XiaoMi-AI文件搜索系统
World File Search System基准数据
1 TM 24-01 技术指导和计算...
TM 24-01 符合建筑能效标准的技术指导和计算方法，2024 年 7 月 1 附录 A：简介 5 A. 基准测试和报告 7 A.1 基准测试背景 7 A.1.1 报告责任 - 谁负责收集和报告数据？7 A.1.2 涵盖的建筑 - 谁需要进行基准测试？8 A.1.2.1 部门通知。8 A.1.2.2 豁免 - 哪些建筑不需要遵守？9 A.2 基准测试要求 9 A.2.1 数据收集 10 A.2.1.1 将数据输入 ENERGY STAR Portfolio Manager 10 A.2.1.2 收集哪些数据？11 A.2.1.3 数据使用 12 A.2.1.4 能源和排放排除 12 A.2.1.4.1 食品服务设施 13 A.2.1.4.2 电动汽车充电 14 A.2.1.4.3 所需燃烧设备的排放 14 A.3 报告 15 A.3.1 报告截止日期 15 A.3.1.1 通过 ENERGY STAR Web 服务共享基准数据 15 A.3.2 验证 16 A.3.2.1 数据质量检查 16 A.3.2.2 第三方验证 17 B.性能标准和合规性演示 20 B.1 建筑能效标准背景 20 B.1.1 指标 21 B.1.1.1 净直接温室气体排放量 (kg/CO2e/ Sq Ft) 21 B.1.1.2 保留 21 21 B.1.2 合规责任 - 谁负责实现合规？21 B.1.3 覆盖建筑 - 谁需要遵守建筑能效标准？21 B.2 确定临时和最终标准 22 B.2.1 最终净直接排放标准 22 B.2.2 保留 22 B.2.3 临时净直接排放标准 24 B.2.4 保留
耦合 CP 分解同步 MEG-EEG 信号用于区分光驱动过程中的振荡器
脑磁图 (MEG) 和脑电图 (EEG) 是研究大脑功能和组织的当代方法。同时获取的 MEG-EEG 数据本质上是多维的并表现出耦合。本研究使用耦合张量分解从间歇性光刺激 (IPS) 期间的 MEG-EEG 中提取信号源。我们采用耦合半代数框架通过同步矩阵对角化 (C-SECSI) 进行近似 CP 分解。在使用模拟基准数据将其性能与其他方法进行比较后，我们将其应用于 12 名参与者在 IPS 期间的 MEG-EEG 记录，其中个体 alpha 频率的分数在 0.4 到 1.3 之间。在基准测试中，C-SECSI 比 SECSI 和其他方法更准确，尤其是在病态场景中，例如涉及共线因子或具有不同方差的噪声源。分量场图使我们能够将视觉诱发的大脑活动的生理意义振荡与背景信号区分开来。分量的频率特征可识别出相应刺激频率或其第一谐波的同步，或单个 alpha 波段或 theta 波段的振荡。在对 MEG 和 EEG 数据的组分析中，我们观察到 alpha 和 theta 波段振荡之间存在相互关系。使用 C-SECSI 的耦合张量分解是一种强大的方法，可用于从多维生物医学数据中提取生理意义的源。无监督信号源提取是使先进的多模态信号采集技术可用于临床诊断、术前规划和脑机接口应用的重要解决方案。
长提示的自动工程
我们提出了PCA基础，这是一种多模式决策 - 用于评估多模式大型语言模型（MLLM）的整体功能的基准。偏离了专注于简单任务和单个模型功能的预先基准，PCA基础台面引起了三种复杂的方案：自动驾驶，国内机器人和开放世界游戏。给定的任务说明和不同的文本，该模型必须在推理链中无缝地掌握感知，齿轮和行动的多种功能，以做出准确的决策。此外，PCA基础台上的错误定位功能，在感知，知识或推理等领域的审查模型不准确。这增强了部署MLLM的可靠性。为了平衡评估的准确性和效率，我们可以使用PCA-Eval，一种自动评估程序，并评估10个普遍的MLLM。结果揭示了开源模型与强大的专有模型（如GPT-4 Vision）之间的显着性能差异。为了打扮，我们介绍了体现的实体演化（EIE），这是一个自动框架，用于在多模式体现的环境中综合说明调谐示例。EIE在PCA板台上有7,510个培训示例，并提高了开源MLLM的性能，偶尔超过了GPT-4 Vi-Sion（决策准确性+3％），从而确保EIE的有效性。我们的发现表明，诸如GPT4-Vision之类的强大MLLM在实施剂中显示了决策的希望，为MLLM研究开辟了新的途径。所有基准数据和评估代码均公开。
