XiaoMi-AI文件搜索系统
World File Search System分解的
到期一年中分解的成熟度（截至2025年2月28日更新）
ID Code Issue date Redemption date Coupon/Spread Currency Outstanding Euro IT0005580003 BOT 12m 2024-01-12 2025-01-14 - EUR 9,650,000,000.00 IT0005607459 BOT 6m 2024-07-31 2025-01-31 - EUR 9,350,000,000.00 IT0005582868 BOT 12m 2024-02-14 2025-02-14-EUR 9,900,000.00 IT0005586349 BOT 12M 2024-03-14 2025-03-14-EUR 9,700,000,000.00 IT000561414182 BOT 6M 2024-09-09-09-09-30 2025-03-03-31-025-31- EUR 9,3550,000,000,000000,00000044BAT 2025-04-14 - EUR 9,925,000,000.00 IT0005595605 BOT 12m 2024-05-14 2025-05-14 - EUR 10,160,343,000.00 IT0005624447 BOT 6m 2024-11-29 2025-05-30 - EUR 8,198,829,000.00 IT0005599474 BOT 12m 2024-06-14 2025-06-13 - EUR 8,250,000,000.00 IT0005603342 BOT 12m 2024-07-12 2025-07-14 - EUR 8,800,000,000.00 IT0005633786 BOT 6m 2025-01-31 2025-07-31 - EUR 9,675,000,000.00 IT0005610297 BOT 12m 2024-08-14 2025-08-14 - EUR 7,675,867,000.00 IT0005611659 BOT 12m 2024-09-13 2025-09-12 - EUR 7,500,000,000.00 IT0005617367 BOT 12m 2024-10-14 2025-10-14 - EUR 7,500,000,000.00 IT0005621401 BOT 12M 2024-11-14 2025-11-14-欧元8,250,000.00 IT0005627853 BOT 12M 12M 2024-12-13 2025-12-12-EUR 9,350,000.00总BOT 143,235,039,000.00.00
基于重量分解的渐进学习在广义上很少的镜头分割
摘要：通用的很少的语义分割（GFSS）目标在学习一组基本类别的分割后，使用一些带注释的示例将新颖对象类别进行分割。典型的GFSS培训涉及两个阶段 - 基类学习，然后是新颖的课程和学习。尽管现有方法表现出了希望，但在新颖的班级数量显着时，它们通常会挣扎。大多数当前方法都冻结了编码器主链以保持基类精度；但是，冻结编码器骨架可以严重阻碍新班级中新型信息的同化。为了应对这一挑战，我们建议在GFSS中使用增量学习策略来学习编码器骨干和新型类原型。受到低级适应技术（LORA）最近成功的启发，我们通过新颖的重量分解方法向GFSS编码器主链引入了Increthorth学习。我们新提出的等级自适应权重合并策略对在编码器主链各个层中吸收的新颖性不同。在我们的工作中，我们还将增量学习策略介绍给新型类别的类原型学习。我们在Pascal-5 I和Coco-20 I数据库上进行了广泛的实验，展示了增量学习的有效性，尤其是当新颖的类人数超过基础类别时。使用我们提出的基于权重分解的增量学习（WFIL）方法，以概括性的语义分段建立了一组新的最先进的精度值。
