XiaoMi-AI文件搜索系统
World File Search System层次结构
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。
M&E 的 AI 需求层次 媒体行业的“层次结构...
人工智能是一门跨多个学科的科学领域，包括计算机科学、数学、哲学、心理学、神经科学、电子工程、语言学和信息理论。机器学习常常被描绘成人工智能，但智能比统计学习更广泛、更复杂。后者也过于依赖大量手工标记的训练集和大量的计算，因此不能算作智能。在人工智能的四个主要组成部分中，也许没有比知识表示和推理更重要、更困难或更容易被误解的了。因为要成为人工智能，应用程序需要代理。经过训练可以从标记的训练集中识别狗和猫的分类器是一个大规模的计算傀儡。能够在现实世界中做出决策的自动驾驶汽车是一个能够推理和理解因果关系的代理。因此，在大多数人工智能学术定义中都引用了代理，这一点并不奇怪，其中最出名的就是 Shane Legg 的“未知可计算环境中代理的优化行为”。但要拥有代理，人工智能应用程序必须“了解”我们生活的世界，并能够对其进行推理（特别是在因果关系方面）。我们所感知的现实是一个俄罗斯套娃式的结构，由低级符号聚集成高级符号。亚原子粒子聚集成原子，原子聚集成细胞，细胞聚集成器官，器官聚集成生物体等。能够理解这种结构，能够将每个符号簇抽象为另一个更抽象、更高阶的符号，并推理它们之间的关系，这需要智能。知识表示的作用就是：构建基于机器的逻辑，将低级数据（数字、一组像素、一组单词）抽象为符号（对象、情感、概念、镜头、场景、故事），然后可以将其表达出来形成知识。这就是为什么知识表示是人工智能的本质。
单细胞转录组学揭示了细胞层次结构和1
抽象动机：识别抗原表位在医疗应用中至关重要，例如免疫诊断试剂发现，疫苗设计和药物开发。计算方法可以补充低吞吐量，耗时和代价高昂的表位实验确定。当前可用的预测方法在预测表位上具有适度的成功，这限制了其适用性。表位预测可能会使多个表位位于相同的抗原上，并且完全不可用的实验数据更加复杂。结果：在这里，我们介绍了抗原表位预测程序ISPIPAB，该程序结合了来自两种基于特征方法的信息和一种基于对接的方法。我们证明，ISPIPAB的表现优于其每个分类器以及其他最先进的方法，包括专门为表位预测设计的方法。通过将预测算法与层次聚类相结合，我们表明我们可以有效捕获与可用的实验数据一致的表位，同时还揭示了未来实验研究的其他新颖目标。联系人：raji@yu.edu补充信息：可通过BioInformatics在线获得补充数据。
系统神经科学中“层次结构”概念的演变
* 作者按字母顺序排列，并对本文做出同等贡献。摘要：“层次结构”概念是系统神经科学中最常见的组织原则之一。然而，到目前为止，它还没有得到太多的哲学分析。这很不幸，因为层次结构的一般概念涵盖两种具有不同经验承诺的方法，其概念关系仍不清楚。我们将第一种方法称为“表征层次结构”观点，该观点假定前馈、反馈和横向连接的解剖层次结构构成输入-输出关系信号处理层次结构的基础。因为表征层次结构观点认为单峰感觉表征随后会被阐述为更具范畴性和基于规则的表征，所以它致力于沿着层次结构增加抽象程度。第二种观点，我们称之为“拓扑层次结构”，并不致力于不同级别的不同表征功能或抽象程度。相反，拓扑方法认为，大脑某一部分的层次取决于它在系统中连接模式中的重要性。根据目前的证据，我们认为这两种方法之间可能存在三种概念关系：拓扑层次结构可以证实传统的表征层次结构，与之相冲突，或有助于理解大脑组织所需的多种方法。通过阐明每一种可能性，我们的分析试图打开一个概念空间，在这个空间中可以进行关于神经层次结构的进一步神经科学和哲学推理。关键词：层次结构、系统神经科学、表征、拓扑、抽象
