XiaoMi-AI文件搜索系统
World File Search System冗余数据
引用此研究：Ramesh D. 和 Jaya T. 博士 (2025)。《使用机器学习的 WSN 中的可扩展多聚类聚合方案》，《土耳其工程杂志》
由于 WSN 中的资源有限，数据包在路由到接收器时会发生冲突，因此可以通过数据聚合消除冗余数据，从而最大限度地减少传输的数据总量并延长网络的使用寿命。最小化能耗和提高数据聚合率是 WSN 中最关键的因素。利用机器学习的可扩展多聚类聚合 (SMCA-ML) 专注于异构无线传感器网络的数据聚合方法，使用神经元作为机器学习方法中的无线传感器网络节点。机器学习方法累积传感器节点收集的捕获数据，并将累积的数据与多聚类路由集成。所提出的方法在训练之前随机生成隐藏层的阈值和输入层的权重。这会导致不稳定的输出，影响数据聚合的效率并导致较长的延迟。更重要的是，根据无线传感器网络 (WSN) 中能量消耗不均匀的特点进行了不同的阈值设置，通过在具有足够能量的远接收器中设置较小的阈值，允许数据包更快地传输。为了最大化数据聚合，能量紧张的近接收器区域采用更大的阈值。结合该算法可以实现数据融合程度高、能耗低、时延小，仿真结果表明，基于SMCA-ML的数据聚合算法相较于传统的稳定选举协议（SEP）、反向传播算法、极限学习机等算法，可以显著延长网络寿命、大幅降低能耗、提升网络能量、拓展网络性能、提高数据聚合效率。
CRUISE 关于推荐系统中特征选择的量子计算
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，