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
过苯甲酸叔丁酯分解的热危害评估和自由基抑制
摘要 过苯甲酸叔丁酯(TBPB)是一种常见的聚合反应引发剂，但其分子结构中的过氧键极易断裂，导致分解甚至爆炸。为探究TBPB的热行为，抑制反应过程中产生的自由基的热危害，采用成熟的量热技术对TBPB的热稳定性进行了测定。采用Kissinger-Akahira-Sunose (KAS)、Flynn-Wall-Ozawa (FWO)和Starink动力学方法计算了TBPB分解反应的表观活化能。通过傅里叶变换红外光谱(FTIR)实验测定了TBPB热分解产物，利用电子顺磁共振波谱(EPR)结合自由基捕获技术对反应过程中产生的自由基进行了定性分析。本研究选取自由基捕获剂及抑制剂2,2,6,6-四甲基哌啶氧基（TEMPO）作为TBPB热分解反应热失控抑制剂，验证了其对相应自由基及TBPB分解反应热失控的抑制效果。研究发现TEMPO可有效降低TBPB潜在的热危险性和事故风险，为TBPB生产、储运过程中热灾害的预防与治理提供有力参考。
Geny：杀伤细胞免疫球蛋白样受体基因等位基因分解的基因分型工具
自然杀伤 (NK) 细胞是人类先天免疫系统的重要组成部分，是宿主抵御感染、病毒和疾病的第一道防线。这些细胞负责快速应对各种病理挑战，例如病毒感染细胞和癌细胞 ( 1 – 3 )。NK 细胞受细胞表面受体的调节，这些受体与体内各种细胞表面的主要组织相容性复合体 I 类 (MHC-I) 分子相互作用 ( 4 )。这些受体又由杀伤细胞免疫球蛋白样受体 (KIR) 基因编码，该基因位于人类 19 号染色体上白细胞受体复合体 (LRC) 的 150kb 区域内，其表达和相互作用对于区分健康细胞和异常细胞至关重要。由于个体之间存在巨大的遗传多样性，KIR 基因导致个体之间出现各种各样的免疫反应，这也影响疾病易感性 ( 5 )。因此，KIR 基因属于高度多态性基因家族，因此包含大量存在于人类群体中的已知基因相（也称为等位基因，或在某些情况下称为基因型）（ 6 ）。重要的是，这种变异不仅限于编码区，还涵盖指导 KIR 基因表达的调控区。有人提出，这种巨大的遗传多样性可能源于不断进化的病毒带来的进化压力（ 7 ）。这种复杂的遗传结构意味着不到 2% 的无关个体具有相同的 KIR 基因型（ 8 ）。十七 (17) 个 KIR 基因根据其胞外免疫球蛋白样 (lg-like) 结构域（指定为 2D 或 3D）和其胞质尾的长度（标记为 L 表示长胞质尾，标记为 S 表示短胞质尾，标记为 P 表示假基因）命名。一般规则是，短尾 KIR 是激活受体，而长尾 KIR 是抑制受体。基于这些名称，KIR 基因可分为以下几类： (a) 六 (6) 个基因，具有两个结构域和长胞质尾巴（ KIR2DL1 – KIR2DL5B ）， (b) 五 (5) 个基因，具有两个结构域和一个短胞质尾巴（ KIR2DS1 – KIR2DS5 ）， (c) 三 (3) 个基因，具有三个结构域和长尾巴（ KIR3DL1 – KIR3DL3 ）， (d) 一 (1) 个 KIR3DS1 ，其特征是具有三个结构域和一个短尾巴，以及 (e) 两 (2) 个假基因（ KIR2DP1 和 KIR3DP1 ）1. 全区域 KIR 单倍型分为两类：组 B（具有 KIR2DL5 、 KIR2DS1 、 KIR2DS2 、 KIR2DS3 、 KIR2DS5 和 KIR3DS1 之一）和组 A（没有这些基因中的任何一个） （ 7 ） （图 1 ）最后，单个基因等位基因的命名，大致遵循基因注释中使用的星号等位基因命名法（ 9 ， 10 ），其中每个等位基因被分配一个数字来表明其功能（ 8 ）。目前已知的 KIR 等位基因已在 IPD-KIR 数据库中进行了汇编和分类（11）。由于不同的 KIR 等位基因会导致不同的免疫反应，因此有必要对 KIR 基因进行精确的基因分型和分期，以更好地了解这些基因在免疫系统中的作用。一种经济有效的方法是使用高通量测序 (HTS) 技术，该技术已成功用于
