XiaoMi-AI文件搜索系统
World File Search System基本模型
OSE-IDS：优化的堆叠集合入侵检测...
摘要 - 随着网络犯罪的发展越来越多，智能网络入侵检测系统（NIDS）的存在在网络基础架构中是必不可少的。此外，还有许多挑战面临基于人工智能的NID设计，例如网络流量中的无关功能，罕见的恶意流量示例以及机器学习模型选择和模型的Mypermeters finetuning的努力。这项研究提出了与这些挑战有关的有效NID，以准确检测恶意行为。首先，一种并行混合特征选择方法过滤了最重要的功能。第二，为了解决数据不平衡，我们集成了一项合并的随机下采样策略和合成少数民族过采样技术 - 编辑了最近的邻居技术，以确保对少数派攻击的平衡表示。最后，堆叠的集合分类器包括通过自动化机器学习方法选择的四种最佳基本模型。使用CICIDS2017数据集（用于入侵检测研究的综合基准），我们的方法达到了令人印象深刻的99.76％的令人印象深刻的检测率，从而有效地识别了多数族裔和少数类别。索引术语 - 开为单位，异常检测器，最佳特征选择，不平衡数据集，SMOTE，集合分类器。
使用转移学习从EEG解码想象的语音
摘要我们提出了一种基于转移学习的方法，用于解码电子脑力图（EEG）的想象语音。特征是从多个EEG通道同时提取的，而不是与单个通道分开提取。这有助于捕获皮质区域之间的相互关系。为了减轻缺乏足够数据来训练深层网络的问题，可以执行基于窗口的数据增强。平均相干性和幅度方相干性，用作EEG连通性分析中使用的两种流行措施，用作特征。这些特征是紧凑的，利用它们的对称性，以获得三维“图像样”表示。该矩阵的三个维度对应于alpha，beta和伽马eeg频带。具有RESNET50的深层网络，因为基本模型用于对想象的提示进行分类。所提出的方法已在想象中的语音脑电图的公开可用的ASU数据集上进行了测试，其中包括四种不同类型的提示。解码想象的提示的准确性从元音的最低79.7％，到整个主题的长时间单词最多95.5％。所获得的精度优于状态方法，并且该技术在解码不同复杂性的提示方面非常好。
冷却还是不冷却？温度网络通过DRO
温度参数在训练和/或推理大型基本模型（LFM）（例如大语言模型（LLMS）和剪辑模型）中起着重要作用。，它调整了LLMS中的软马克斯函数的逻辑，这对于接下来的令牌生成至关重要，并且可以扩展训练夹模型的对比损失中的相似性。一个重要的问题仍然存在：“学习一个新网络以预测任何输入数据以增强LFM的个性化温度是否可行？”在本文中，我们提出了一个原则上的框架，用于学习一个小型但可推广的预测网络（TEMPNET），以改善LFM。我们的解决方案由一个新颖的学习框架组成，其强大的损失受到约束的分布强劲优化（DRO）和具有理论灵感的正确设计的fempnet。tempnet可以通过大型基础模型从头开始训练，也可以单独学到了审议的基础模型。它不仅用于预测个性化温度以促进LFM的训练，而且可以推广到新任务。我们在LLM和夹子模型上进行的实验表明，Tempnet极大地改善了现有解决方案或模型的性能，例如表1。可以在https://github.com/zhqiu/tempnet上找到重现本文实验结果的代码。
自主停车的TD3中损失函数的比较分析
自主停车是一种革命性的技术，它随着深度强化学习的兴起，尤其是双胞胎延迟的深层确定性政策梯度算法（TD3），它改变了汽车行业。尽管如此，由于Q值估计的偏见，在确定在特定状态下采取的行动的良好时，TD3的鲁棒性仍然是一个重大挑战。为了研究这一差距，本文分析了TD3中的不同损失函数，以更好地近似真正的Q值，这对于最佳决策是必不可少的。评估了三个损失功能；平均平方错误（MSE），平均绝对误差（MAE）和HUBER损失，通过模拟实验进行自动停车。结果表明，HUBER损失的TD3具有最高的收敛速度，而最快的演员和批评损失收敛。发现Huber损失函数比孤立使用的MSE或MAE这样的损耗函数更强大，更有效，这使其成为TD3算法中现有损失函数的合适替代。将来，当估计的Q值代表以特定状态采取行动的预期奖励的估计Q值时，将使用Huber损失的TD3用作解决TD3中高估问题的基本模型。
Terai的低成本隔热材料...
