XiaoMi-AI文件搜索系统
World File Search System异构
胎儿心脏异常留下心房异构主义
我们报告了一个35岁的G7 P3孕妇的病例，她们进行了异常扫描和胎儿超声心动图（ECHO），显示左室异构异构主义，下腔静脉的下腔和半肌肌延伸到左肠vena vena cava和胎儿的胎儿性心动节症。怀孕以妊娠36 +4周的妊娠剖宫产结束，以期为患者要求。新生女婴需要专家新生儿医生和心脏病医生咨询，并在新生儿重症监护室住了4天，此后，她以定期随访的利尿剂为稳定的临床状况出院，并计划在6个月中进行手术。左心房异构主义在产前检测到心脏畸形的各种范围。完整的心脏阻滞，复杂的心脏异常和胎儿水力是不良的预后特征。那些仅患有较小心脏畸形的人在产后胆管闭锁和由于肠梗阻导致的肠梗阻而处于危险中。目前的报告提出了胎儿剩下的心房异构主义的案例。专家超声师和胎儿心脏病专家在怀孕中确定了这种情况。一般而言，左室异构主义的心脏状况似乎不那么严重。因此，由于这种情况的稀有性，我们报告了此情况。左心房异构主义是一种具有挑战性的疾病，需要专家心脏病专家的意见和产前咨询。对预后迹象不佳的产前监测对于通过多学科团队方法为制定适当的计划和产后干预的适当计划至关重要。
基于社会背景信息融合异构网络的新闻立场歧视
摘要：具有党派倾向的媒体通过发布新闻文章支持自己倾向的政党来引导舆论方向，因此发现新闻文本中的政治偏见对国家选举预测和舆情管理具有重要的现实意义。一些带有偏见的新闻往往表述晦涩、文风模棱两可，而依靠新闻语义信息进行立场判别的方法绕过语言模型，准确率较低。本文提出一种基于社会背景信息融合异构网络的新闻立场判别方法，该方法从外部信息和基于新闻语义的细粒度主题拓展了创作者和话题者对新闻立场的判断能力。节点的多属性特征丰富了节点的特征表示，异构网络的联合表示可以降低立场判别对新闻语义信息的依赖。为了有效处理新新闻的立场判别问题，将多属性融合异构网络的设计扩展到归纳学习中，避免了重组带来的模型训练成本。本文基于 Allsides 数据集，扩展了作者的社会背景信息，并与基于新闻内容的政治立场判别模型进行了比较。实验中，最好的传导属性融合异构体
通过能力感知共享超网络学习灵活的异构协调
合作性异构多智能体任务要求智能体以灵活和互补的方式行事，以最大程度地利用其多样化能力。针对这一挑战的基于学习的解决方案涵盖两个端点之间的范围：i）共享参数方法，通过为每个智能体分配一个 ID，在单一架构内编码多样化行为，这种方法样本效率高，但行为多样性有限；ii）独立方法，为每个智能体学习单独的策略，以样本和参数效率为代价实现更大的多样性。先前针对异构多智能体团队学习的研究已经探索了这一范围的中间地带，即为不同类别的智能体学习共享参数或独立策略，从而在多样性和效率之间实现折衷。然而，这些方法仍然没有推理智能体能力对行为的影响，因此不能推广到未知的智能体或团队组成。受到迁移学习和元强化学习最新研究的启发，并在基于特征的任务分配的先前研究的基础上，我们提出了能力感知共享超网络 (CASH)，这是一种用于异构协调的新型软权重共享架构，它使用超网络明确推理持续代理能力和局部观察。直观地说，CASH 允许团队学习共享的决策策略（由共享编码器捕获），这些策略可以通过共享超网络根据团队的个人和集体能力轻松调整。我们在两个异构协调任务和三个标准学习范式（模仿学习、基于价值和策略梯度强化学习）中进行了详细的实验，展示了我们的设计如何与底层学习范式无关。结果表明，CASH 产生了适当多样化的行为，在训练和零样本泛化期间的任务性能和样本效率方面始终优于基线架构。值得注意的是，CASH 仅使用基线使用的 20% 到 40% 的可学习参数就实现了这些改进。我们所有的代码都可以在 https://github.com/kfu02/JaxMARL 上找到。
使用低精度异构声纳浮标传感器的纯角度测量定位水下目标
摘要：本文考虑了水下目标的定位，其中放置了许多声纳浮标来测量目标声音的方位。声纳浮标的方位精度非常低，例如 10 度。在实践中，我们可以使用多个异构声纳浮标，这样传感器噪声的方差可能与另一个传感器的方差不同。此外，一个传感器的最大感应范围可能与另一个传感器的最大感应范围不同。如果传感器检测到目标的方位，则真实目标必须存在于传感器的感应范围内。为了基于低精度的方位测量来估计目标位置，本文介绍了一种基于多个虚拟测量集 (VMS) 的新型目标定位方法。这里，每个 VMS 都是考虑到每个声纳传感器的方位测量噪声而得出的。据我们所知，本文在基于低精度的异构声纳浮标传感器定位目标的 2D 位置方面是新颖的，考虑到传感器的最大感应范围。通过使用计算机模拟将所提出的定位方法与其他最先进的定位方法进行比较，验证了所提出的定位方法的优越性（同时考虑时间效率和定位精度）。
异构可再生能源虚拟发电厂在能源市场中的最佳参与
变量 p DA t t 时间内 DAM 中交易的总功率[MW] p ID t t 时间内 IDM 中交易的总功率[MW] p ℓ,t t 时间内流经 ℓ 线路网络的功率[MW] p θ,t t 时间内 STU 的发电量[MW] p + θ,t /p − θ,t t 时间内 STU 存储的充电/放电热功率水平 θ [MW t ] p PB θ,t 输送到 STU 功率块的热功率[MW] p SF θ,t 太阳能场产生的热功率[MW] pmb,t t 时间内计划在母线 b 从 DAM 和 IDM 市场购买/出售的电力[MW] pc,t t 时间内 D-RES 的发电量[MW] pd,t t 时间内需求的电力消耗[MW] pr,t t 时间内 ND-RES 的发电量[MW] u θ,t 二进制变量，用于控制 STU PB 运行 [ 0 / 1 ] u + θ,t 二进制变量，用于控制 STU 存储充电 [ 0 / 1 ] ud,p 二进制变量，用于选择需求曲线 [ 0 / 1 ] v 1 θ,t 二进制变量，用于控制 STU PB 启动 θ [ 0 / 1 ]
