XiaoMi-AI文件搜索系统
World File Search System压缩
Metaverse 的视觉数据压缩
摘要 — 越来越多的人认为，新兴的元宇宙世界依赖于高效的视觉数据压缩技术来实现有效的数据存储、超低延迟交互和无处不在的通信。本文全面介绍了视觉数据压缩技术和标准的最新进展，这些技术和标准在构建元宇宙中可以发挥重要作用。特别是，我们将回顾视觉数据压缩方法和标准，并提出我们对交互式编码如何更有效地支持元宇宙的愿景。最后，我们讨论了元宇宙数据压缩的独特要求和基本挑战，并展望了未来的技术趋势。索引词 — 元宇宙、视觉数据压缩、交互式通信
对端到端学习图像压缩的调查
摘要：近年来端到端学习的图像压缩编解码器显着出现。这些编解码器表现出比常规方法的优越性，在支持新的失真损失的同时，展示了各种数据域之间的显着灵活性和适应性。尽管诸如计算复杂性之类的挑战，但由于其非常合适的内部表示，学习的图像压缩方法与基于学习的数据处理和分析管道固有地保持一致。机器视频编码的概念引起了学术研究人员和行业从业人员的极大关注。这个概念反映了将数据压缩与计算机视觉应用程序集成的日益增长的需求。根据这些发展，我们提出了一项全面的调查和综述，对有损图像压缩方法。此外，我们还提供了两个著名国际标准的简明概述，即机器和JPEG AI的MPEG视频编码。这些标准旨在弥合数据压缩和计算机视觉之间的差距，以适应实际行业用例。
单发强度 - 基于相敏感的基于压缩传感的连贯调制超快成像
1个国家主要实验室，物理与电子科学学院，东中国师范大学，上海200241，200241，中国2，高力量激光与物理学的主要实验室，上海光学与精美机械学院，中国科学学院，上海学院计算成像，中心ÉnergieMat'eriauxt´el'Ecommunications，Institut National de la Recherche Scientifique，Varennes，Qu´ebec J3X1S2，加拿大5，加拿大5个数学科学学院，中国电子科学与技术大学，中国611731，CHENGDU 611731，611731，COMPROTIAN INNINNOV INNBERID CEMPRETINC 7东中国师范大学和山东师范大学，东中国师范大学，上海，200241年，联合研究中心科学和光子综合芯片
强化学习方法将压缩环境集成到知识图中
摘要 - 在各个领域中广泛使用知识图在其中有效整合和更新信息带来了挑战。在合并上下文时，常规方法通常依赖于规则或基本的机器学习模型，这可能无法完全掌握上下文信息的复杂性和流动性。这项研究提出了一种基于强化学习（RL）的方法，特别是利用深Q网络（DQN）来增强将上下文集成到知识图中的过程。通过将知识图的状态考虑为环境将动作定义为集成上下文的操作并使用奖励功能来评估知识图质量后整合后的改进，该方法旨在自动开发最佳上下文集成的策略。我们的DQN模型将网络用作函数近似器，不断更新Q值以估计动作值函数，从而有效地集成了复杂和动态上下文信息。最初的实验发现表明，我们的RL方法在实现各种标准知识图数据集的精确上下文集成方面优于技术，突出了增强学习在增强和管理知识图方面的潜在和有效性。索引术语 - 知识图推理，强化学习，奖励成型，转移学习
通过压缩加速量子动力学的实验
我们通过实验证明，使用幺正压缩协议可以增强（放大）涉及量子谐振子的一大类相互作用。虽然我们的演示使用了单个被捕获的 25 Mg + 离子的运动状态和内部状态，但该方案通常适用于仅涉及单个谐振子的汉密尔顿量以及将振荡器与另一个量子自由度（如量子比特）耦合的汉密尔顿量，涵盖了量子信息和计量应用中大量感兴趣的系统。重要的是，该协议不需要了解要放大的汉密尔顿量的参数，也不需要压缩相互作用与系统动力学其余部分之间有明确的相位关系，这使得它在信号或相互作用的某些方面可能未知或不受控制的情况下非常有用，例如寻找新形式的暗物质。
使用实时脉冲神经网络硬件框架对 ECoG 中的癫痫样模式进行稳健压缩和检测
训练数据集。ECoG 数据的稀疏分解已被证实可以检测病理性 HFO 30, 31 。我们在此生成一个有效的稀疏时间编码，允许设计简单的规则来通过明确使用设备不匹配来检测癫痫样模式。3.3 测量视角
利用自旋压缩实现对称态的通用控制
