XiaoMi-AI文件搜索系统
World File Search System内部干扰
深钢筋学习的基于图形的无细胞大量mimo的访问点选择
广泛认识到，所有AP服务所有用户都可以导致大量的回程开销。为了减轻背部高架负担并增强网络实用性，在[4]中提出了一种称为中心方法的AP选择方法，在[4]中，每个AP仅为用户提供最强渠道的用户，即接收到最强的信号参考功率（RSRP）。但是，以用户为中心的方法忽略了网络拓扑的信息，并且可能在某些拓扑场景中表现不佳。考虑一个网络拓扑，其中众多用户靠近一个AP。根据以用户为中心的方法，这些用户将连接到同一AP，从而导致接收信号强度和严重的内部干扰。为了增强此类网络拓扑中以用户为中心的方法，在[5]中的AP选择过程中考虑了有效的渠道增益，而不是RSRP，以减少Intra-AP干扰。然而，每个用户只连接到一个AP，可以将其扩展到多个AP。
![arxiv：2502.12217v1 [cs.lg] 2025年2月17日](/simg/3\39e2bc449d26ff8783d1c296a3d24776b7d65187.webp)
arxiv：2502.12217v1 [cs.lg] 2025年2月17日
大型语言模型（LLMS）具有令人印象深刻的能力，但其高计算成本构成了挑战。模型合并提供了一种具有成本效益的替代方案，但现有的方法不受参数之间的干扰，导致性能退化。在这项工作中，我们提出了o ptimal b降雨i（obim），这是一种新型方法，旨在构成构成模型内模型和模型间互动。OBIM由两个关键组成组成：（1）显着度测量机制，该机制根据由个体体重造成的损耗变化评估参数重要性，从而通过仅保留高效能参数来减少模型内部干扰。（2）相互排斥的迭代合并框架工作，该工作使用二进制掩码逐步整合模型，以避免直接的体系平均，从而减轻模型间干扰。我们通过对监督的微调（SFT）模型和后注册的检查点进行实验来验证OBIM。结果表明，OBIM显着超过现有的合并技术。总的来说，OBIM提供了一种有效且实用的效果，以增强LLM合并。接受本文后，我们将公开发布我们的代码。
提高热带净零能耗办公楼的能源灵活性和光伏自耗能力
建筑能源灵活性对于改善当地可再生能源消费和提高建筑自给自足能力至关重要。热带地区丰富的太阳能资源为减少碳排放和实现净零排放提供了绝佳机会，但该地区的建筑能源灵活性研究仍不足。因此，本研究提出并实施了一种基于模型预测控制 (MPC) 的实用控制框架，揭示了采用混合冷却系统的热带办公楼的能源灵活性潜力。考虑到数据可用性对实际控制性能的影响，还在实际和虚拟的端到端实验中研究了具有替代数据使用配置的 MPC。首次证明所提出的框架可以有效调节建筑负荷。与基线控制相比，光伏自耗和建筑自给自足分别提高了 19.5% 和 10.6%。在测试的三个数据类别（内部干扰、外部干扰和系统条件）中，准确的当地天气条件被证明对理想的控制结果最为关键。此外，模拟量化了不同建筑特征下更高数据粒度带来的好处。基于系统实验，建立了数据可用性与控制性能之间的关系。据此，提出了一个以数据为中心的框架，以提高最优控制研究的可重复性和可扩展性。可以指导未来的研究，以促进大规模的实际实施。