在BCI分类任务中，具有应用于RAW EEG的注意机制的端到端CNN
目标。脑电图（MI）分类基础（EEG）长期以来一直在神经科学领域进行研究，最近在医疗保健应用中广泛使用了移动辅助机器人和神经疗法等医疗保健应用。尤其是依赖卷积神经网络（CNN）的基于脑电图的运动象征分类方法已经达到了相对较高的分类精度。然而，天真的训练CNN可以从所有通道中对原始脑电图进行分类，尤其是对于高密度的脑电图，在计算上是要求的，需要大量的训练集。它通常还引入了许多无关的输入功能，因此CNN很难提取信息丰富的功能。这个问题是由于缺乏训练数据而加剧了这一点，这对于MI任务尤其重要，因为这些问题是认知要求的，因此疲劳引起了疲劳。方法。为了解决这些问题，我们提出了一个基于端到端CNN的神经网络，具有注意机制以及不同的数据增强（DA）技术。我们在两个基准MI数据集，脑计算机界面（BCI）竞争IV 2A和2B上测试了它。此外，我们收集了一个使用高密度脑电图记录的新数据集，并包含与社区共享的MI和Motor Execution（ME）任务。主要结果。我们提出的神经网络架构的表现优于我们在文献中发现的所有最新方法，在有或没有DA的情况下，BCI 2A和2B的平均分类精度分别达到93.6％和87.83％。我们还直接比较了MI和我任务的解码。意义。专注于MI分类，我们找到了最佳的渠道配置和最佳DA技术，并研究了跨参与者的数据和转移学习的作用。我们提出的方法提高了基准数据集中MI的分类精度。此外，收集自己的数据集使我们能够比较MI和我，并研究EEG对神经科学和BCI至关重要的各个方面。
TM 24-01 – 技术指导和计算...
TM 24-01 符合建筑能效标准的技术指导和计算方法，2024 年 7 月 1 附录 A：简介 5 A. 基准测试和报告 7 A. 1 基准测试背景 7 A. 1.1 报告责任 - 谁负责收集和报告数据？ 7 A. 1.2 涵盖的建筑 - 谁需要进行基准测试？ 8 A. 1.2.1 部门通知。 8 A. 1.2.2 豁免 - 哪些建筑不需要遵守？ 9 A. 2 基准测试要求 9 A. 2.1 数据收集 10 A. 2.1.1 将数据输入 ENERGY STAR Portfolio Manager 10 A. 2.1.2 收集哪些数据？ 11 A. 2.1.3 数据使用 12 A. 2.1.4 能源和排放排除 12 A. 2.1.4.1 食品服务设施 13 A. 2.1.4.2 电动汽车充电 14 A. 2.1.4.3 所需燃烧设备的排放 14 A. 3 报告 15 A. 3.1 报告截止日期 15 A. 3.1.1 通过 ENERGY STAR Web 服务共享基准数据 15 A. 3.2 验证 16 A. 3.2.1 数据质量检查 16 A. 3.2.2 第三方验证 17 B. 性能标准和合规性演示 20 B. 1 建筑能源性能标准背景 20 B. 1.1 指标 21 B. 1.1.1 直接温室气体净排放量（千克/二氧化碳当量/平方英尺） 21 B. 1.1.2 保留 21 21 B. 1.2 合规责任 - 谁负责实现合规？ 21 B. 1.3 覆盖建筑 - 谁需要遵守建筑能效标准？ 21 B. 2 确定临时和最终标准 22 B. 2.1 最终净直接排放标准 22 B. 2.2 保留 22 B. 2.3 临时净直接排放标准 24 B. 2.4 保留 25
声音对小鼠的影响
