XiaoMi-AI文件搜索系统
World File Search System基准研究
EEGNeX 的基准研究
本研究考察了各种神经网络 (NN) 模型通过脑电图 (EEG) 信号解释心理构造的有效性。通过评估四种脑机接口 (BCI) 范式中 16 种流行的 NN 模型及其变体，我们评估了它们的信息表示能力。基于全面的文献综述结果，我们提出了 EEGNeX，这是一种新颖的纯基于 ConvNet 的架构。我们将它与现有的尖端策略和所有 BCI 基准之母 (MOABB) 进行了比较，涉及 11 个不同的 EEG 运动想象 (MI) 分类任务，结果表明 EEGNeX 超越了其他最先进的方法。值得注意的是，与竞争对手相比，它在不同场景中的分类准确率提高了 2.1-8.5%，具有统计学意义 (p < 0.05)。这项研究不仅为设计用于 EEG 数据的高效 NN 模型提供了更深入的见解，而且为未来探索生物电脑信号与 NN 架构之间的关系奠定了基础。为了促进更广泛的科学合作，我们已将包括 EEGNeX 在内的所有基准模型公开发布在（https://github.com/chenxiachan/EEGNeX）上。
大多伦多地区市政基准研究
Barrie 105,029 0.86 5 11.2 0.55 1 0.92 0.08 0.22 2 0.57 1 Oakville 109,126 0.89 7 14.1 0.69 3 0.88 0.12 0.33 5 0.66 2 Mississauga 108,597 0.89 6 25.0 1.23 13 0.96 0.04 0.11 1 0.76 3 Brampton 117,796 0.96 9 14.1 0.70 4 0.75 0.75 0.72 7 0.81 4马克汉姆152,390 1.24 1.24 14 22.6 1.11 9 0.92 0.92 0.08 0.22 2 0.90 5米尔顿96,441 0.79 3 23.3 23.3 1.15 7 Vaughan 166,904 1.36 16 18.1 0.89 6 0.81 0.19 0.55 6 0.98 8 Clarington 102,567 0.84 4 14.3 0.70 5 0.42 0.58 1.66 13 1.04 9 Innisfil 112,281 0.92 8 19.8 0.98 7 0.52 0.48 1.38 11 1.07 10 Whitby 128,349 1.05 11 12.4 0.61 2 0.38 0.62 1.77 14 1.13 11 BWG* 94,606 0.77 2 23.5 1.16 11 0.38 0.62 1.77 15 1.77 15 1.19 12 Caledon 143,493 1.17 12 26.9 1.33 1.33 1.33 1.33 1.33 14 0.46 1.33 10 1.27 1.27 1.27 1.27 1.27 13 0.27 1.27 1.27 1.0 1.0 1.0 1 1.0 1.0 oshawa 12.73 oshawa 125555555555,129 2.10 16 1.35 14里士满山164,149 1.34 15 33.6 1.65 15 0.44 0.44 0.56 1.61 12 1.51 15伯灵顿87,776 0.72 1---- 0.62 0.62 0.38 1.11 9--
利用合成数据来验证基准研究...
