XiaoMi-AI文件搜索系统
World File Search System匹配的
背景计时 - 旋转不匹配的校准，用于时间间隔的ADC
摘要 - 时间间隔ADC广泛用于高速应用中。该结构可以通过并联多重ADC来增加整个转换器的有效采样率。但是，该体系结构将受到不同子转换器之间的不匹配，包括偏移，增益和时机。时机偏斜会产生动态错误，从而提出更大的挑战。本文介绍了通过两种背景盲目校准技术来解决TI ADC中正时不匹配的最新最新解决方案：a）基于确定性均衡和b）基于输入信号的统计信息的方法。
醒来加入我吧！一种用于无线电网络中最大匹配的节能算法
我们考虑由小型自主设备组成的网络，这些设备彼此之间以无线方式进行通信。在设计此类网络的算法时，最小化能耗是一项重要的考虑因素，因为电池寿命是一种至关重要且有限的资源。在发送和接收消息都会消耗能量的模型中，我们考虑在任意且未知拓扑的无线电网络中寻找节点的最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log 2 n) ，时间复杂度为 O (∆ log n) 。这里 n 是节点数的任意上限，∆ 是最大度的任意上限；n 和 ∆ 是我们算法的参数，我们假设所有处理器都先验地知道这些参数。我们注意到，存在图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何重大改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在节点最终发生故障时备份其数据。此处，一个关键目标是最小化最大负载，其定义为分配给单个节点的节点数。我们提出了一种高效的分散式低能耗算法，该算法可以找到一个邻居分配，其最大负载最多比最优值大一个 polylog(n) 因子。
与内核匹配的深度和广泛的转移学习，用于从脑电图和心理问卷中汇总数据
摘要：运动图像（MI）促进运动学习，并鼓励大脑 - 计算机接口系统，这些系统需要进行脑电图（EEG）解码。但是，需要长时间的培训来掌握脑部节奏的自我调节，从而导致使用MI不确定的用户。我们介绍了一种基于参数的跨受试者转移学习方法，以改善基于MI的BCI系统中表现不佳的个体的性能，通过内核 - 汇总标记的EEG测量结果和心理问卷来汇总数据。为此，实施了用于MI分类的深层神经网络，以从源域预先培训网络。然后，将参数层转移，以在细胞调整过程中初始化目标网络，以重新计算基于多层感知的精度。要执行将分类特征与实价功能相结合的数据融合，我们通过高斯 - 插入实现了逐步的内核匹配。最后，根据受试者考虑其对BCI运动技能的影响，探索表现最出色的受试者（源空间）的两个选择策略，选择了对基于差异的集群的配对源 - 目标集来进行评估目的：单个受试者：单件受试者和多个受试者。针对判别MI任务获得的验证结果表明，即使包含问卷数据，引入的深层神经网络也具有准确性的竞争性能。
体内近红外光谱谱图将阿尔茨海默氏病的受试者与年龄匹配的对照区分开
摘要。背景：诸如阿尔茨海默氏病（AD）的PET和MRI AID临床评估之类的医学成像方法。便宜，技术要求较低，并且需要更广泛的可部署技术来扩大客观筛查以进行诊断，治疗和研究。我们先前在体外报道了脑组织近红外光谱（NIR），表明有可能满足这种需求的潜力。目标：通过匹配对照组的临床，临床，NIR Invivo CandistinguishAdpatients，临床，NIR Invivo CandistryishAdpatients，并显示了NIR作为临床筛查的潜力和监测治疗性有效性的潜力。方法：在体内获取NIR光谱。研究了三组：尸检确认AD，对照和轻度认知障碍（MCI）。使用强度归一化光谱的第一个衍生物的特征选择方法用于发现最能区分“ ad-alone”（即没有其他显着神经病理学）的光谱区域。然后将该方法应用于其他尸检确认的AD病例和临床诊断的MCI病例。结果：大约860和895 nm的两个区域将AD患者与对照组完全分开，并根据损伤程度区分MCI受试者。895 nm功能在将MCI受试者与对照组分开（权重：1.3）方面更为重要。 860 nm功能对于区分MCI和AD（重量比率：8.2）更为重要。结论：这些结果构成了近红外光谱可以检测和分类患病和正常人脑的概念的证明。需要进行临床试验来确定这两个特征是否可以跟踪疾病进展并监测潜在的治疗干预措施。