使用能力感知共享超网络学习灵活的异构协调
合作的异构多智能体任务要求智能体以灵活和互补的方式行事，以最大限度地利用其多样化的能力。针对这一挑战的基于学习的解决方案涵盖两个端点之间的范围：i）共享参数方法，通过为每个智能体分配一个 ID，在单一架构内编码不同的行为，这种方法具有样本效率，但行为多样性有限；ii）独立方法，为每个智能体学习单独的策略，以样本和参数效率为代价实现更大的多样性。先前针对异构多智能体团队的学习工作已经通过学习智能体类别的共享参数或独立策略探索了这一范围的中间地带，从而允许在多样性和效率之间进行折衷。然而，这些方法仍然没有推理智能体能力对行为的影响，因此不能推广到看不见的智能体或团队组成。受到最近迁移学习和元强化学习研究的启发，并在基于特征的任务分配的先前研究的基础上，我们提出了能力感知共享超网络 (CASH)，这是一种用于异构协调的新型软权重共享架构，它使用超网络明确推理持续代理能力和局部观察。直观地说，CASH 允许团队学习共享的决策策略（由共享编码器捕获），这些策略可以通过共享超网络根据团队的个人和集体能力轻松调整。我们对两个异构协调任务和三个标准学习范式（模仿学习、基于价值和策略梯度强化学习）进行了详细的实验，展示了我们的设计如何与底层学习范式无关。结果表明，CASH 生成了适当多样化的行为，在训练和零样本泛化过程中，其任务性能和样本效率始终优于基线架构。值得注意的是，CASH 仅使用基线使用的可学习参数的 20% 到 40% 就实现了这些改进。我们所有的代码都可以在 https://github.com/kfu02/JaxMARL 上找到。
协同任务期间无人异构飞行器的制导导航和控制解决方案
4. 使用基于模型的观测器实现小型直升机的自主飞行. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 4.7. 建模改进，滤波器设计 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .......................................................................................................................................................................................106
当 BERT 遇到量子时间卷积学习，用于异构文本分类
本报告是由美国政府某个机构资助的工作报告。美国政府或其任何机构、其雇员、承包商、分包商或其雇员均不对所披露信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用结果做任何明示或暗示的保证，或承担任何法律责任或义务，或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
由您的邻居判断：大型和异构样本的大脑结构规范性概况
从本文准备中使用的数据是从德国国家队列（Nako）获得的（www.nako。de）。NAKO由联邦教育和研究部（BMBF）[项目资金参考编号：01er1301a/b/c，01er1511d，01er1er1er1801a/b/c/c/c/c/d and 01er2301a/b/c]，联邦德国和HelmHoltz联合会，该协会和Intistations and Intisitation and Interitation and Interitation and the Institation and the Interitation and Institation and Interations and Interations and Interations and Interations and Interitation and Interations。Nako研究人员在致谢中列出。b在本文制备中使用的数据是从阿尔茨海默氏病新型倡议（ADNI）数据库（adni.loni.usc.edu）获得的。ADNI于2003年作为公私合作伙伴关系成立，由主要研究员Michael W. Weiner，医学博士领导。ADNI的主要目标是测试是否可以合并串行磁共振成像（MRI），正电子发射断层扫描（PET），其他生物学标记物以及临床和神经心理评估，以衡量轻度认知障碍（MCI）和早期阿尔茨海默氏病的进展。c的数据用于准备本文的数据是从额叶洛巴尔变性神经影像学计划（FTLDNI）数据库中获得的。NIFD/FTLDNI的调查人员为FTLDNI和/或提供的数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写（除非另有列出）。FTLDNI研究人员在“确认”部分中进一步列出。AIBL研究人员贡献了数据，但没有参与本报告的分析或撰写。AIBL研究人员在www.aibl.csiro.au上列出。准备本文中使用的数据是从澳大利亚成像生物标志物和衰老的生活方式旗舰研究（AIBL）获得的，该研究由英联邦科学和工业研究组织（CSIRO）资助，该组织在ADNI数据库（www.loni.usc.usc.edu/adni）提供。
kairos：具有异构云资源的建筑成本效益的机器学习推理系统
在线推论已成为许多业务的关键服务产品，该服务部署在云平台中以满足客户需求。尽管具有收入产生能力，但这些服务仍需要在紧张的服务质量（QoS）和成本预算方面运作。本文介绍了Kairos，这是一个新颖的运行时框架，在满足QoS目标和成本预算的同时，最大化查询吞吐量。kairos设计和实施新技术，以在没有在线探索开销的情况下构建异质计算硬件池，并在运行时最佳地分发推理查询。我们使用行业级机器学习（ML）模型的评估表明，尽管有优于竞争方案的有利实现，可忽略他们的探索台面，但kairos的最佳最佳同质解决方案的吞吐量最高可超过70％。