XiaoMi-AI文件搜索系统
World File Search System基准模型
基于机器学习的LGD基准模型
在信用风险建模中在机器学习方面经验的经验。机器学习专业知识的其他领域包括自然语言处理，法规监控和地平线扫描，AML，付款绩效，欺诈和用户行为分析。会计和财务管理的学术背景（M.Sc.），Astro Physics（B.Sc.）和数学（B.Sc.）。
高级和新兴经济体中的人口统计学，增长和机器人
本文提供了人口变化对劳动生产率增长的影响的估计，并依靠1961年至2018年的年度数据对90个高级和新兴经济体的小组。我们发现，增加的年轻人和老年人口份额都对通过各种渠道（包括物理和人力资本的积累）工作，对劳动生产率的增长产生了显着负面影响。对高级和新兴经济体的分析分析表明，人口老化对新兴经济体的影响比对发达经济体具有更大的影响。将基准模型扩展到包括生产机器人化的代理，我们发现证据表明自动化减少了不利人口统计学变化的负面影响，尤其是人口老化 - 对劳动生产率的增长。
超出标准模型物理的符号回归
，我们建议符号回归是对标准模型以外的物理模型的数值研究的强大工具。在本文中，我们证明了该方法在基准模型上的功效，即受约束的最小超对称标准模型，该模型具有四维参数空间。我们提供了一组分析表达式，这些表达式在理论的参数方面重现了三个低能的观察结果：希格斯质量，对穆恩的异常磁矩的贡献以及冷暗物质依赖密度。为了证明该方法的功能，我们在全局拟合分析中采用了符号表达式来得出参数的后验概率密度，而这些概率密度比使用常规方法更快地获得了两个数量级。
AD-A255 812 英吉利海峡飞机指挥（C S 第 1 阶段） - DTIC
:参考先前的研究；2) 开发当前可用和新的传感器和探测器的必要数据库：，）为每个提议的探测器开发“概念”要求。:进近；和。4) 确定传感器系统状态和通信所需的驾驶舱接口要求。'[hc Ihcino 757-0)() 被选为研究模型的基准飞机。然后将两个 ACES 概念应用于基准模型以进行比较，并根据先前 FAATC 合同中确定和定义的场景进行分析。估计每个 ACES 概念的安装成本，以开发和安装对当前生产的 757-200 飞机的影响。估计 1lock 更改实施的成本以当年 (1990) 美元计算。对现有飞机的改装超出了本研究的范围，不被视为本成本分析的一部分。
对深度学习工作负载的新型 AI 加速器的全面评估
摘要 — 科学应用越来越多地采用人工智能 (AI) 技术来推动科学发展。高性能计算中心正在评估新兴的新型硬件加速器，以有效运行 AI 驱动的科学应用。由于这些系统的硬件架构和软件堆栈种类繁多，因此很难理解这些加速器的性能。深度学习工作负载评估的最新进展主要集中在 CPU 和 GPU 上。在本文中，我们概述了 SambaNova、Cerebras、Graphcore 和 Groq 的基于数据流的新型 AI 加速器。我们首次对这些加速器进行了评估，评估内容包括深度学习 (DL) 原语、基准模型和科学机器学习应用程序等多种工作负载。我们还评估了集体通信的性能，这对于分布式 DL 实现至关重要，同时还研究了扩展效率。然后，我们讨论将这些新型 AI 加速器集成到超级计算系统中的关键见解、挑战和机遇。
功能性神经网络：用于功能数据的换档模型，并具有脑电图分类的应用程序
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
![arxiv：2301.05869v2 [cs.lg] 2023年8月10日](/simg/g:\will\search\icon\source\4\47b0820a8bbd0dc424d1af53abb30fd5ef096fab.webp)
arxiv：2301.05869v2 [cs.lg] 2023年8月10日
在BCI的背景下，更具体地用于通过脑电图（EEG）测量的数据分析，传统方法基于根据数据计算得出的精心选择的功能。通常应用的技术包括时间域中脑电图数据的主要成分分析，或基于频域中功率谱的特征（Azlan＆Low，2014; Boubchir等，2017; Boonyakitanont et al。，2020）。由于深度学习领域的最新进展，提出了避免手动特征提取的神经网络的不同架构，并且似乎超过了更传统的方法。例如，提出了神经网络EEGNET来支持多个BCI范式，通常被称为该领域的基准模型（Lawhern等，2018）。在临床环境中，使用VGG16神经网络的某些变体来检测与癫痫相关的信号（Da Silva LourenC报O等，2021）。通常，深度学习已成功地应用于与脑电图数据有关的各种任务（Craik等，2019； Roy等，2019）。
通过开放式池塘藻类农场养殖生产藻类生物质：2023 年技术现状和未来研究
作者感谢以下研究人员对这项工作的贡献：美国国家可再生能源实验室 (NREL) 的 Lieve Laurens、Eric Knoshaug 和 Zia Abdullah；亚利桑那州立大学 (ASU) 的 John McGowen；太平洋西北国家实验室 (PNNL) 的 Michael Huesemann；洛斯阿拉莫斯国家实验室 (LANL) 的 Taraka Dale；以及综合筛选、品种优化和验证研究 (DISCOVR) 联盟发展中的其他合作伙伴。此外，我们还要感谢 Viridos 提供与其 2023 年培养工作相关的数据和宝贵指导，以支持更新的“行业案例研究”，记录在本报告的附录 C 中。本报告概述了关键藻类生物质培养试验的研究数据，这些数据用于基于这些研究人员提供的意见更新 NREL 的技术状况 (SOT) 基准模型；然而，它并不旨在提供所有研究活动、方法或数据输出的详尽总结，我们将参考这些研究活动和其他人的研究工作来获得进一步的背景信息。
通过联合稀疏性的堆叠深度嵌入回归进行脑电图特征选择
在脑机接口 (BCI) 领域，选择高效且稳健的特征对于人工智能 (AI) 辅助临床诊断非常有吸引力。在本研究中，我们基于嵌入式特征选择模型，以逐层方式构建堆叠深度结构进行特征选择。其良好的性能由堆叠广义原理保证，即添加到原始特征中的随机投影可以帮助我们以堆叠方式连续打开原始特征空间中存在的流形结构。有了这样的好处，原始输入特征空间变得更加线性可分。我们使用波恩大学提供的癫痫脑电图数据来评估我们的模型。基于脑电图数据，我们构建了三个分类任务。在每个任务中，我们使用不同的特征选择模型来选择特征，然后使用两个分类器根据所选特征进行分类。我们的实验结果表明，我们的新结构选择的特征对分类器更有意义且更有帮助，因此比基准模型产生更好的性能。