XiaoMi-AI文件搜索系统
World File Search System启发
联合学习启发的进化算法
摘要：在本文中，我们提出了一个创新的联邦学习启发的进化框架。其主要新颖性是，这是第一次使用进化算法直接执行联合学习活动。进一步的新颖性存在于以下事实，即与文献中的其他联合学习框架不同，我们的人可以同时处理机器学习中的两个相关问题，即解决方案的数据隐私和解释性。我们的框架由主/从方法组成，其中每个从包含本地数据，保护明智的私人数据，并利用进化算法来生成预测模型。主人通过奴隶分享了每个从属上出现的本地学到的模型。共享这些本地模型会导致全球模型。由于数据隐私和可解释性在医学领域非常重要，因此通过利用语法进化算法来预测算法以预测糖尿病患者的未来葡萄糖值。通过将所提出的框架与不发生本地模型交换的另一个框架进行比较，通过将所提出的框架进行比较，可以通过实验评估这种知识共享过程的有效性。结果表明，所提出的方法的性能更好，并证明了其共享过程的有效性，用于出现在个人糖尿病管理的本地模型，可作为有效的全球模型。此外，统计分析揭示了模型交换相对于未发生交换的情况的统计优势。考虑到不参与学习过程的其他受试者，我们的框架发现的模型比没有知识共享的模型显示出更高的概括能力：知识共享提供的改进等于精度约为3.03％，召回率为1.56％，f 1的3.17％，对于准确性，f 1.3.17％。
启发：癌症治疗的新机遇......
摘要 直到最近，对于医院管理的癌症药物的概述仍然有限。挪威癌症登记处已获准收集为每个患者提供的肿瘤医学治疗数据，但迄今为止，报告都是手动的、耗时的和不完整的。除了进行昂贵的图表审查外，还没有可能对医院管理的癌症药物进行研究。试图改进手动报告的努力还不够，收集癌症药物数据的最有效方法是通过用于订购/管理肿瘤医学治疗的医院系统。INSPIRE（增加药物报告）项目旨在自动以电子方式从医院系统收集癌症药物数据到癌症登记处。该项目是 12 家制药公司、挪威制药公司协会、挪威癌症协会、Inven2、挪威癌症登记处和四个地区卫生信托基金之间的独特合作。在本文中，我们介绍了 INSPIRE 项目、数据收集以及可用的时间和数据类型。癌症登记处的这些新药物数据为挪威的癌症药物流行病学研究提供了新的机会。这是一篇开放存取文章，根据知识共享署名许可分发，允许任何媒体进行无限制的使用、分发和复制，前提是对原作品进行适当引用。引言一般来说，癌症治疗包括手术、放射疗法和各种药物疗法，如化疗、免疫疗法、靶向疗法或激素疗法。虽然挪威癌症登记处对患者的手术程序和放射治疗有广泛的概述，但登记处缺乏关于肿瘤医学治疗的数据 (1)。挪威的其他癌症药物来源是挪威处方数据库 (NorPD) (2) 和挪威患者登记处 (NPR) (3)。NorPD 包含了向门诊患者分发药物的完整信息。这包括患者在家服用的癌症药物，例如蛋白激酶抑制剂。NorPD 目前正在现代化改造，以成为“Legemiddelregisteret”，即挪威处方药登记处（新的英文名称尚未最终确定）（4）。患者登记处（NPR）涵盖了挪威所有公共专科医疗服务（3）。为区域卫生当局提供服务的私人机构和医疗专家也包括在 NPR 中，专科医疗服务开具的药物报销数据（所谓的 H 处方，下文将进一步解释）也包括在内。然而，挪威一直缺乏包括医院管理的药物与详细临床病理特征相关的详细概述。
基于 5×5 VCSEL 阵列的启发计算
摘要 人工神经网络等受大脑启发的计算概念已成为经典冯·诺依曼计算机架构的有前途的替代品。光子神经网络的目标是在光子基底中实现神经元、网络连接和潜在学习。本文，我们报告了通过高质量垂直腔面发射激光器 (VCSEL) 阵列开发快速、节能的光子神经元纳米光子硬件平台。开发的 5 × 5 VCSEL 阵列通过均匀制造结合对激光波长的单独控制提供高光学注入锁定效率。注入锁定对于基于 VCSEL 的光子神经元中信息的可靠处理至关重要，我们通过注入锁定测量和电流诱导光谱微调证明了 VCSEL 阵列的适用性。我们发现我们研究的阵列可以轻松调整到所需的光谱均匀性，因此表明基于我们技术的 VCSEL 阵列可以作为下一代光子神经网络的高能效和超快光子神经元。结合完全并行的光子网络，我们的基板有望实现达到10 GHz 带宽的超快速操作，并且我们表明，基于我们的激光器的单一非线性变换每个 VCSEL 仅消耗约 100 fJ，与其他平台相比，具有很强的竞争力。
