XiaoMi-AI文件搜索系统
World File Search System小数
音乐家的生成AI：设计智能乐器的小数据原型
https://www.theguardian.com/music/2023/sep/08/ai-music-bigsound-brisbane-brisbane-brisbane-ai-dj-spotify-beatles [4] rebecca fiebrink，dan trueman和perry r cook。 2009。 用于交互式机器学习的元启动。 在国际音乐表达新界面会议论文集（Nime '09）。 匹兹堡，美国宾夕法尼亚州，280-285。 http://www.nime.org/proceedings/2009/ nime2009_280.pdf [5] shulei ji，Xinyu Yang和Jing Luo。 2023。 符号音乐生成深度学习的调查：表示，算法，评估和挑战。 ACM计算。 幸存。 56，1（2023）。 https://doi.org/10.1145/3597493 [6]ThéoJourdan和Baptiste Caramiaux。 2023。 音乐表达的机器学习：系统文献综述。 在国际音乐表达界面国际会议上。 13页。 http://nime.org/proceedings/2023/nime2023_46.pdf [7] Marc Leman，Pieter-Jan Maes，Luc Nijs和Edith Van Dyck。 2018。 什么是体现的音乐认知？ 在Springer系统音乐学手册中，Rolf Bader（编辑）。 施普林格柏林海德堡，柏林，海德堡，747–760。 https://doi.org/10.1007/978-3-662-55004-5_34 [8] George E. Lewis。 2000。 太多的注释：“ Voyager”中的计算机，复杂性和文化。 Leonardo Music Journal 10（2000），33-39。 https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。 2019。 260–265。 2023。 2003。https://www.theguardian.com/music/2023/sep/08/ai-music-bigsound-brisbane-brisbane-brisbane-ai-dj-spotify-beatles [4] rebecca fiebrink，dan trueman和perry r cook。2009。用于交互式机器学习的元启动。在国际音乐表达新界面会议论文集（Nime '09）。匹兹堡，美国宾夕法尼亚州，280-285。http://www.nime.org/proceedings/2009/ nime2009_280.pdf [5] shulei ji，Xinyu Yang和Jing Luo。2023。符号音乐生成深度学习的调查：表示，算法，评估和挑战。ACM计算。 幸存。 56，1（2023）。 https://doi.org/10.1145/3597493 [6]ThéoJourdan和Baptiste Caramiaux。 2023。 音乐表达的机器学习：系统文献综述。 在国际音乐表达界面国际会议上。 13页。 http://nime.org/proceedings/2023/nime2023_46.pdf [7] Marc Leman，Pieter-Jan Maes，Luc Nijs和Edith Van Dyck。 2018。 什么是体现的音乐认知？ 在Springer系统音乐学手册中，Rolf Bader（编辑）。 施普林格柏林海德堡，柏林，海德堡，747–760。 https://doi.org/10.1007/978-3-662-55004-5_34 [8] George E. Lewis。 2000。 太多的注释：“ Voyager”中的计算机，复杂性和文化。 Leonardo Music Journal 10（2000），33-39。 https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。 2019。 260–265。 2023。 2003。ACM计算。幸存。56，1（2023）。https://doi.org/10.1145/3597493 [6]ThéoJourdan和Baptiste Caramiaux。 