XiaoMi-AI文件搜索系统
World File Search System对比
tdcl：视觉的密集语义对比度学习 -
摘要。传统的单对象跟踪任务正在经历新的转型浪潮，尤其是随着语义缺乏的出现，这导致了视觉跟踪任务的兴起。但是，将Vi-Sual Tracker与自然语言描述相结合的先前方法倾向于依靠文本描述的全局表示，而较少考虑文本描述和Vi-Sual外观之间的精细连接。本文提议利用双向交叉注意模块来捕获语言和视觉特征之间的连接，这些连接进一步投影为密集的语义反映以保持对齐方式。为了保持搜索区域与耦合的自然语言之间的语义同意，并使融合功能保持一致，本文提出了一种新颖的密集性对比度学习损失，以弥合文本和视觉方式之间的语义差距，并以密集的形式对齐。所提出的框架在跟踪包含自然语言描述的数据集（例如TNL2K和OTB99-LANG）方面实现了有希望的结果。我们的方法提供了一种新颖的解决方案，用于代表和对齐单个对象跟踪任务的跨模式信息，并可能激发该领域的进一步研究。
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
calrec：依次推荐的生成LLM的对比度对准
传统的推荐系统（例如矩阵分解方法）主要集中于学习共享密集的设备空间，以表示项目和用户偏好。sub-sub-sub，诸如RNN，GRUS和最近的序列模型在顺序推荐的任务中出现并出色。此任务需要了解用户历史交互中存在的顺序结构，以预测他们可能喜欢的下一个项目。基于大型语言模型（LLM）在各种任务中的成功，最近使用在庞大的文本中鉴定的LLM进行了研究，以进行顺序建议。要使用LLM进行顺序推荐，用户交互的历史记录和模型对下一个项目的预测都以文本形式表示。我们提出了CALREC，这是一种两阶段的LLM登录框架，它使用两种对比性损失和语言建模损失的混合物以两位较高的方式对经过验证的LLM进行了验证：LLM首先是在来自多个域中的数据混合物上进行的，随后是一个目标域芬特芬特登录。我们的模型极大地胜过许多最先进的基准（ + 37％的回忆@1和ndcg@10中的24％），我们的系统消融研究表明，（i）两种固定阶段至关重要，当结合使用时，我们在相反的绩效中获得了相似的绩效，以及（ii）对比的一致性在目标域中有效地探索了我们的实验。
通过预训练对比脑电图文本掩蔽自动编码器的可转移表征增强脑电图到文本解码
从非侵入性脑电图 (EEG) 重建自然语言作为脑机接口 (BCI) 的语言解码技术有着巨大的应用前景。然而，基于 EEG 的语言解码仍处于起步阶段，面临着一些技术问题，例如：1）缺乏能够有效结合跨模态（EEG 和文本之间）自学习与 EEG 特征或文本序列的模态内自重建的混合策略；2）未充分利用大型语言模型 (LLM) 来增强基于 EEG 的语言解码。为了解决上述问题，我们提出了对比 EEG-T 文本询问自动编码器 (CET-MAE)，这是一种新颖的模型，它通过专用的多流编码器在 EEG 和文本之间和内部协调复合自监督学习。此外，我们开发了一个名为 E2T-PTR（使用预训练可迁移表示进行 EEG 到 T 文本解码）的框架，该框架利用预训练模块以及来自 CET-MAE 的 EEG 流，并进一步使 LLM（特别是 BART）能够从 EEG 序列中解码文本。在流行的文本诱发 EEG 数据库 ZuCo 上进行的全面实验证明了 E2T-PTR 的优越性，它在 ROUGE-1 F1 和 BLEU-4 得分上分别比基线框架高出 8.34% 和 32.21%。我们提出的预训练 EEG-Text 模型显示出改善涉及 EEG 和文本的下游任务的潜力。这为其在内部语音 BCI 范式中的应用开辟了有希望的途径，值得进一步研究。
评估莫妮卡在对比鲜明的水桌下模拟水，碳和氮通量的能力