使用夸张的视觉层次结构映射改善视觉识别
视觉场景是自然组织的，在层次结构中，粗糙的语义递归由几个细节组成。探索这种视觉层次结构对于认识视觉元素的复杂关系至关重要，从而导致了全面的场景理解。在本文中，我们提出了一个视觉层次结构映射器（HI-MAPPER），这是一种增强对预训练的深神经网络（DNNS）结构化理解的新方法。hi-mapper通过1）通过概率密度的封装来调查视觉场景的层次结构组织； 2）学习双曲线空间中的分层关系，并具有新颖的分层对比损失。预定义的层次树通过层次结构分解和编码过程递归地与预训练的DNN的视觉特征相互作用，从而有效地识别了视觉层次结构并增强了对整个场景的识别。广泛的实验表明，Hi-Mapper显着增强了DNN的表示能力，从而改善了各种任务的性能，包括图像分类和密集的预测任务。代码可在https://github.com/kwonjunn01/hi-mapper上找到。
SUV的层次结构：从诊断到治疗学，再到有效的疗法
o 80 y前，索尔·赫兹（Saul Hertz）率先使用了131 I的医学用途，可成功地治疗患有良性和恶性甲状腺条件的患者。今天，它仍然是我们的模范疗法。124 I PET/CT，用于成像甲状腺癌的成像，在肿瘤学放射性药物中具有最高的肿瘤到背景对比度，直接转化为我们使用疗法方法来治愈患有晚期转移性疾病的患者的能力。近年来，针对生长抑素受体和前列腺特异性膜抗原（PSMA）受体的放射性标记的肽已成为治疗神经性糖果和前列腺癌的新标准，从而改善了许多患者的生活。尽管治疗方法非常有效，并改善了生活和生活质量，但与131 I不同，它们主要提供姑息治疗的结果，而131 I通常会实现完整的终身反应。在其核心上，疗法本质上是辐射装置。机械因果靶向肿瘤的能力在现代医学中是独一无二的。放射碘的简单性
量子库计算中回声状态属性的层次结构
回声状态属性 (ESP) 是储层计算框架中的一个基本概念，可确保储层网络的稳定输出训练。然而，ESP 的传统定义不能恰当地描述可能的非平稳系统，其中统计属性会发生变化。为了解决这个问题，我们引入了两种新的 ESP 类别：为可能非平稳系统设计的非平稳 ESP，以及为子系统具有 ESP 的系统设计的子空间/子集 ESP。根据这些定义，我们用数字证明了量子储层计算机 (QRC) 框架中的非平稳 ESP 与典型的汉密尔顿动力学和使用非线性自回归移动平均 (NARMA) 任务的输入编码方法之间的对应关系。这些新定义的属性为 QRC 和其他可能非平稳 RC 系统的实际设计提供了新的认识。
双向表观遗传编辑揭示基因调控的层次结构
CRISPR 扰动是研究基因组功能效应的宝贵工具。然而，现有方法在研究非编码元件和遗传相互作用方面的效用有限。在这里，我们开发了一个双向表观遗传编辑系统 (CRISPRai)，其中正交激活 (CRISPRa) 和抑制 (CRISPRi) 扰动同时应用于同一细胞的多个基因座。我们开发了双 gRNA 捕获单细胞 Perturb-seq 来研究两种造血谱系转录因子 SPI1 和 GATA1 之间已建立的相互作用，并发现了共同调节基因的新型上下文特定调控模式。将 CRISPRai 扩展到非编码元件，我们解决了多个增强子如何相互作用以调节 T 细胞中共同靶基因白细胞介素-2 的表达。我们发现增强子功能主要是附加的并能够对基因表达进行微调，但在基因表达控制强度方面，增强子之间存在明显的层次结构。启动子在控制基因表达方面比大多数增强子占主导地位；然而，一小部分增强子表现出强大的功能效应或守门人功能，尽管启动子被激活，但仍可以关闭基因。将这些功能数据与组蛋白 ChIP-seq 和 TF 基序富集相结合，表明存在多种增强子介导的基因调控模式。我们的方法 CRISPRai 用于双向表观遗传编辑，提供了一种识别新遗传相互作用的方法，这些相互作用在没有双向扰动的情况下进行研究时可能会被忽视，并且可以应用于基因和非编码元件。