节能建筑物，工程研究所（IOE） - 尼泊尔特里科万大学的普尔乔克校园摘要：公共建筑部门的节能潜力很大，尚未实现。通过优先考虑其自身建筑物中的能源效率，从而促进了根据新技术和建筑方法的发展的发展，公共部门将带来提高翻新速度的努力。在本研究中描述了低成本的绝缘策略和将成本与现有绝缘材料进行比较。，我们已经反复面临能源危机，如果未及时采取适当的行动，将来将继续这样做。适当实施节能计划，以实现建筑物的热舒适度以及降低能源成本，这无疑会激发住宅区的灵感，从而大大减少能源使用情况。进行了模拟以研究各种建筑物组件（例如外墙，地板和屋顶）上的绝缘层，从而为建筑物作为基本模型产生不同的场景，然后进行比较并进行了分析以验证用于开发案例的文献。经过验证的建议建议肯定会提高建筑能源效率，在低成本下实现热舒适度，而不是目前所使用的建议。关键词：建筑物，能源，节能，热舒适。1。简介
![arxiv：2402.00407v2 [CS.CV] 14 Sep 2024](/simg/g:\will\search\icon\source\2\28d4df180c3057a85e7212b8f7556eb322d22066.webp)
arxiv：2402.00407v2 [CS.CV] 14 Sep 2024
摘要。近年来，基础模型席卷了计算机视野领域，从而促进了不同方式内各种任务的进步。但是，有效设计红外地基模型仍然是一个悬而未决的问题。在本文中，我们引入了Infmae，这是专门针对红外模式量身定制的基本模型。最初，我们提出了INF30，这是一种红外数据集，用于减轻红外愿景社区中自我监督学习的大规模数据的稀缺性。此外，考虑到红外图像的内在特征，我们设计了一种信息感知的掩盖策略。它允许在自我监督的学习过程中更加重视红外图像中更丰富信息的区域，这有利于学习强有力的表示。此外，为了增强下游任务中的通用能力，我们采用了多规模编码器来进行潜在表示学习。最后，我们开发了一个红外编码器来重建图像。广泛的实验表明，我们所提出的方法在三个关键的下游任务中，我们所提出的方法优于其他受监督和自学的学习方法：红外图像语义分段，对象检测和小目标检测。
用指数方程描述铝合金的总疲劳裂纹扩展曲线
在恒幅试验条件下，金属和合金的疲劳裂纹扩展 (FCG) 行为通常用裂纹扩展速率 da/dN 与应力强度因子范围� K 之间的关系来描述。图 1 示意性地显示了速率 da/dN 与� K 的典型对数-对数图，该图具有 S 形，可分为三个区域 [1-4]。区域 I 是近阈值区域，其中曲线变得陡峭并似乎接近渐近线� K th ，即下限� K 值，低于该值预计不会发生裂纹扩展。区域 II（中间区域）对应于稳定的宏观裂纹扩展。巴黎幂律 [5] 是一种经验关系，在对数-对数拟合中显示一条直线，是中等裂纹扩展速率（10 -8 至 10 -6 m/循环）此区域中疲劳的基本模型。区域 III 与最终失效前的快速裂纹扩展有关，主要受 K c 控制，即材料和厚度的断裂韧性。长期以来，人们观察到，对于固定的 � K ，da/dN 受应力循环不对称性的强烈影响，通常以载荷比 R 表示 [6-8]。发现阈值应力强度值 (� K th ) 取决于 R
日光自由空间量子密钥分布的理想波长
量子密钥分布（QKD）近年来从实验室原则证明到市售系统的成熟。主要的瓶颈之一是由于指数信号阻尼，纤维网络中的通信距离有限。可以使用跨洲际距离，可以使用低地球轨道卫星在大气上传输量子信号。这些自由空间链接只能在夜间运行，因为阳光否则将用于测量量子状态的检测器饱和。用于在具有连续可用性和高数据速率的全球量子互联网中应用QKD，需要在日光期间操作。在这项工作中，我们为不同的量子光源建模卫星到地量子通道，以在环境条件下识别自由空间QKD的最佳波长。日光量子通信在Fraunhofer线路或近红外频谱中可以进行，因为来自太阳的固有背景相当低。考虑到有限密钥效应的最高年度密钥长度在HαFraunhofer系列中可以实现。更重要的是，我们提供的基本模型通常可以根据所需的修改来适应任何其他特定的链接方案。我们还提出了一个基于可以实现此类方案的微孔子的六角硼硝化硼的颜色中心的真正单光子源。我们的结果也可以应用于屋顶的场景中，因此与近距离量子网络有关。
用指数方程描述铝合金总疲劳裂纹扩展曲线
金属和合金在恒幅试验条件下的疲劳裂纹扩展 (FCG) 行为通常用裂纹扩展速率 da/dN 与应力强度因子范围 ' K 之间的关系来描述。图 1 示意性地显示了速率 da/dN 与 ' K 的典型对数-对数图，该图具有 S 形，可分为三个区域 [1-4]。区域 I 是近阈值区域，其中曲线变得陡峭并似乎接近渐近线 ' K th ，即下限 ' K 值，低于该值预计不会发生裂纹扩展。区域 II（中间区域）对应于稳定的宏观裂纹扩展。巴黎幂律 [5] 是一种经验关系，在对数-对数拟合中显示一条直线，是中等裂纹扩展速率（10 -8 至 10 -6 m/循环）此区域中疲劳的基本模型。区域 III 与最终失效前裂纹的快速扩展有关，主要受 K c 控制，即材料和厚度的断裂韧性。长期以来，人们观察到，对于固定的 ' K ，da/dN 受应力循环不对称性的强烈影响，通常用载荷比 R 表示 [6-8]。发现阈值应力强度值 ( ' K th ) 取决于 R
第三级结构的复杂感知功能融合 -
基于三级结构的RNA设计在合成生物学和治疗剂中起着培养作用。现有方法探索了结构 - 序列映射，但它们仅关注RNA结构并忽略复杂级信息的作用，这对于有效的RNA设计至关重要。为了解决此限制，我们提出了基于Ware第三级结构的r na esign模型，该模型，该模型，该模型集成了复杂水平信息以增强基于高等教育结构的RNA序列设计。是特定的，我们的方法结合了蛋白质语言模型（例如ESM-2）提取的蛋白质特征，从而使设计模型能够生成更准确且复杂的相关序列。考虑到蛋白质RNA相互作用的生物逻辑复杂性，我们引入了一种远距离感知的过滤蛋白质表示的局部特征。此外，我们设计了一个高亲和力设计框架，该框架将我们的卡与亲和力评估模型相结合。在此框架中，基于亲和力和结构比对生成并严格筛选了候选RNA的序列。广泛的例证证明了我们方法的有效性，而与基本模型相比，没有我们的复杂感知的效果整合，提高了5.6％。2磅的具体案例研究进一步验证了我们的卡的优势。