XiaoMi-AI文件搜索系统
World File Search System基准数据
D2.1 19 PAX 混合动力电动飞机的经济可行性研究...
此外，从运营商角度执行了 ELICA 商业案例。假设利用率为 75%，每年将完成约 1,380 个飞行小时。成本估计为每飞行小时约 930 欧元，每项营收任务 495 欧元，每年固定成本 505,000 欧元（假设混合动力率为 15%）。每年约 260 万欧元的总支出由约 290 万欧元的收入支付，从而实现 313,000 欧元（10.7%）的利润。所有得出的性能指标均与当前基准数据一致。设计可能影响的最大成本驱动因素当然是能耗，还有整架飞机和发动机的维护工作。初步保守的市场评估假设欧洲和美国的整体市场需求在 240 到 710 架飞机之间——仅用于 RAM 目的。满足这个市场的年生产率估计为每年 28 到 85 架飞机。基线是 ELICA 市场份额在 5% 到 15% 之间。
语言模型中的算法进度
我们调查了自深度学习出现以来，培训前语言模型的算法有所改善的速率。使用跨越2012 - 2023年Wikitext和Penn Treebank上200多个语言模型评估的数据集，我们发现达到设定性能阈值所需的计算大约每8个月减半，而95％的置信区间的95％置信区间约为5到14个月，大约比摩尔法律的硬件加快了。我们估计了扩大缩放定律，这使我们能够量化算法进度，并确定缩放模型与培训算法中创新的相对贡献。尽管算法进步的速度快速发展和诸如变压器等新体系结构的发展，但我们的分析表明，计算的增加在这段时间内对整体绩效改善做出了更大的贡献。虽然受嘈杂的基准数据限制，但我们的分析量量化了语言建模的快速进步，从而阐明了计算和算法的相对贡献。
Avstack：一个开源，可重新配置的自动驾驶汽车开发平台
自动驾驶汽车（AV）的先驱承诺将彻底改变驾驶体验和驾驶安全性。但是，AV中的里程碑的实现比预测慢。罪魁祸首包括（1）所提出的最先进的AV组件缺乏可验证性，以及（2）进行下一级评估的停滞，例如车辆到基础设施（V2I）和多主体协作。部分地，进展受到了：AV中的大量软件，摩尔群体不同的约定，跨数据集和模拟器进行测试的难度以及先进的AV Components的僵化性。为了应对这些挑战，我们提出了Avstack 1，2，一个开源，可重新配置的AV设计，实施，测试和分析的软件平台。Avstack通过在数据集和基于物理的模拟器上启用首个贸易研究来解决验证问题。avstack将停滞问题作为一个可重构的AV平台，建立在高级编程语言中的数十个开源AV Component上。我们通过在多个基准数据集中的纵向测试和V2I合作案例研究中证明了Avstack的力量，这些案例研究探讨了设计多传感器，多试剂算法的权衡。
小波损耗的训练变压器模型可改善单图像超分辨率
基于变压器的模型已在包括图像超级分辨率（SR）在内的低级视觉任务中取得了显着的结果。但是，在获得全球信息时，基于不重叠的窗口中依赖自我注意的早期aperach遇到了挑战。为了激活全球更多输入像素，已经提出了混合注意模型。此外，通过仅将像素的RGB损失（例如L 1）降至最低而无法捕获基本的高频降低，训练不足。本文提出了两种贡献：i）我们引入了卷积非本地稀疏注意（NLSA）块，以扩展混合变压器体系结构，以增强其接受场。ii）我们采用小波损失来训练变压器模型，以提高定量和主观性能。虽然先前已经探索过小波损耗，但在基于训练变压器的SR模型中显示了它们的力量是新颖的。我们的实验结果表明，所提出的模型在各种基准数据集中提供了状态的PSNR结果以及出色的视觉性能。
在鲁棒性上揭示了极大的内核转向的黑暗秘密
鲁棒性是在将深度学习模型纳入野外时要考虑的重要方面。nuber的研究一直致力于研究视觉变压器（VIT）的鲁棒性，这些研究一直是自2020年代黎明以来作为视觉任务的主流背部选择。最近，一些大型内核探手会以令人印象深刻的性能和效率卷土重来。但是，仍然尚不清楚大型内核网络是否稳健以及其稳健性的归因。在本文中，我们首先对大型内核弯曲的鲁棒性及其与典型的小核对应物的差异进行了全面评估，并在六个不同的稳健性基准数据集中进行了差异。然后分析其强大鲁棒性背后的根本因素，我们设计了来自定量和定性观念的实验，以揭示与典型的Convnets完全不同的大核转交曲线的诱因。我们的实验首次证明了纯CNN可以实现具有可比性甚至优于VIT的实质性鲁棒性。我们对遮挡方差的分析，内核注意模式和频率特征为鲁棒性提供了新的见解。代码可用：https：//github.com/lauch1ng/lkrobust。
8F ORDER RECO 基准测试豁免 - NJ.gov