预测氨基酸取代引起的蛋白质热稳定性的变化对于了解人类疾病和工程有用的蛋白质对临床和工业应用至关重要。虽然蛋白质生成模型的最新进展是在以结构或进化序列环境为条件的氨基酸上学习概率分布的，但在没有任务特异性训练的情况下预测各种蛋白质特性方面表现出了令人印象深刻的性能，但其强大的无监督预测能力并未扩展到所有蛋白质功能。尤其是，它们改善蛋白质稳定性预测的潜力仍未得到探讨。在这项工作中，我们提出了一个新颖的深度学习框架，它可以适应和整合两个通用蛋白质生成模型 - 一种蛋白质语言模型（ESM）和一个反折叠模型（ProteinMPNN） - 有效的稳定性预测器。马刺采用轻量级的神经网络模块来将蛋白质MPNN学到的每个残留结构表示形式重新融合到ESM的注意层中，从而为ESM的序列表示学习提供了信息。这种重新布线策略使马刺能够从序列和结构数据中利用进化模式，在这种数据中，ESM所学的序列类似分布的条件是基于由蛋白质MPNN编码的结构先验，以预测突变效应。我们通过在最近发布的Mega规模的热稳定性数据集中进行监督的培训将该集成的框架引导到稳定预测模型。此外，它通过用作提高准确性的稳定性模型来增强当前的低N蛋白适应性预测模型。在12个基准数据集中进行的评估表明，马刺提供了准确，快速，可扩展和可推广的稳定性预测，并且始终超过了当前的最新方法。值得注意的是，马刺在蛋白稳定性和功能分析中表现出显着的多功能性：与蛋白质语言模型结合使用时，它以无监督的方式准确地识别蛋白质功能位点。这些结果突出显示了马刺是推动当前蛋白质稳定性预测和机器学习引导的蛋白质启动工作流程的强大工具。马刺的源代码可在https://github.com/luo-group/spurs上获得。
CoreData、Realm 和 GRDB 之间的性能差距
轻量级存储：CoreData、Realm 和 GRDB 之间的性能差距 Amit Gupta 加利福尼亚州圣何塞 电子邮件 ID：gupta25@gmail.com 摘要 在 Apple 应用程序开发领域，选择正确的数据库管理系统对于实现最佳性能和效率至关重要。本文对三个主要选项进行了彻底的比较分析：CoreData、Realm 和 GRDB。评估围绕关键性能指标进行，包括写入、读取、删除和模式创建功能。通过结合现有研究、实证测试和基准数据，该分析旨在全面了解每个系统的优势和劣势。通过阐明这些数据库的细微性能属性，开发人员可以根据其特定项目要求和约束做出明智的决策。 关键词 移动应用程序、Apple 应用程序、数据库、CoreData、Realm、GRDB、性能、性能比较、基准测试、性能分析、性能评估、存储性能 简介 选择合适的数据库管理系统对于塑造 Apple 生态系统中应用程序的性能和响应能力至关重要。 CoreData、Realm 和 GRDB 是开发人员的首选，它们各自都具有独特的功能和性能属性，可满足不同的应用需求。认识到这些系统发挥的关键作用，本文致力于提供详细的比较，深入探讨 CoreData、Realm 和 GRDB 的细微差别。通过揭示它们各自的优缺点，本分析旨在为开发人员提供必要的洞察力，以驾驭复杂的数据库选择环境，使他们能够根据项目要求和目标做出明智的决策。方法论本研究采用的方法融合了从广泛的文献综述和严格的实证基准测试工作中获得的洞察力。基准测试是利用性质相似的数据集和精心选择的统一硬件配置精心进行的，以在整个评估过程中保持一致性。对一系列关键性能指标进行了细致的评估，包括对模式创建、写入、获取、更新和删除操作的全面分析，从而确保对所审查的数据库管理系统进行全面而稳健的检查。文献综述已经进行了多项研究和基准测试来评估 CoreData、Realm 和 GRDB 的性能。根据 Smith 等人 (2019) 的一项研究，Realm 在写入和读取操作方面优于 CoreData，因为它具有优化的存储引擎和高效的数据结构。同样，Johnson 的基准测试
Facebook 的 Prophet 算法在基于真实数据的成功销售预测中的应用
1 Info Studio doo Sarajevo，波斯尼亚和黑塞哥维那 2 萨拉热窝大学电气工程学院，波斯尼亚和黑塞哥维那 摘要 本文提出了一个框架，该框架能够准确预测零售业的未来销售情况，并根据预期的预测可靠性水平对产品组合进行分类。 该框架基于 Facebook 的 Prophet 算法和回测策略，对任何从事零售业的公司都非常有用。 在波斯尼亚和黑塞哥维那最大的零售公司之一的生产环境中通过实验获得的真实销售预测基准数据用于评估该框架并在真实用例场景中展示其能力。 关键词 销售预测、真实数据集、Prophet、回测、分类 1. 引言 在零售业中，生成产品级销售预测是一个至关重要的因素，因为库存控制和生产计划在任何为客户提供商品的公司竞争力中都起着重要作用。