XiaoMi-AI文件搜索系统
World File Search System分层
具有人工智能规划模型的分层强化学习
两种常见的顺序决策方法是人工智能规划 (AIP) 和强化学习 (RL)。每种方法都有优点和缺点。AIP 具有可解释性，易于与符号知识集成，并且通常很高效，但需要预先指定逻辑域，并且对噪声敏感；RL 只需要指定奖励，并且对噪声具有鲁棒性，但样本效率低下，不易获得外部知识。我们提出了一种将高级规划与 RL 相结合的综合方法，保留了可解释性、迁移和效率，同时允许对低级规划操作进行鲁棒学习。我们的方法通过在 AI 规划问题的状态转换模型和马尔可夫决策过程 (MDP) 的抽象状态转换系统之间建立对应关系，从 AIP 运算符定义分层强化学习 (HRL) 中的选项。通过添加内在奖励来学习选项，以鼓励 MDP 和 AIP 转换模型之间的一致性。我们通过比较 MiniGrid 和 N 室环境中 RL 和 HRL 算法的性能来展示我们的集成方法的优势，展示了我们的方法相对于现有方法的优势。
视觉变压器具有分层注意力
摘要：本文解决了香草视觉变压器中与多头自我注意（MHSA）相关的高计算/空间复杂性。为此，我们提出了层次MHSA（H-MHSA），这是一种新颖的方法，以层次的方式计算自我注意力。具体来说，我们首先将输入图像分为通常完成的补丁，每个补丁都被视为令牌。然后，提议的H-MHSA学习本地贴片中的令牌关系，作为局部关系建模。然后，将小斑块合并为较大的贴片，H-MHSA对少量合并令牌的全局依赖性建模。终于，将本地和全球专注的特征汇总为具有强大表示能力的功能。由于我们仅在每个步骤中计算有限数量的令牌的注意力，因此计算负载大大减少。因此，H-MHSA可以在不牺牲细粒度信息的情况下有效地模拟令牌之间的环境关系。与H-MHSA模块合并，我们建立了一个基于层次的变压器网络的家族，即HAT-NET。为了证明帽子网络在场景中的优越性，我们就基本视觉任务进行了广泛的实验，包括图像分类，语义分割，对象titection和实例分段。因此，HAT-NET为视觉变压器提供了新的视角。代码和预估计的模型可在https://github.com/yun-liu/hat-net上找到。
用于分层报告和有见地验证的工具集...
efrag - 欧洲财务报告咨询小组 - 开发了欧洲可持续性报告标准（ESRS），该标准为公司报告环境，社会和治理（ESG）主题提供了一个框架。必须对所有受公司可持续性报告指令（CSRD）约束的公司报告12个标准
用于并行动态的可配置分层架构...
电气和电子工程师协会 › iel7 作者 C Wang · 2022 · 被引用 1 — 作者 C Wang · 2022 被引用 1 (MPI) [27]，并行计算中的通信标准。... 基于代理的电力系统建模和仿真的计算。
使用分层组合进行脑肿瘤分割...
摘要背景：磁共振（MR）图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中，脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法：本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块，该方法使用主要分割方法的输出作为输入，并使分割性能值更好。该方法是模糊逻辑和细胞自动机（CA）的组合。结果：BraTS 在线数据集已用于实现所提出的方法。在第一步中，将每个像素的强度输入模糊系统以标记每个像素，在第二步中，将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%，但使用模糊 CA 后的分割准确率达到 99.8%。结论：实际结果表明，与其他方法相比，我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。
通过数据科学和转化创新转化慢性肝病的筛查，风险分层和治疗优化
近年来在肝病学上取得了显着进步，但巨大的挑战和未满足的需求仍然存在。1个慢性肝脏疾病施加重大的公共卫生负担，肝细胞癌（HCC）是全球癌症死亡率的第四个主要原因。2种风险评估，筛查，预后和治疗优化的缺陷有助于次优的患者护理。然而，肝病领域随时准备在新兴的研究和新工具上取得成功，从而增强了对肝病机制的理解，卓越的预后准确性以及更量身定制的治疗递送。将这些创新从长凳转换为床边将是改善肝脏疾病患者的临床管理和结果的关键。3最紧迫的肝病需求之一是提高预后精度和HCC的治疗选择。作为最常见的原发性肝癌，HCC占了癌症的大量死亡率。4优化和个性化的HCC疗法需要准确预测治疗反应和整体预后。5研究表明，α-五蛋白（AFP）和成像特征等生物标志物的预后效用，但是结合多种方式可以进一步完善结果预测。一个例子是MAPS-Crafity评分，它吸收了临床变量，AFP水平和CT/MRI发现，以预测高级HCC中的免疫疗法和靶向治疗反应的系统。6-10包括变压器模型在内的机器学习方法还表现出有望解剖复杂数据集，以确定局部区域处理后的HCC预后，例如射频消融（RFA）。
毫米级、大面积均匀半导体器件分层，用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、P
毫米级、大面积均匀半导体器件分层用于物理故障分析和质量控制 Pawel Nowakowski*、Mary Ray、Paul Fischione EA Fischione Instruments，Export，宾夕法尼亚州，美国* 通讯作者：p_nowakowski@fischione.com 不断发展的微电子设备设计越来越复杂、越来越紧凑和越来越小。这些设计可能包括越来越多的层、三维 (3D) 垂直堆叠、气隙和不同的材料成分。大批量半导体器件制造需要强大的质量控制和故障分析过程。过去几十年来，已经开发出了许多故障分析技术，包括非破坏性和破坏性技术 [1-3]。一种非常流行的技术是器件分层，即从上到下控制地去除器件层。通过这种技术获得的信息可以支持质量控制、故障分析工作、成品和工艺改进数据以及逆向工程。