记录当事人： Brian O. Lipman 律师，新泽西州费率顾问部主任 Margaret Comes 律师，Rockland Electric Company 副法律顾问 董事会决定： 1 根据本命令，新泽西州公用事业委员会（“委员会”）考虑了 Rockland Electric Company（“RECO”或“请愿人”）提交的一份请愿书，该请愿书寻求在固定期限内免除委员会 2022 年 9 月 7 日命令中的要求，该命令要求受监管的拥有超过 50,000 个客户账户的电力和天然气公用事业公司在 2023 年 8 月 1 日之前使用美国环境保护署（“EPA”）基于网络的能源基准数据访问服务（“Web 服务”）实施数据访问（“请愿书”）。 2 背景 2018 年 5 月 23 日，州长 Phil Murphy 签署了《清洁能源法案》，成为 L. 2018, c。 17（“2018 年清洁能源法案”或“CEA”）。3 CEA 规定了以下内容（“基准测试要求”）：
多线圈MRI重建挑战 - 评估大脑MRI重建模型及其对改变线圈配置的概括性
深度学习的大脑磁共振成像（MRI）重建方法具有加速MRI采集过程的潜力。尽管如此，科学界缺乏适当的基准来评估高分辨率大脑图像的MRI重建质量，并评估这些提出的算法在存在很小但预期的数据分布变化的情况下将如何行为。使用大型高分辨率，三维，T1加权MRI扫描的大量数据集，旨在解决这些问题的基准，旨在解决这些问题。挑战有两个主要目标：（1）比较该数据集上的不同MRI重建模型，以及（2）评估这些模型对使用不同数量的接收器线圈获取的数据的概括性。在本文中，我们描述了挑战实验设计，并总结了一组基线和最先进的脑MRI重建模型的结果。我们提供了有关当前MRI重建最先进的相关比较信息，并强调了获得更广泛采用之前所需的可推广模型的挑战。公开可用的MC-MRI基准数据，评估代码和当前的挑战排行榜。他们提供
大型语言模型的个性化机器人帮助
摘要 - 为了使机器人有效地个性化身体援助，它必须学习用户偏好，通常可以重新应用未来的情况。在这项工作中，我们通过机器人调查了家庭清理的个性化，这些机器人可以通过捡起物体并将其放置来整理房间。一个关键的挑战是确定适当的位置，因为人们的喜好可能会因个人品味或文化背景而变化很大。例如，一个人可能更喜欢在抽屉里存放衬衫，而另一个人可能更喜欢它们在架子上。我们旨在构建可以通过与特定人的事先互动从少数示例中学习此类偏好的系统。我们表明，机器人可以将基于语言的计划和感知与大型语言模型（LLMS）的少量摘要功能相结合，以推断广泛的用户偏好，这些用户偏好广泛适用于未来的互动。此方法可以快速适应，并在我们的基准数据集中看不见的对象达到91.2％的精度。我们还在一个名为Tidybot的现实世界移动操纵器上演示了我们的方法，该操作器成功地将85.0％的对象放在了现实世界的测试方案中。
图形神经网络的量子特征嵌入
量子计算提供了一种有希望的途径，可根据大型语言模型和天气预报，财务预测或工程的模拟模型中的要求减少生长的机器学习模型复杂性。图形神经网络是一种特定类别的机器学习模型，它们能够很好地处理结构化数据。我们研究了如何增强现有的GNN，并通过电感偏差找到量子电路最适合编码节点特征的偏差。所提出的量子特征嵌入（QFE）将原始输入特征转换为量子状态，从而实现非线性和纠缠表示。尤其是，QFE在指数较大的特征空间中提供了归一化的，非冗余的重量矩阵，并且比完全量子图神经网络所需的量子量要少得多。在标准图基准数据集中，我们展示的是，对于相同的参数计数，QFE的性能优于其经典对应物，并且能够匹配指数较大的模型的性能。最后，我们研究了在混凝土用例，激光切割上使用混合量子图神经网络的潜在优势。我们发现所提出的模型具有提高这些业务应用程序的绩效，因此具有近期潜力。
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日](/simg/c\cebc2f8776316fb471760e7bf6e67938ef4f655a.webp)
arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日
摘要。使用脑电图 (EEG) 信号进行眼动追踪 (ET) 预测的主要挑战是基准数据和真实世界数据之间的分布模式差异以及来自多个来源的脑信号的意外干扰所导致的噪声。因此，提高机器学习模型在从 EEG 数据预测眼动追踪位置方面的稳健性对于研究和消费者使用都至关重要。在医学研究中，已经探索使用更复杂的数据收集方法来测试更简单的任务以解决这一问题。在本研究中，我们提出了一种用于 EEG-ET 数据收集的细粒度数据方法，以创建更强大的基准测试。我们利用粗粒度和细粒度数据训练机器学习模型，并在对分布模式相似/不同的数据进行测试时比较它们的准确性，以确定 EEG-ET 基准对分布数据差异的敏感性。我们应用协变量分布偏移来测试这种敏感性。结果表明，与基于粗粒度、二分类数据训练的模型相比，基于细粒度、基于向量的数据训练的模型不太容易受到分布变化的影响。