虽然准确可靠的预测可以促进更好的生产和库存规划、有竞争力的定价和及时的促销计划，从而节省大量成本，但事实证明，糟糕的销售估计会在这个领域代价高昂，因为众所周知，商品短缺会导致利润降低，并很容易导致客户不满。此外，不仅过剩的库存会迫使商店以较低的价格出售商品，甚至更糟的是导致库存注销，高于所需的库存水平也会增加仓储成本。在现实世界中，零售业的商业环境高度动态且经常波动，这主要是由节日效应和竞争对手的行为造成的。因此，与用于演示和基准测试各种时间序列预测方法的广泛可用的学术数据集相反，该领域的实际销售数据面临各种挑战，例如高度非平稳的历史数据、不规则的销售模式和高度间歇性的销售数据。一个能够以相当高的准确度预测销售额的模块，加上根据预期可预测性水平对产品组合进行高度可靠的分类的模块，对于任何从事零售业的公司来说都是非常有用的。为了弥补在零售业的现实场景中应用时间序列预测的差距，这项工作的重点是开发可靠的
数据中心和能源使用：让我们看看数据 - ECEEE
数据中心和能源使用：让我们看看数据 William Tschudi，劳伦斯伯克利国家实验室 Priya Sreedharan，Rumsey Engineers，Inc. Tengfang Xu，劳伦斯伯克利国家实验室 David Coup，纽约州能源研究与发展局 Paul Roggensack，加州能源委员会 摘要 数据中心在各行各业、大学和政府机构中都很常见。随着计算技术的变化以及 IT 专业人员寻求最大化数据中心每平方英尺的计算能力，这些设施的能源需求被认为正在增长。此外，已经使用多种方法来估计和量化能源强度。因此，人们对数据中心目前的用电量以及未来的需求存在相当大的困惑。开展了旨在了解当前用电量、最终用途和关键设施系统运行的研究，最终目标是提高这些建筑的能源效率。本研究中使用的指标允许比较计算设备的当前功率密度，并提供关键设施系统效率的指标。此外，还包括一个指标来评估供暖、通风和空调 (HVAC) 系统如何有效地运行以保持计算设备的令人满意的条件。对总结基准测试结果的审查可以确定更高效的系统和实践，并可以发现操作问题。数据中心所有者、运营商和设计人员可以使用所提供的信息来了解当前性能，为新项目设定设计和操作标准，确定当前设计和操作的最佳实践，并提高可靠性。本研究还确定了需要进行额外研究以实现新水平的能源效率改进的差距。简介 数据中心很普遍，是当今世界不可或缺的一部分。数据中心支持通信行业，并在互联网经济中发挥重要作用。它们还支持研究和学习，是大多数公司和政府机构的“大脑”。加州能源委员会和纽约州研究与发展局意识到这些设施的重要性以及提高能源效率的机会。尽管电力需求很高，但数据中心的设计人员和运营商目前对将资源放在何处以提高效率知之甚少。此外，几乎没有基准数据可用于强调在设计新系统时可以实现的目标。此处报告的基准测试涉及一种策略，该策略获得了多个数据中心的能源最终使用明细。采用了数据中心的广义定义，因为无论使用哪种计算平台，都存在类似的建筑问题。这项工作有两个主要目标：首先，公用事业、公共利益组织以及与数据中心合作的组织都迫切需要有关当前数据中心的更多信息
日常规划对话和人工智能：改善建筑文化、参与度、规划和安全的关键
安全干预。安全科学。2023；162：106072。doi：10.1016/j。ssci.2023.106072 7. Harrington D、Materna B、Vannoy J、Scholz P。开展有效的尾门培训。健康促进实践。2009；10(3)：359-369。doi：10。1177/1524839907307885 8. Kaskutas V、Jaegers L、Dale AM、Evanoff BA。工具箱谈话：改进的见解。Prof Saf。2016；无：33-37。9. Marquet LD。领导力就是语言：您说的话和您不说的话的隐藏力量。麦格劳希尔专业版； 10. Pentland A. 社会物理学：社交网络如何让我们变得更聪明。企鹅出版社；2015 年。 11. Pentland A 打造优秀团队的新科学。哈佛商业评论。2012 年。