层次结构，分布式和大脑启发的物联网系统的学习
摘要 - 在本文中，我们提出了Edgehd，这是一种层次结构 - 意识到的学习解决方案，以高度分布，具有成本效益的方式进行在线培训和推断。我们使用受脑启发的高维（HD）计算作为关键启用器。HD计算在高维空间上执行计算任务，以模仿人类记忆的功能，例如数据间关系推理和信息聚集。EdgeHD利用高清计算有效地学习各个设备上的分类模型，并通过层次结构的IoT节点组合模型，而没有高通信成本。我们还提出了一种硬件设计，该设计可以加速低功耗FPGA平台上的EdgeHD。我们评估了各种现实分类应用程序的EdgeHD。评估表明，EdgeHD通过降低的通信提供了高度有效的计算。例如，与集中的学习方法相比，EdgeHD平均达到3.4×和11.7×（1.9×和7.8×）的加速和能量效率提高（推断）。，培训的沟通成本降低了85％，推理降低了78％。I. i ntroduction机器学习方法已被广泛用于为许多认知任务提供高质量。运行复杂的学习任务需要高计算成本来处理大量学习数据。一个常见的解决方案是将云和数据中心用作主要的中央计算单元。在物联网系统中，部署了大量嵌入式设备以从环境中收集数据并产生信息。然而，随着物联网（IoT）的出现，集中式方法面临着针对高性能计算的几个可扩展性挑战[1]，[2]，[3]，[4]，[4]，[5]，[6]。需要汇总部分数据才能执行IoT网络中的目标学习任务，例如家庭或城市规模。因此，它导致高潜伏期的高沟通成本，将所有数据点传输到集中式云。最近的研究工作研究了如何以分布式方式扩展学习任务，其中数据是从不同设备收集的。研究的主流通常被称为联邦学习[7]，[8]，[9]，[2]。例如，[10]中的研究在多个设备上训练一个中央深神经网络（DNN）模型，在这些设备中，每个设备的数据具有相同的功能集。但是，在物联网层次结构中有效学习仍然是一个悬而未决的问题。我们认识到以下技术挑战
节俭：跨闪存层次结构进行超维度计算的培训
超维度计算（HDC）是一种受脑启发的计算范式，可与高维矢量，高矢量，而不是数字一起使用。HDC用位，更简单的算术操作代替了几个复杂的学习组成，从而产生了更快，更节能的学习算法。但是，由于将数据映射到高维空间中，因此它是以增加数据的成本来处理的。虽然某些数据集可能几乎适合内存，但最终的过量向量通常无法存储在内存中，从而导致长期数据传输从存储中。在本文中，我们提出了节俭，这是一种存储计算（ISC）解决方案，该解决方案在整个闪存层次结构上执行HDC编码和训练。为了隐藏培训的延迟并启用有效的计算，我们介绍了HDC中的批处理概念。它使我们能够将HDC培训分为子组件并独立处理。我们还首次提出了HDC的芯片加速度，该加速器使用简单的低功率数字电路来实现闪光平面中的HDC编码。这使我们能够探索Flash层次结构提供的高内部并行性，并与可忽略不计的延迟开销并行编码多个数据点。节俭还实现了单个顶级FPGA加速器，该加速器进一步处理了从芯片中获得的数据。我们利用最先进的内部人ISC基础架构来扩展顶级加速器，并为节俭提供软件支持。节俭的人完全在存储中进行HDC培训，同时几乎完全隐藏了计算的延迟。我们对五个流行分类数据集的评估表明，节俭平均比CPU服务器快1612×。4×比最先进的ISC解决方案快4×，用于HDC编码和培训的内幕。