物理启发的生成模型
物理启发的生成模型（例如扩散模型）构成了强大的生成模型系列。模型在这个家庭中的优势来自相对稳定的培训过程和高容量。仍然可以进行许多可能的改进。在本演讲中，我将讨论物理启发的生成模型的增强和设计。我将首先提出一种采样算法，该算法结合了以前的采样器中最好的，从而大大加快了文本对图像稳定扩散模型的生成速度。此外，我将通过在生成过程中添加样品之间的相互排斥力来讨论促进有限样品中多样性的采样方法。其次，我将讨论一个培训框架，该培训框架将可学习的离散潜在潜伏期引入连续扩散模型。这些潜伏期简化了复杂的噪声到数据映射，并减少了生成轨迹的曲率。最后，我将介绍泊松流量生成模型（PFGM），这是一种由静电理论引起的新生成模型，使领先的扩散模型与领先的扩散模型媲美。扩展版本PFGM ++，将扩散模型和PFGM放置在同一框架下，并引入了新的，更好的模型。谈话中讨论的几种算法是标准基准的最先进方法。
脑启发计算 - NSF-PAR
摘要 — 本次特别会议论文的目标是介绍和讨论不同的突破性技术以及新颖的架构，以及它们如何共同重塑人工智能的未来。我们的目标是全面概述受脑启发计算的最新进展，以及当使用超 CMOS 设备的新兴技术与超越冯诺依曼架构的新型计算范式相结合时，如何实现后者。我们讨论了铁电场效应晶体管 (FeFET)、相变存储器 (PCM) 和电阻式 RAM (ReRAM) 等不同的新兴技术，展示了它们在构建受自然启发的神经形态计算架构方面的良好能力。此外，本特别会议论文还讨论了各种新概念，如内存逻辑 (LIM)、内存处理 (PIM) 和脉冲神经网络 (SNN)，以探索超越冯诺依曼计算对加速深度学习的深远影响。最后，将脑启发计算的最新趋势总结为算法、技术和应用驱动的创新，以比较不同的 PIM 架构。索引词 —FeFET、PCM、ReRAM、光子、神经形态、DNN、SNN、内存处理、新兴技术
使用量子启发的神经网络
旨在模拟大脑皮质和海马模块的许多当前计算模型取决于人为的神经网络。但是，这种经典的神经网络甚至是深层神经网络非常慢，有时需要进行数千个试验以获得最终反应，并有相当多的误差。需要进行大量学习和不准确的输出响应的需要，这是由于输入提示的复杂性和正在模拟的生物学过程所致。本文提出了一个使用量子启发的神经网络完整的和病变的皮质 - 海马系统的计算模型。这种皮质 - 海马计算量子启发（CHCQI）模型通过使用与量子电路纠结的自适应更新的神经网络模拟皮质和海马模块。所提出的模型用于模拟与生物过程有关的各种经典调节任务。与其他计算模型（包括最近发布的绿色模型）相比，模拟任务的输出迅速而有效地产生了所需的响应。
受量子计算的启发
量子计算提供了全息算法的灵感[37]，进而启发了用于计算计数问题的Holant框架（在[18]的Conforence版本中首次引入）。计算计数问题包括各种计算问题，从图表上定义的组合问题到量子计算中统计物理学和计算幅度中计算部分函数的问题。它们正在不同的框架中进行分析，包括计算约束满意度问题（计数CSP）和Holant问题的框架。计算计数问题是一个积极研究的领域，但到目前为止，似乎没有尝试将量子信息理论或量子计算中的知识应用于其分析。尽管如此，如下所示，量子信息理论，尤其是量子纠缠的理论，也是对Holant问题的研究的新途径。通过一组函数f参数化了一个holant问题；在本文中，我们考虑了布尔输入的有限代数复合物值函数。限制到有限的设置，即计数CSP社区中的标准。我们使用它来避免在有限的功能集中允许问题进行参数时出现的有效可计算性的问题。在以下内容中，布尔输入的所有代数复合物值函数的集合表示为υ。我们还写入∂n：= {f∈υ| Arity（f）= n}限制了Arity n功能的限制。此地图分配给每个顶点v∈Va函数π（v）= fv∈F。问题的实例Holant（F）由一个多数G =（V，E）组成，带有顶点V和边缘E，以及MAPπ。该地图还设置了V和F V的参数的边缘之间的两次试验，因此V的程度必须等于f V的arity。给定地图π，任何分配σ：e→{0，1}布尔值的边缘诱导重量