对称系统的控制及其应用。——量子系统的通用控制是量子计算和量子信息处理中更普遍的一个关键基石。在传统的基于量子比特的量子系统中，单量子比特门和双量子比特纠缠门提供了对任意数量量子比特进行通用控制的所有要素 [1] 。尽管如此，大多数状态的创建都需要顺序应用多个门，而这些门的数量会随着量子比特的数量而呈指数增长 [2] 。这对于大多数状态来说都是不切实际的，即使对于较少数量的量子比特（例如 40 个量子比特）也是如此。大量的门与目前的量子计算机架构不兼容，因为这些架构的相干时间较短 [3] 。因此，人们非常需要能够使用更具可扩展性的多项式数量门来创建所需量子态的操作集。近年来，人们对任意两个组成量子比特之间具有置换对称性的量子态的兴趣日益浓厚。这些状态用于许多平台，例如在谐振子（连续变量）、多级系统（qudits）和不可区分量子粒子集合中编码量子信息的平台。自然产生对称态的著名系统包括氮空位中心[4]、核磁共振系统[5]、超导电路[6 – 8]、捕获离子[9 – 11]、中性原子[12,13]和量子点[14,15]。组成这些系统的各个量子粒子是不同的，但组合系统由相同的对称态希尔伯特空间描述。为了将状态保持在对称希尔伯特空间内的操作，它应该对整个粒子群对称地作用。最简单的此类操作是同时作用于每个粒子状态的相干旋转和对所有粒子组合状态的自旋压缩。这些操作已在理论上进行了彻底探索[16,17]，并在实验中得到了证实[18-22]，例如
耦合非线性光学腔增强光压缩
在本文中，我们探讨了两个耦合光腔产生的压缩效应。每个腔都包含二阶非线性材料并由激光器相干泵浦。我们的结果表明，由于非线性的存在，光强度得到了极大的改善，并且主要取决于外部激光频率和腔模式之间的失谐。更有趣的是，对于腔间适度耦合，所提出的方案可以增强光压缩：一个腔产生的压缩被另一个腔增强。对于共振相互作用，在共振附近可获得最高的压缩效应。当场非共振时，压缩在所考虑腔的共振附近增加，但对于相对于第二个腔的大失谐，压缩会减小。此外，当第二个腔的耗散率小于第一个腔时，压缩可以得到改善，达到接近完美的压缩。虽然温度升高总体上对非经典光有负面影响，但对于适当的参数集，挤压对热浴表现出明显的抵抗力。
基于二维离散的医学图像压缩...
摘要：本文收集了两种类型的医学图像，它们来自 CT 扫描和超声系统，目的是在保持图像质量的情况下减少表示医学图像所需的位数。医学成像对疾病诊断和手术准备有很大影响。另一方面，由于医学图像数据量巨大，存储和传输是一个重要问题。例如，每张 CT 图像切片为 512 x 512，数据集由 200 到 400 张图像组成，平均数据量为 150 MB。对医学数据进行有效压缩可以解决存储和传输问题。医学图像使用提出的算法进行压缩，该算法包括两种技术，即离散余弦变换 DCT 和矢量量化 VQ。本文从收集医学图像开始，使用 MATLAB 通过 DCT-QV 开发压缩算法，并通过使用峰值信噪比 PSNR、均方误差 MSE、压缩比 CR 和每像素比特 BPP 测量原始图像和压缩图像之间的差异来评估这些技术的性能。实验结果表明，所提算法压缩后的图像质量较高，量化水平达到30%以上，压缩率达到可接受水平。
多语言脑外科医生：大型语言模型可以压缩，不会留下任何语言
摘要 大型语言模型 (LLM) 开创了自然语言处理的新时代，但它们的庞大规模需要有效的压缩技术才能实用。尽管已经研究了许多模型压缩技术，但它们通常依赖于忽略多语言上下文的校准集，并导致低资源语言的准确性显著下降。本文介绍了一种用于多语言 LLM 压缩的新型校准数据采样方法多语言脑外科医生 (MBS)。MBS 通过按比例从各种语言中采样校准数据来克服现有方法以英语为中心的局限性。我们在 BLOOM 多语言 LLM 上进行的实验表明，MBS 提高了现有以英语为中心的压缩方法的性能，尤其是对于低资源语言。我们还揭示了压缩过程中语言交互的动态，表明语言在训练集中的比例越大，并且该语言与校准语言越相似，则该语言在压缩后保留的性能就越好。总之，MBS 提出了一种压缩多语言 LLM 的创新方法，解决了性能差异问题并提高了现有压缩技术的语言包容性。代码可在以下网址获取：https://github.com/X-LANCE/MBS 。