湿的草原对于水和养分调节至关重要，其特征是不同的水，碳（C）和氮（N）动力学及其相互作用。由于其浅地下水桌，湿的草原促进了各种植被和土壤水之间的牢固相互联系。研究人员使用各种模拟模型研究了湿草地如何对环境变化的反应，以了解这些地点如何对水，C和N动力学贡献。然而，仍然缺乏对所有这三种动态的全面，同时研究。这项研究利用了具有不同管理的地下水水平的草原溶液仪研究，并采用基于过程的氮和碳动力学模型，以模拟这些动力学。通过使用斑点（统计参数优化工具）来优化相关参数，我们发现莫妮卡在模拟植被生长（地上生物量）和水的元素（蒸发）（蒸发性），C（总生产率，生态系统呼吸）和NITRISS nIrsrate nIrmass in nIrmass in Nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys n nitrys n nitrys n nitrys n nitrys n Nitmote nistrantranse nistrantransive（蒸发）协议的精致指数始终大于0.35。这种准确性表明，莫妮卡准备应用于地下水管理和气候变化的场景，以评估其影响
对比特币算法交易的机器学习模型的全面分析
摘要 - 这项研究评估了41个机器学习模型的性能，包括21个分类器和20个回归器，以预测算法交易的比特币价格。通过在各种市场条件下检查这些模型，我们强调了它们的准确性，鲁棒性和对挥发性加密市场的适应性。我们的全面分析揭示了每个模型的优势和局限性，为制定有效的交易策略提供了关键的见解。我们使用机器学习指标（例如，平均绝对误差，根平方错误）和交易指标（例如，损益百分比，Sharpe比率）来评估模型性能。我们的评估包括对历史数据进行回测，对最新看不见的数据的前瞻性测试以及现实世界的交易方案，以确保我们的模型的鲁棒性和实际适用性。关键发现表明，某些模型，例如随机森林和随机梯度下降，在利润和风险管理方面都优于其他模型。这些见解为旨在利用机器学习进行加密货币交易的贸易商和研究人员提供了宝贵的指导。
基于对比度学习的基于跨度的统一命名实体识别框架
传统命名实体识别（NER）模型通常是为特定于域的数据集而设计的，并且仅限于固定的预定义类型，这是难以推广到新域的困难。最近，基于及时的生成方法可以通过在不同的数据集上共同培训模式，并通过及时说明提取指定的实体，以减轻这种约束。但是，由于自回旋结构，这些方法无法直接建模实体跨度，并且会遭受缓慢的分解。为了解决这些问题，我们通过对比度学习（SUNER）提出了一个基于新颖的S基础的Unified Ner框架，该框架将文本跨度和实体类型表示在共享的语义空间中保持一致，以并行提取实体。具体来说，我们首先提取跨度，而无需考虑实体类型以更好地概括跨数据集。然后，通过利用构图的学习和精心设计的实体标记结构的力量，我们将候选人跨度及其textual类型描述映射到相同的矢量代表空间中，将其映射到跨多个方面的区分实体。对监督和零/少数拍摄设置进行了广泛的实验表明，与以前的最先进的统一NER模型相比，实现的Suner模型可实现更好的性能和更高的效率。
基于自促进聚类的对比学习用于脑网络预训练
磁共振成像（MRI）等神经成像技术的快速发展促进了我们获取大脑结构和功能特征。脑网络分析是从 MRI 探索大脑机制的重要工具之一，它为大脑组织提供有价值的见解，并促进对大脑认知和神经退行性疾病病理的理解。图神经网络（GNN）通常用于脑网络分析，但它们受到医疗数据稀缺的限制。虽然已经开发了图对比学习方法来解决这个问题，但它们通常涉及扭曲大脑解剖结构的图增强。为了应对这些挑战，本文提出了一种无增强的对比学习方法，即基于自促进聚类的对比学习（SPCCL）。具体而言，通过引入基于聚类的对比学习损失和自促进对比对创建方案，所提出的 SPCCL 可以从比疾病患者数据相对容易获取的其他健康受试者数据中进行预训练。所提出的 SPCCL 利用这些额外的数据来保持原始大脑结构的完整性，使其成为一种有效的大脑网络分析的有前途的方法。在开放获取的精神分裂症数据集上进行了全面的实验，证明了所提出方法的有效性。
diffaug：通过基于无扩散的数据增强，增强无监督的对比度学习
数据增强方法是手工设计或基于模型的。手工设计的方法，例如视觉效果中的颜色变化和随机裁剪或DNA序列中的突变，需要人类输入，并且通常是特定于数据的，并且与复杂的数据进行了斗争，在这些数据中，小变化显着影响语义。语义与无关的方法（例如添加噪声）存在，但并不总是有效的。此外，手工设计的方法需要更多样本来减轻微妙的语义变化中的风险，这在诸如生物学之类的昂贵域中挑战。使用生成模型（VAE，GAN，扩散）的基于模型的方法改善了视力任务和监督学习的训练，但面临着对多样性，概括和对外部数据的依赖的担忧。