基于O-RAN的交通转向的状态空间分解的级联加固学习
摘要 - 我们研究开放无线接入网络（O-RAN）中的交通转向问题（TS）问题，利用其RAN智能控制器（RIC），其中RAN RAN RAN配置参数可以在接近现实的时间内共同且动态地优化。为了解决TS问题，我们提出了一种新颖的级联加固学习（CARL）框架，我们建议在其中提出状态空间分解和策略分解，以减轻对大型复杂模型和标记良好的数据集的需求。对于每个子州空间，对RL子政策进行了训练以优化服务质量（QoS）。要将CARL应用于新的网络领域，我们提出了一种知识转移方法，以根据受过训练的政策学到的知识来初始化新的子政策。为了评估卡尔，我们构建了一个数据驱动的RIC Digital Twin（DT），该数据使用现实世界中的数据进行建模，包括网络设置，用户地理分配和流量需求，以及其他tier-1 RAN操作员。我们在两个DT方案中评估了Carl，代表了两个不同的美国城市，并将其表现与惯常政策作为基线和其他竞争优化方法（即启发式和Q-表算法）进行了比较。此外，我们已经与RAN运营商进行了实地试验，以评估CARL在美国东北地区的两个地区的表现。索引术语 - 运行，交通转向，增强学习。
使用TERAFLOWSDN控制器进行分解的光网络测试床
mihail balanici（1），Behnam伊斯兰教（1），穆罕默德·雷汉·拉扎（Muhammad Rehan Raza）（1），Pooyan Safari（1），Aydin Jafari（1），Vignesh Karunakaran，Vignesh Karunakaran（2），Achim Autenrieth（Achim Autenrieth（2）对于电信，Heinrich-Hertz-institut（HHI），Einsteinufer 37，10587柏林，德国，德国，电子邮件：mihail.balanici@hhi.fraunhofer.de（2）自主光学链路容量的用例调整在部分分散的测试床中。我们的提案采用了最先进的流量预报员来提供容量提供，并且在不中断端到端服务的情况下（重新）配置了（重新）配置光网络元素。
三角洲：使用大语言模型分解的有效的长期机器人任务计划
摘要 - 大语言模型（LLM）的最新进展彻底改变了许多研究领域。在机器人技术中，通过解锁前所未有的上下文意识级别，将常识性知识整合到下游任务中已大大推动了该领域。尽管知识收集了大量知识，但由于幻觉或缺少域信息，LLM可能会产生不可行的计划。为了应对这些挑战并提高计划的可行性和计算效率，我们介绍了Delta，这是一种新颖的LLM知名任务计划方法。通过使用场景图作为LLM中的环境表示，Delta实现了快速生成精确的计划问题描述。为了提高计划绩效，Delta将LLMS的长期任务目标分解为自回归的子目标序列，从而使自动化的任务计划人员能够有效地解决复杂的问题。在我们的广泛评估中，我们表明，与艺术品相比，达美航空可以实现高效且全自动的任务计划管道，达到更高的计划成功率，并明显较短的计划时间。
分解的表示与物理信息的变异自动编码器进行结构健康监测
摘要。大规模对结构的手动检查和评估是劳动密集型的，而且通常是不可行的，而数据驱动的机器学习技术可能无法识别相关的失败机制，并且对以前看不见的条件的概括不佳，尤其是在有限的信息中遇到的。我们提出了一个物理知识的变异自动编码器公式，以在测量中删除混杂源的图表学习，以计算基于物理模型的潜在参数的后验分布，并在有限测量值时预测结构的响应。自动编码器的潜在空间通过一组基于物理的潜在变量进行增强，这些变量可解释，并以先验分布和基于物理模型的形式允许域知识包含在自动编码器公式中。为了防止模型的数据驱动的组件覆盖已知的物理学，训练目标中包括一个正则化项，该术语对潜在空间和生成模型预测施加约束。在合成案例研究中评估了所提出的方法的可行性。