研究在线学习者中人工智能介导的社交匹配的设计空间
摘要 近年来，在线教育的需求不断增长。然而，在线学习者经常会遭遇社交孤立，这会对他们的学习体验和学习结果产生负面影响。在本章中，我们研究社交匹配系统的设计空间，以帮助促进在线学习者之间的社交联系。具体来说，我们试图回答三个核心设计问题：（1）应该收集哪些数据？（2）如何设计技术来支持学生之间的互动？（3）学生对人工智能介导的社交匹配的伦理问题有何担忧？我们首先通过现有文献探讨人工智能介导的社交互动的可行性、设计和关注点。然后，我们介绍我们正在进行的关于在在线学习环境中设计和使用人工智能对话代理作为社交匹配系统的工作。最后，我们概述了在线学习中以人为本的社交匹配系统设计研究的未来方向。
使用匹配的听觉刺激响应建模 -
。cc-by-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2021年2月17日发布的此版本中显示在版权所有的此版本中。 https://doi.org/10.1101/2020.11.11.05.370072 doi：Biorxiv Preprint
![B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。 。 ，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在成对的e 1，cysets e 1，互相互互相关。 。 。 ，e m这样，e i \ xe2 \ x88 \ x88 f i对于所有i \ xe2 \ x88 \ x88 [m]。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd在H中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。为了完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的兴趣。](/simg/6/66b12590acfaebc9bf0ec40f52ef0eeec179ff5a.webp)
B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。 。 ，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在成对的e 1，cysets e 1，互相互互相关。 。 。 ，e m这样，e i \ xe2 \ x88 \ x88 f i对于所有i \ xe2 \ x88 \ x88 [m]。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd在H中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。为了完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的兴趣。
B'Abstract Aharoni和Howard，以及独立的Huang，Loh和Sudakov提出了以下彩虹版本的ERD \ XCB \ XCB \ X9DOS匹配猜想：用于正整数N，K，M，使用N \ Xe2 \ X89 \ X89 \ X89 \ XA5 km（如果每个人）f 1，f 1，f 1，f 1，f 1，如果。。，f m \ xe2 \ x8a \ x86 [n] k的大小大于最大{n k \ xe2 \ x88 \ x92 n \ x92 n \ xe2 \ x88 \ x88 \ x92 m +1 k，km \ xe2 \ xe2 \ x88 \ x88 \ x92 1 k}，然后存在Emubse em subse et emsetse。。。，e m，以至于所有i \ xe2 \ x88 \ x88 [m] e i \ xe2 \ x88 \ x88 f i。我们证明存在一个绝对常数n 0，因此该彩虹版本适用于k = 3和n \ xe2 \ x89 \ xa5 n 0。我们将这个彩虹匹配的问题转换为特殊的HyperGraph H上的匹配问题。然后，我们将几种现有技术结合在均匀超图中的匹配中：\ xef \ xac \ x81nd h中的吸收匹配m；使用Alon等人的随机化过程与\ Xef \ Xac \ x81nd几乎是H \ Xe2 \ X88 \ X92 V（M）的几乎常规子图； \ xef \ xac \ x81nd在H \ xe2 \ x88 \ x92 V（m）中几乎完美匹配。要完成该过程，我们还需要证明在3-均匀的超图中的匹配项上获得新的结果，这可以看作是Luczak和Mieczkowska结果的稳定版本，并且可能具有独立的利益。
