XiaoMi-AI文件搜索系统
World File Search System性能差异
aditya kusupati研究声明
现代的智能系统正在变得越来越单体，由巨大的基础模型提供支持，该模型受到数万亿个网络数据的训练。为了使AI系统民主化，必须确保它们不仅限于在多加速器群集上运行，而且还可以无缝地使用手机等商品设备。此外，基础模型在训练数据中经常遇到的头部任务与不常见的尾巴任务之间表现出性能差异，因此必须通过有效检索相关的上下文数据来适应其适应。此外，与人类学习原则相呼应，并非所有任务都具有挑战性或需要全部庞大的网络数据。我的研究方法中心将这些概念转化为现实世界实施的实用解决方案，以确保可以可靠，负责任地缩放这些智能系统，以公平地为所有用户服务。
人工智能公平报告的法律框架
摘要。需要清楚了解人工智能 (AI) 使用风险及其应对方法，这需要适当和充分的企业披露。我们提出了一个人工智能公平性报告的法律框架，公司可以而且应该在遵守或解释的基础上遵守该框架。我们分析了由人工智能模型的不同方面和机器学习系统性能差异引起的不公平现象的来源。我们评估了机器学习文献如何通过使用不同的公平性指标来解决不公平问题。然后，我们提出了一个细致入微且可行的人工智能公平性报告框架，包括：(1) 披露所有机器学习模型的使用情况；(2) 披露所使用的公平性指标及其随后的权衡；(3) 披露所使用的去偏见方法；(d) 发布数据集供公众检查或第三方审计。然后，我们将这个报告框架应用于两个案例研究。
使用目光注视训练自适应肌电接口
肌电接口在消费者和健康应用中前景广阔，但目前它们受到不同用户之间性能差异和任务间通用性差的限制。为了解决这些限制，我们考虑在操作过程中不断适应的接口。尽管当前的自适应接口可以减少受试者之间的差异，但它们在任务之间的通用性仍然很差，因为它们在训练期间使用了特定于任务的数据。为了解决这一限制，我们提出了一种新范式，使用自然眼球注视作为训练数据来调整肌电接口。我们招募了 11 名受试者，使用从前臂肌肉测量的高密度表面 EMG 信号在 2D 计算机光标控制任务上测试我们提出的方法。我们发现我们的凝视训练范式和当前的任务相关方法之间的任务性能相当。这一结果证明了
卷积神经网络中赫布学习与反向传播在图像分类中的比较
摘要 — 目前常用的图像识别卷积神经网络与人脑有一些相似之处。然而，它们之间存在许多差异，而且成熟的反向传播学习算法在生物学上并不合理。Hebbian 学习是一种可以最小化这些差异并可能为图像识别网络提供类似大脑的有利特征的算法。在这里，我们探讨了 Hebbian 学习和反向传播之间的差异，包括准确性和隐藏层数据表示。总体而言，Hebbian 网络的表现比传统的反向传播训练网络差得多。使用不完整的训练数据和失真的测试数据的实验导致性能差异较小但仍然可见。然而，事实证明，Hebbian 网络的卷积滤波器结构比反向传播更简单、更易于解释。我们假设，改进 Hebbian 网络的扩展能力可以使它们成为具有更像大脑行为的图像分类网络的强大替代方案。
探索丰富环境中的多模式 BCI 策略
摘要 — 脑机接口依赖于看似简单但实际执行起来却很复杂的认知任务。在这种情况下，提供引人入胜的反馈和主体的体现是整个系统性能的关键之一。然而，事实证明，单靠非侵入性大脑活动通常不足以精确控制机械臂等复杂外部设备的所有自由度。在这里，我们开发了一种混合 BCI，它还集成了眼动追踪技术，以提高主体的整体代理感。虽然之前已经探索过这种解决方案，但如何结合凝视和大脑活动以获得有效结果的最佳策略研究甚少。为了解决这一差距，我们探索了两种不同的策略，其中执行运动想象的时间会发生变化；一种策略可能比另一种策略更不直观，这会导致性能差异。
增强数字阴影的稳健性，用于使用增强岩石物理建模的二氧化碳存储监控