2023。 音乐表达的机器学习：系统文献综述。 在国际音乐表达界面国际会议上。 13页。 http://nime.org/proceedings/2023/nime2023_46.pdf [7] Marc Leman，Pieter-Jan Maes，Luc Nijs和Edith Van Dyck。 2018。 什么是体现的音乐认知？ 在Springer系统音乐学手册中，Rolf Bader（编辑）。 施普林格柏林海德堡，柏林，海德堡，747–760。 https://doi.org/10.1007/978-3-662-55004-5_34 [8] George E. Lewis。 2000。 太多的注释：“ Voyager”中的计算机，复杂性和文化。 Leonardo Music Journal 10（2000），33-39。 https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。 2019。 260–265。 2023。 2003。https://doi.org/10.1145/3597493 [6]ThéoJourdan和Baptiste Caramiaux。2023。音乐表达的机器学习：系统文献综述。在国际音乐表达界面国际会议上。13页。http://nime.org/proceedings/2023/nime2023_46.pdf [7] Marc Leman，Pieter-Jan Maes，Luc Nijs和Edith Van Dyck。2018。什么是体现的音乐认知？在Springer系统音乐学手册中，Rolf Bader（编辑）。施普林格柏林海德堡，柏林，海德堡，747–760。https://doi.org/10.1007/978-3-662-55004-5_34 [8] George E. Lewis。 2000。 太多的注释：“ Voyager”中的计算机，复杂性和文化。 Leonardo Music Journal 10（2000），33-39。 https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。 2019。 260–265。 2023。 2003。https://doi.org/10.1007/978-3-662-55004-5_34 [8] George E. Lewis。2000。太多的注释：“ Voyager”中的计算机，复杂性和文化。Leonardo Music Journal 10（2000），33-39。 https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。 2019。 260–265。 2023。 2003。Leonardo Music Journal 10（2000），33-39。https：//doi.org/10.1162/096112100570585 [9] Charles Patrick Martin和Jim Torresen。2019。260–265。2023。2003。具有混合密度复发神经网络的交互式音乐预测系统。在国际音乐表达界面国际会议上。https://doi.org/10.5281/Zenodo.3672952 [10] Blake Montgomery。 音乐出版商Sue Amazon Basked AI Company to Song歌词。 监护人（2023年10月）。 https：//www.theguardian。 com/technology/2023/oct/19/Music Lawsuit-ai-song-lyrics-homhthrocs [11]françoispachet。 连续器：与风格的音乐互动。 新音乐研究杂志32，3（2003），333–341。 https://doi.org/10。 1076/jnmr.32.3.333.16861 [12] Teresa Pelinski，Rodrigo Diaz，AdánL。Benito Temprano和Andrew McPherson。 2023。 管道用于录制数据集和在Bela嵌入硬件平台上运行神经网络。 在国际音乐表达界面国际会议上。https://doi.org/10.5281/Zenodo.3672952 [10] Blake Montgomery。音乐出版商Sue Amazon Basked AI Company to Song歌词。