https://hbr.org/2012/04/the-new-science- of-building-great-teams 12. Alsamadani R、Hallowell M、Javernick ‐ Will AN。使用社交网络分析测量和建模美国小型工作团队的安全沟通。构建管理经济学。2013 年；31(6)：568 ‐ 579。doi:10.1080/01446193.2013.786491 13. Dinnie K，Nation UK。领导力与沟通：通过语言建立信任和赋予权力。劳特利奇； 2021。 14. Kahn WA。工作中个人投入和脱离的心理条件。Acad Manage J。1990；33(4)：692 ‐ 724。https://www.jstor.org/stable/256287 15. Geller ES。以人为本的安全：源头。安全绩效解决方案；2022。 16. Geller ES。安全心理学手册。CRC Press；2001。 17. Edmondson A。工作团队中的心理安全和学习行为。Adm Sci Q。1999；44(2)：350 ‐ 383。doi:10.2307/2666999 18. Newman A、Donohue R、Eva N。心理安全：文献系统评价。Hum Resource Manag Rev。 2017；27(3): 521 ‐ 535。doi:10.1016/j.hrmr.2017.01.001 19. NSC – 国家安全委员会。心理上感到安全的工人在工作中受伤的可能性较小。NSC SAFER 研究报告。2023 年。https://www.nsc.org/workplace/safety-topics/psychological-safety-correlates-to-physical-safety 20. Dekker S.《理解“人为错误”的现场指南》。CRC Press；2014 年。 21. Sexton JB、Helmreich RL、Neilands TB 等人。《安全态度问卷》：心理测量特性、基准数据和新兴研究。BMC Health Serv Res。2006；6:44。 doi:10.1186/ 1472-6963-6-44 22. Frazier ML、Fainshmidt S、Klinger RL、Pezeshkan A、Vracheva V。心理安全：元分析回顾与扩展。人事心理学。2017；70（1）：113-165。doi:10.1111/peps.12183 23. Harter JK、Schmidt FL、Hayes TL。业务部门层面员工满意度、员工敬业度和业务成果之间的关系：元分析。应用心理学杂志。 2002;87(2):268 ‐ 279. doi:10.1037/0021-9010.87.2.268 24. Beus JM、Payne SC、Bergman ME、Arthur, Jr. W. 安全氛围与伤害：理论与实证关系的检验。J Appl Psychol . 2010;95(4):713 ‐ 727. doi:10.1037/a0019164 25. Lu CS、Yang CS. 集装箱码头运营中的安全领导力与安全行为。安全科学。2010；48(2)：123 ‐ 134。doi:10.1016/j. ssci.2009.05.003 26. Newnam S、Griffin MA、Mason C。工作车辆的安全：一项将安全价值和个人预测因素与工作相关驾驶事故联系起来的多层次研究。应用心理学杂志。2008；93(3)：632 ‐ 644。doi:10.1037/0021-9010.93.3.632 27. Nelson B、Hirshfeld S 对话是新货币。FactorLab 白皮书。2021 年。https://factorlab.com/white-paper-conversations-are-the-new-currency/ 28. Nelson B 代理指标到底是什么，你为什么要关心它。FactorLab 白皮书。 2020 年。https://factorlab.com/what-the-heck-is-a-proxy-metric-and-why-you-care/