摘要。引入了一种用于建模肿瘤生长的新计算工具肿瘤生长。该工具允许比较标准教科书模型，例如一般的Bertalan效和Gom-Pertz，以及一些较新的模型，包括第一次是神经ODE模型。作为一种应用，我们在接受两种不同治疗方案的患者中重新审视非小细胞肺癌和膀胱癌病变的人类元研究，以确定先前报道的性能差异在统计学上是否显着，并且是否更新，更复杂的模型更为复杂。在至少四个时间体积测量的示例中，可以进行校准，平均约为6.3，我们的主要结论是，普通的bertalan杀性模型平均具有较高的性能。但是，如果有更多测量值可用，我们认为能够捕获反弹和复发行为的更复杂的模型可能是更好的选择。
稳定扩散启用水下深度估计
单眼深度估计在近年来，由于深度学习的进步，近年来在陆地图像上取得了重大进展。，但主要是由于数据稀缺性而导致的水下场景不足。鉴于水中的光衰减和背面的固有挑战，获得清晰的水下图像或精确的深度非常困难且昂贵。为了减轻此问题，基于学习的方法通常依赖于综合数据或转向自欺欺人或无监督的举止。尽管如此，它们的性能通常受到域间隙和宽松的约束而阻碍。在本文中，我们提出了一种新的管道，用于使用准确陆地深度生成感性的水下图像。这种方法有助于对水下深度估计的模型进行超级培训，从而有效地降低了限制和水下环境之间的性能差异。与以前的合成数据集相反，这些数据集仅将样式转移应用于没有场景内容的情况下的Terres试验图像，我们的方法通过通过创新的STA-
神经处理单元每秒执行的 TERA 操作数 (TOPS)
在人工智能和机器学习时代，对高效、强大的硬件加速器的需求对于嵌入式系统和边缘设备的实时处理和低功耗至关重要。神经处理单元 (NPU) 旨在处理深度学习任务的高计算需求，其基准是其每秒执行大量操作的能力。评估 NPU 性能的主要指标是每秒万亿次操作 (TOPS)，这是一种计算吞吐量度量，代表每秒万亿次操作。本文探讨了 TOPS 作为关键性能指标的作用，研究了它如何影响从自动驾驶汽车到移动设备等各个领域的 NPU 设计、优化和应用。此外，我们讨论了仅依赖 TOPS 的局限性，包括由于功率效率、内存带宽和特定于模型的要求不同而导致的性能差异。通过分析案例研究并将 TOPS 与其他指标进行比较，本研究旨在全面了解 TOPS 如何影响 NPU 开发以及对推进 AI 驱动技术的更广泛影响。
基准的机器学习方法用于癌症的合成致死性预测
合成致死性（SL）是一种遗传相互作用，当两个基因中的缺陷导致细胞死亡时发生，而单个基因中的缺陷则不会。靶向在癌症中突变的基因的SL伴侣可以选择性地杀死肿瘤细胞。用于SL筛查的传统湿lab实验是资源密集的。因此，已经开发了许多计算方法来虚拟筛选SL基因对。这项研究基准了用于SL预测的最新机器学习方法，包括三个矩阵分解和八个深度学习模型。我们使用各种数据拆分方案，负样本比例以及分类和排名任务的负抽样方法来仔细检查模型性能，以评估模型的通用性和鲁棒性。我们的基准分析了模型之间的性能差异，并强调了数据和现实情况的重要性。最后，我们建议将来以预测能力和解释性来改善SL发现的机器学习方法的未来方向。
量子启发式求解器的基准......
最近，受量子退火的启发，许多专门用于无约束二元二次规划问题的求解器已经开发出来。为了进一步改进和应用这些求解器，明确它们对不同类型问题的性能差异非常重要。在本研究中，对四种二次无约束二元优化问题求解器的性能进行了基准测试，即 D-Wave 混合求解器服务 (HSS)、东芝模拟分叉机 (SBM)、富士通数字退火器 (DA) 和个人计算机上的模拟退火。用于基准测试的问题是 MQLib 中的真实问题实例、随机不全相等 3-SAT (NAE 3-SAT) 的 SAT-UNSAT 相变点实例以及 Ising 自旋玻璃 Sherrington-Kirkpatrick (SK) 模型。对于 MQLib 实例，HSS 性能排名第一；对于 NAE 3-SAT，DA 性能排名第一；对于 SK 模型，SBM 性能排名第一。这些结果可能有助于理解这些求解器的优点和缺点。