监护人（2023年10月）。https：//www.theguardian。com/technology/2023/oct/19/Music Lawsuit-ai-song-lyrics-homhthrocs [11]françoispachet。连续器：与风格的音乐互动。新音乐研究杂志32，3（2003），333–341。https://doi.org/10。 1076/jnmr.32.3.333.16861 [12] Teresa Pelinski，Rodrigo Diaz，AdánL。Benito Temprano和Andrew McPherson。 2023。 管道用于录制数据集和在Bela嵌入硬件平台上运行神经网络。 在国际音乐表达界面国际会议上。https://doi.org/10。1076/jnmr.32.3.333.16861 [12] Teresa Pelinski，Rodrigo Diaz，AdánL。Benito Temprano和Andrew McPherson。2023。管道用于录制数据集和在Bela嵌入硬件平台上运行神经网络。在国际音乐表达界面国际会议上。
朝着个性化生成AI的个性化，并具有小数据以共同创建视觉艺术
抽象的基础模型（例如DALL-E和稳定的扩散）在大量和多样化的数据集上进行了培训，以适应尽可能多的需求和环境。另一方面，艺术家经常将创造性的AI系统用于个人的利基和定制需求，而单独提示可能并不总是会导致这种个性化水平。共同创造的系统是人类和AI主动从事共同创意任务的系统。生成的AI系统支持艺术探索，但他们的概率和非个人自然挑战艺术家的控制和所有权意识。在这项工作中，我们认为艺术家的代理和所有权意识可以通过在小型数据集中受过培训（或微调）的个人生成AI模型在共同创造的环境中得到增强。我们对视觉艺术创造力支持工具的模型个性化的当前状态，无论是基于生成的对抗网络还是文本到图像扩散模型，并认为共同创造性接口应采用类似的集成个性化模式。因此，我们还建议将个性化作为最近与人类共同创造的近期相互作用框架的组成部分。此外，我们讨论了整合的挑战，包括培训模型的计算需求，并建议通过采用“小数据”和“慢速技术”思维方式找到一些解决方案。最后，我们探索了一些与小数据个性化的人类互动的具体机会。
应用多任务转移学习：EA和优化子带正规CSP与具有小数据集的8通道EEG信号的组合
脑部计算机界面（BCI）技术提供了一种不依赖外围神经和肌肉的交流方式（Wolpaw等，2000）。全面的BCI系统涉及预处理，特征提取，信号分类和控制。这是一种直接将神经功能转化为外部产出的技术（Ramadan和Vasilakos，2017年）。最常用的脑电图（EEG）信号是事件相关的P300信号（Allison等，2020），稳态视觉引起的电势（Liavas等，1998）和运动成像（MI）信号（Pfurtscheller等人，1997年）。运动图像的最显着优势是其控制信号源自大脑的行动意图，因此不需要外部刺激（Abdulkader等，2015）。这种类型的BCI通常用于外部设备的运动控制，是当今最流行的BCI控制系统之一。但是，运动成像自发脑电图信号的信号噪声比率很低，并且受试者之间的特征有显着的单个差异。通常需要对传统的机器学习算法进行校准，以克服受试者之间的个体差异（Böttger等，2002; Saha等，2017），这一过程降低了BCI系统的效率。为了解决这一缺点，研究人员发现，使用转移学习算法来减少新用户，设备和任务的校准是有效的。近年来，转移学习使用了来自源域中的数据或信息，以帮助目标域通过使用源域（现有主题）数据来校准目标域（新主题）数据（Pan and Yang，2009）。最终，可以用带注释的几个或没有样本来判断目标域，这可以解决训练数据的基本分布与在某些条件下的测试数据之间的不匹配问题。
在最小数量润滑下使用纳米流体（NFMQL）
抽象的镍合金在航空航天，海洋和防御部门中具有广泛的应用，因为它们在升高温度，出色的耐腐蚀性和蠕变破裂强度下保持高强度的能力。然而，这些不同的特性最终导致了较低的可加工性。在切割工具材料，冷却技术，涂料材料和涂料沉积技术方面的进步吸引了研究人员在使用纳米流体（NFMQL）下使用纳米流体（NFMQL）进行镍合金的可持续加工加工。本文介绍了有关使用NFMQL加工镍合金的全面文献综述，以适当关注各种研究人员的作品。最初，提出了纳米流体的制备和纳米颗粒的特征，例如大小，形状，纳米粒子和碱流体的类型。然后在NFMQL条件下使用最常用的工具讨论了使用不同纳米颗粒和基础液体的镍合金和基础流体的镍合金的全面审查。最后，总结了基于镍的超合金的热物理特性，挑战和未来范围。