exma：精确匹配的基因组加速器
摘要 - 基因组学是精密医学，全球粮食安全和病毒监测的基础。精确匹配是在基因组学的几乎每个步骤中广泛使用的操作之一，例如对齐，组装，注释和相互作用。现代基因组学采用Ferragina-Manzini指数（FM-索引）增强空间 - 有效的Burrows-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler-Wheeler Transform（BWT），并具有其他数据结构，以允许超快速的精确匹配操作。但是，FM索引因其空间局部性和随机内存访问模式而臭名昭著。先前的工作创建GPU-，FPGA-，ASIC-甚至是基于内存过程（PIM）的加速器，以增强FM-Index搜索吞吐量。尽管他们实现了最新的FM索引搜索吞吐量，但与所有先前的常规加速器相同，但在每个DRAM行激活后仅处理一个DNA符号，因此仅处理一个DNA符号，从而遭受了记忆带宽利用率不佳。在本文中，我们提出了一个硬件加速器EXMA，以增强FM-Index搜索吞吐量。我们首先创建一个具有多任务学习（MTL）基于多任务的索引的新型EXMA表，以在每个DRAM行激活中处理多个DNA符号。然后，我们构建一个加速器以在EXMA表上进行搜索。我们提出了2阶段的安排，以提高加速器的高速公路命中率。我们介绍了动态页面策略，以提高DRAM主内存的行缓冲区命中率。我们还提出链条压缩，以减少EXMA表的数据结构大小。与最新的FM索引PIM相比，EXMA将搜索吞吐量提高了4。9倍，并增强每瓦4瓦搜索吞吐量。8×。 索引术语 - 特定于硬件加速器，ge- sickics，精确匹配8×。索引术语 - 特定于硬件加速器，ge- sickics，精确匹配
对模式匹配的定量理解 - 滴
本文表明，针对编程语言的定量打字系统的最新方法可以扩展到模式匹配功能。的确，我们定义了两个配备了对模式和术语对的λcalculus的两个资源感知类型的系统，称为U和E。我们的打字系统从[19]中借了一些基本思想，这些想法以定性的方式来表征（头）归一化，从某种意义上说，特异性和归一化是重合的。，但与[19]相比，我们的系统还提供了有关演算动力学的定量信息。的确，系统U提供了（头）归一化序列的长度以及相应正常形式的大小的上限，而系统E（可以看作是对系统U的重新填充）的系统e为每个系统产生精确的边界。这是通过配备有不同技术工具的非数字交叉点类型系统来实现的。首先，我们使用产品类型来键入对而不是[19]中的脱节工会，因为它们消除了“成为一对”和“被重复”之间的混淆，因为它们消除了必不可少的定量工具。其次，系统E中的键入序列是用整数的元素装饰的，这些整数提供了有关标准化序列的定量信息，特别是时间（参见长度）和空间（参见大小）。时间资源信息已明显地固定，因为它可以区分评估过程中执行的各种减少步骤，以便将Beta，替换和匹配步骤单独计数。系统E的另一个关键工具是类型系统区分消费（有助于时间）和持久（促成空间）构造函数。
用于深度立体匹配的自适应单峰成本体积滤波
最先进的基于深度学习的立体匹配方法将视差估计视为一个回归问题，其中损失函数直接定义在真实视差及其估计视差上。然而，视差只是由成本量建模的匹配过程的副产品，而间接学习由视差回归驱动的成本量容易出现过度拟合，因为成本量受到约束。在本文中，我们提出直接向成本量添加约束，方法是用在真实视差处达到峰值的单峰分布过滤成本量。此外，估计每个像素的单峰分布的方差，以明确模拟不同环境下的匹配不确定性。所提出的架构在 Scene Flow 和两个 KITTI 立体基准上实现了最先进的性能。具体来说，我们的方法在 KITTI 2012 评估中排名第一，在 KITTI 2015 评估中排名第四（记录于 2019.8.20）。AcfNet 的代码可以在以下位置找到：https://github.com/youmi-zym/AcfNet。