任务。这有望消除对手动标记的培训数据和特定于任务模型培训的需求。但是，仍然是一个悬而未决的问题。在本文中，我们表明，较小的，微调的LLM（仍然）始终如一，明显优于较大的零射击，这促使文本分类中的模型。我们将三种主要的生成AI模型（与GPT-3.5/GPT-4和Claude Opus）与多种分类任务（情感，批准/不赞成，情绪，情感，党派职位）和文本类别（新闻，推文，演讲，演讲）中进行了比较。我们发现，在所有情况下，使用特定于应用程序的培训数据进行微调均可取得卓越的性能。为了使更广泛的受众更容易访问这种方法，我们将提供一个易于使用的工具包。我们的工具包，伴随着非技术分步指导，使用户能够以最小的技术和计算工作来选择和调整类似BERT的LLM，以完成任何分类任务。
贸易条款驱动的通货膨胀的财政影响
本文研究通货膨胀的近期尖峰是否通过侵蚀名义债务的实际价值来对公共债务的可持续性有益。与欧盟委员会的任务模型进行的模拟表明，如果通货膨胀的来源是不利的贸易损失，那么它会导致公共债务与GDP比率的上升。在这种情况下，较高通货膨胀的偿债效应超过了较慢的实际增长，初级预算平衡下降的不利影响，并且随着积极的货币政策的加剧，以抵抗通货膨胀压力。结果高度依赖于政策：较短的合并债务成熟度（由过去的量化宽松计划带来）将加快利息支出的增长，而更宽松的货币政策也会延迟它们，也支持名义增长。主要财政平衡的反应（通过自动稳定器，通货膨胀指数和债务稳定规则）也很重要。但是，除了最极端的替代政策方案外，所有债务与GDP比率响应不利的贸易冲击而提高的基线结果相当强大。JEL分类：E52，E62，E63，F41，F44，H62，H63。
Neurall：迈向自动驾驶的统一视觉感知模型
摘要 - 卷积神经网络（CNN）可成功地用于重要的汽车视觉感知任务，包括对象识别，运动和深度估计，视觉猛击等。但是，这些任务通常是独立探索和建模的。在本文中，我们提出了一个联合多任务网络设计，用于同时学习多个任务。我们的主要动机是通过在所有任务之间共享昂贵的初始卷积层来实现的计算效率。的确，自动驾驶系统中的主要瓶颈是部署硬件可用的有限处理能力。也有一些证据表明，在提高某些任务和缓解发展工作的准确性方面还有其他好处。它还提供了可扩展性，以添加更多的任务利用现有功能并实现更好的概括。我们调查了自动驾驶中视觉感知任务的各种基于CNN的解决方案。然后，我们为重要任务提出了一个统一的CNN模型，并讨论了一些高级优化和体系结构设计技术以改善基线模型。本文是部分审查的，部分是位置，并证明了几个初步结果可用于未来的研究。我们首先展示了多流学习和辅助学习的结果，这些学习是扩展到大型多任务模型的重要成分。最后，我们实现了一个两条三任务网络，该网络在许多情况下与相应的单件任务模型相比，在许多情况下的性能更好，同时保持网络尺寸。
迈向研究工作中能量转移的中间实践
可持续人机交互 (SHCI) 领域将环境问题添加到交互系统的设计中，无论是在制造还是使用过程中 [11]。为了让用户意识到他们的行为对环境的影响，生态反馈界面会感知并提供关于这些行为的相关信息 [6]，例如：消耗的资源、产生的废物或资源状态。然而，Bremer 等人 [2] 指出，SHCI 参与者面临着以个人为中心的方法的局限性和批评，现在正转向影响团体或社区的方法。这样，以实践为导向的方法通过嵌入交互以及专业知识、规范和期望为团体和社区提供了设计框架 [1]。这种方法可以应用于能源使用问题 [1]。由于可再生能源的可用性是可变的并且没有有效的存储能力，转移能源需求是一种最大限度地利用可再生能源而不是不可再生能源的方法。为了支持住宅用户转移能源使用，Brewer 等人[3] 确定了三个挑战，这些挑战与用户对转变的理解、转变必须发生的时刻的定义以及可再生能源可用性的不可预测性有关。因此，设计转变实践具有挑战性，缺乏方法和流程。尽管无法解决所有实践方面（例如文化或政治），但我们表明，通过任务模型进行建模和分析任务可以通过识别潜在的苛刻任务并跟踪从当前实践任务到未来实践任务的实践转变来改进实践设计过程。