具有 110 fs 抖动的 56 GHz 小数 N PLL
I. 引言随着通信系统追求更高的性能，低抖动时钟生成问题变得更具挑战性。例如，以 112 Gb/s 或 224 Gb/s 运行的 PAM4 发射器可以结合 56 GHz 锁相环 (PLL) 进行多路复用。这样的应用对设计提出了三个条件。首先，对于 224 Gb/s 的数据速率，PLL 抖动必须远低于符号周期，例如约 100 fs。其次，PLL 最好实现为小数 N 环路，以便以不同的晶体频率运行并可能纠正晶体误差。第三，多通道系统使得每通道使用低功耗、紧凑的 PLL 设计成为可取的，而不是在通道和长互连上分配 56 GHz 时钟。在此频率范围内，先前的小数 N 分频设计已实现 200 至 500 fs 的均方根抖动，同时功耗为 31 至 46 mW，所需芯片面积为 0.38 至 0.55 mm2 [1], [2], [3]。本文提出了一种小数 N 分频 PLL 架构和多种电路技术，可实现 110 fs 的均方根抖动和 23 mW 的功耗。实验原型采用 28 纳米 CMOS 技术制造，占用有效面积为 0.1 mm2。第二部分介绍了这项工作的背景。第三部分介绍了所提出的有限脉冲响应 (FIR) 滤波器和
GAO-22-104611，宽带：需要国家战略来指导联邦努力缩小数字鸿沟
机构官员表示，项目差异（包括一些法规规定的差异）限制了他们协调项目的能力。例如，各个项目对符合条件的地区、人口和宽带速度的定义可能不同。2018 年，国家电信和信息管理局 (NTIA) 领导了一个跨机构小组，审查了不同的项目定义。但是，NTIA 并未确定哪些法定条款限制了协调，也未建议进行任何更改。NTIA 负责协调整个行政部门的电信事务，并在 2020 年底获得了改善宽带协调的额外职责。需要改善协调以帮助解决碎片化和重叠问题。如果没有立法提案供国会审议，各机构在协调项目以缩小数字鸿沟方面可能会继续面临限制。
GAO-22-104611，宽带：需要国家战略来指导联邦努力缩小数字鸿沟
机构官员表示，项目差异（包括一些法规规定的差异）限制了他们协调项目的能力。例如，项目对符合条件的地区、人口和宽带速度的定义可能不同。2018 年，国家电信和信息管理局 (NTIA) 领导了一个跨机构小组，审查了不同的项目定义。但是，NTIA 并未确定哪些法定条款限制了协调，也未建议进行任何更改。NTIA 负责协调整个行政部门的电信事务，并在 2020 年底获得了改善宽带协调的额外职责。需要改进协调以帮助解决碎片化和重叠问题。如果没有立法提案供国会审议，各机构在协调项目以缩小数字鸿沟方面可能会继续面临限制。
从最小数量的量子发射器
多光子纠缠图状态是量子通信网络，分布式量子计算和传感的基本资源。这些状态原则上可以从量子发射器（例如光学活跃的量子点或缺陷，原子系统或超导量子台）确定性地创建。但是，发现有效的计划来生产这种状态一直是一个长期的挑战。在这里，我们提出了一种算法，鉴于所需的多光子图状态，它确定了量子发射器的最小数量和可以产生它的精确操作序列。算法本身和所得操作序列在光子图状态的大小上是多项式刻度的，从而使一个人获得有效的方案，可以生成包含数百或数千个光子的图形状态。
缩小数字鸿沟：连接学生和家庭的策略
几十年来，数字鸿沟一直是科技圈的中心话题，研究人员、倡导者和政策制定者都在努力研究这个问题并缩小获取信息的差距。疫情期间，随着许多工作场所和学校都转移到线上，这一话题得到了特别关注。具体来说，低收入家庭在适应这个日益数字化的环境时更有可能遇到障碍。根据 2020 年皮尤研究中心的一项调查，59% 的低收入父母表示，他们的孩子在疫情期间参加远程学习，他们的孩子可能会面临以下三个数字障碍中的至少一个，例如家里的互联网不稳定、家里没有电脑或需要使用智能手机完成作业。
小数据蕴藏大人工智能潜力
我们将分析分为两部分。第一部分介绍并分类了主要的小型数据方法，我们将其概念化为五个粗略的类别——迁移学习、数据标记、人工数据、贝叶斯方法和强化学习——并阐述了它们重要的原因。通过这样做，我们不仅旨在指出使用小型数据方法的潜在好处，而且还旨在加深非技术读者对数据何时以及如何对人工智能有用的理解。第二部分借鉴原始 CSET 数据集，介绍了一些探索性发现，评估了小型数据方法科学研究的当前和预计进展，概述了哪个国家处于领先地位，以及这些研究的主要资金来源。根据我们的研究结果，我们得出以下四个关键结论：