引言背景和基本原理{6a}差异丰度（DA）分析元基因组微生物组数据已成为了解各种环境和宿主生物体中微生物群落的复杂动力学的关键工具。3 - 5个微生物组研究对于鉴定特定的微生物至关重要，这些微生物在不同条件之间的丰度显着差异，例如健康和疾病状态，不同的环境条件，或者治疗之前和之后。分析微生物的差异丰度对于了解微生物群落在环境适应，宿主的疾病发展和健康中所起的作用至关重要。6用于鉴定微生物丰度变化的统计方法对于了解这些社区如何影响疾病进展和与宿主的其他相互作用至关重要，然后为治疗干预和诊断分析提供了新的策略。7
神经网络的机器学习库的比较分析：基准研究
这项全面的基准测试研究探讨了三个著名的机器学习库的性能：Pytorch，带有Tensorflow后端的Keras和具有相同标准，软件和硬件的Scikit-Learn。评估包括两个不同的数据集：“学生表现”和“大学参加计划分类”，由Kaggle平台支持使用前馈神经网络（FNNS）作为建模技术。调查结果表明，Pytorch和Keras凭借Tensorflow Backend Excel在“大学参加计划分类”数据集中，Pytorch在这两个类别中都能达到无可挑剔的精度，召回和F1得分。虽然Scikit-Learn表现出值得称赞的性能，但在这种情况下，它落后于这些库。在“学生表现”数据集中，所有三个库都提供了可比的结果，而Scikit-Learn的精度最低为16％。带有Tensorflow后端的Keras和Pytorch的精度分别为23％。此外，当面对各种数据集类型时，本研究为每个图书馆的独特优势和缺点提供了宝贵的见解。pytorch成为要求需要高性能的任务的首选选择，而Scikit-Learn对于具有适度的计算需求的简单任务证明是有利的。带有张力的后端的凯拉斯在性能和用户友好之间取得平衡。这项基准测试努力为机器学习从业人员提供了宝贵的指导，以选择根据其项目要求量身定制的最合适的图书馆或框架。关键字 - 机器学习，Pytorch，Tensorflow，Scikit-Learn，神经网络它强调了图书馆选择在获得机器学习努力中的最佳结果中的关键作用。
2D 晶体管有多好？特定应用的基准研究
图 2. 使用宽度归一化导通电流除以源漏电场与栅极场感应载流子浓度，对 HP 晶体管类别中的一组 2D FET 演示进行性能基准测试。1L：单层。>3L：厚度超过三层。2020 IRDS HP：IRDS 预计的 5 纳米节点高性能逻辑晶体管规格。2020 IRDS HD：IRDS 预计的 5 纳米节点高密度或低功耗逻辑晶体管规格。带有叠加“×”的数据点表示 I Max /E SD 是从输出特性（I DS 与 V DS ）的线性区域中提取的情况，因此与来自饱和状态的其他点相比可能被夸大。插图：底部栅极 2D FET 的示意图（添加了顶部栅极，在某些报告的设备中使用），其中突出显示了关键参数。 12,51,53-65
ProAI：适用于汽车应用的高效嵌入式 AI 硬件——基准研究
多年来，单板计算机 (SBC) 领域的发展一直在不断加快。它们在计算性能和功耗之间实现了良好的平衡，这通常是移动平台所必需的，例如用于高级驾驶辅助系统 (ADAS) 和自动驾驶 (AD) 的车辆应用。然而，对更强大、更高效的 SBC 的需求日益增长，这些 SBC 可以实时运行功耗密集型深度神经网络 (DNN)，还可以满足必要的功能安全要求，例如汽车安全完整性等级 (ASIL)。ZF 正在开发“ProAI”，主要用于运行强大而高效的应用程序，例如多任务 DNN，此外，它还具有 AD 所需的安全认证。在这项工作中，我们基于功耗密集型多任务 DNN 架构 Multitask-CenterNet，就 FPS 和功率效率等性能指标比较和讨论了最先进的 SBC。作为一款汽车超级计算机，ProAI 实现了性能和效率的完美结合，其每瓦 FPS 数量几乎是现代工作站笔记本电脑的两倍，几乎是 Jetson Nano 的四倍。此外，根据基准测试期间的 CPU/GPU 利用率，还显示 ProAI 上仍有剩余电量用于执行进一步更复杂的任务。
心脏手术的机器学习模型中的随机效果调整风险预测：基准研究
该预印本版的版权持有人于2023年6月12日发布。 https://doi.org/10.1101/2023.06.08.23291129 doi：medrxiv preprint
10-差分表达和丰度
基准研究Scrna-Seq中的差异表达方法：Squair，J.W.，Gauter，M.，Kathe，C。等。（2021）自然通信https://doi.org/10.1038/s41467-021-25960-2
美国能源部高能物理 - 强度前沿计划
○ 联邦咨询委员会法案 (FACA) 小组 – 美国政府的官方咨询机构 ○ 例如，高能物理咨询小组 (HEPAP) 为 DOE 和 NSF 提供 HEP 计划的主要建议，并包括负责详细研究的子小组（例如，P5 子小组、HEPAP 的“国际基准研究”子小组）
DOE 高能物理 - 强度前沿计划
○ 联邦咨询委员会法案 (FACA) 小组 – 美国政府的官方咨询机构 ○ 例如，高能物理咨询小组 (HEPAP) 向 DOE 和 NSF 提供 HEP 计划的主要建议，并包括进行详细研究的子小组（例如，P5 子小组、HEPAP 的“国际基准研究”子小组）