XiaoMi-AI文件搜索系统
World File Search System收敛速度
制作和利用轨迹预测中的在线地图不确定性
高清（HD）地图在现代自动驾驶汽车（AV）堆栈的开发中发挥了不可或缺的作用，尽管具有高相关的标签和维护成本。因此，许多最近的作品提出了从传感器数据在线估算高清地图的方法，使AV可以在先前映射的重新下进行操作。但是，当前的在线地图估计方法是通过隔离其下游任务的，将其集成在AV堆栈中的开发。特别是它们不会产生不确定性或置信度估计。在这项工作中，我们将多个最先进的在线地图示出方法扩展到估算不确定性的额外，并显示如何与轨迹预测1允许更紧密地集成在线地图1。在这样做时，我们发现纳入不确定性的训练收敛速度最高高出50％，并且在现实世界中驾驶数据集中的预测性能高达15％。
基于SVM的EEG信号分类，改进...
摘要：脑电图（EEG）是一个复杂的生物选择信号。分析可以为搜索者提供有用的生理信息。为了识别和分类EEG信号，提出了一种使用改进的松鼠搜索算法（ISSA）来优化支持向量机（SVM）的模式识别方法。预处理EEG信号，其时域特征将被提取并针对SVM作为分类和识别的特征向量。在本文中，良好点集的方法用于初始化人口位置，混乱和反向学习机制被引入算法中。使用基准功能进行了改进的松鼠算法（ISSA）的性能测试。从结果的统计分析可以看出，算法的勘探能力和收敛速度可以提高。然后将其用于优化SVM参数。ISSA-SVM模型是为EEG信号的分类而建立的。对于数据集，该方法的平均分类为85.9％。此结果比比较方法提高了2-5％。
BGP 协议
与大多数内部网关协议 (IGP) 不同，BGP 仅在会话开始时发送一次完整的路由更新，之后仅发送增量更改。BGP 仅重新计算与这些更新相关的路由信息；它没有像 OSPF 或 IS-IS 中的 SPF 计算那样必须更新所有路由信息的进程。虽然 IGP 的收敛速度可能更快，但 IGP 无法扩展以支持域间路由所需的路由数量。IGP 还缺少 BGP 所携带的路径属性，而这些属性对于选择最佳路由和构建路由策略至关重要。由于路径属性本身就支持路由策略，BGP 是唯一可以在不同自治系统之间使用的协议。这些策略意味着路由信息在用于制定转发决策之前可以被接受、拒绝或更改。这种能力使网络运营商能够高度防范不良路由信息，并根据自身特定需求控制路由信息。
基于模拟作战指挥与FRV-DDPG算法的空战自主机动决策
摘要：随着近年来无人机性能和智能化的提升，提高自主空战能力对无人机尤为重要。针对如何提高无人机自主空战机动决策能力，使其接近人工操控的问题，提出一种基于模拟操作指令与最终奖励值深度确定性策略梯度（FRV-DDPG）算法相结合的自主空战机动决策方法。首先，基于空战过程、无人机运动、导弹运动，建立六自由度（6-DOF）模型。其次设计了一种基于粒子群优化径向基函数（PSO-RBF）的预测方法来模拟敌机的作战指令，使得训练过程更加真实；然后提出一种改进的DDPG策略，将最终的奖励值按一定比例的时间返回到上一次的奖励值进行离线训练，可以提高算法的收敛速度。最后通过搭建仿真环境验证了算法的有效性。仿真结果表明，该算法可以提高无人机自主空战机动决策能力。
使用水母优化算法基于机器学习的心脏病预测
摘要：心脏病是世界上最著名和致命的疾病之一，许多人每年都会因这种疾病而失去生命。早期发现这种疾病对于挽救人们的生命至关重要。机器学习（ML）是一种人工智能技术，是检测疾病的最方便，最快，最低成本的方法之一。在这项研究中，我们旨在获得一个ML模型，该模型可以使用Cleveland心脏病数据集预测具有最高表现的心脏病。 用于训练模型的数据集中的功能和ML算法的选择对模型的性能有重大影响。 由于克利夫兰数据集中大量功能，避免过度插入（由于维度的诅咒），使用果冻填充优化算法将数据集降低到较低的维度子空间。 果冻量算法具有高收敛速度，并且可以找到最佳功能。 通过训练带有不同ML算法的特征选择的数据集获得的模型进行了测试，并比较了其性能。 获得了在数据集上使用果冻鱼算法训练的SVM分类器模型，具有敏感性，特异性，准确性和曲线，曲线下的98.56％，98.37％，98.47％和94.48％的曲线。 结果表明，果冻纤维优化算法和SVM Classifier的组合具有最高的性能用于心脏病预测。在这项研究中，我们旨在获得一个ML模型，该模型可以使用Cleveland心脏病数据集预测具有最高表现的心脏病。用于训练模型的数据集中的功能和ML算法的选择对模型的性能有重大影响。由于克利夫兰数据集中大量功能，避免过度插入（由于维度的诅咒），使用果冻填充优化算法将数据集降低到较低的维度子空间。果冻量算法具有高收敛速度，并且可以找到最佳功能。通过训练带有不同ML算法的特征选择的数据集获得的模型进行了测试，并比较了其性能。获得了在数据集上使用果冻鱼算法训练的SVM分类器模型，具有敏感性，特异性，准确性和曲线，曲线下的98.56％，98.37％，98.47％和94.48％的曲线。结果表明，果冻纤维优化算法和SVM Classifier的组合具有最高的性能用于心脏病预测。
基于条件风险价值的投资组合优化改进量子近似优化算法
本文提出了一种基于条件风险价值的改进量子近似优化算法变体，用于解决投资组合优化问题。投资组合优化是一个 NP 难组合问题，旨在选择一组最优资产及其数量，以平衡风险和预期收益。所提出的方法使用 QAOA 来寻找最大化收益同时最小化风险的最佳资产组合，重点关注损失分布的尾端。引入了一种增强的 QAOA 假设，可在优化质量和电路深度之间取得平衡，从而加快收敛速度并提高获得最优解的概率。实验使用纳斯达克的历史股票数据进行，优化股票数量不同的投资组合。对于 16 只股票，我们的方法仅用 35 次迭代就实现了最佳成本值，而标准 QAOA 需要 700 次迭代。我们的方法优于其他方法，尤其是在问题规模增加时。
具有隐私保护的分层模糊神经网络...
摘要 — 异构大数据给机器学习带来了许多挑战。其巨大的规模、高维性和固有的不确定性使机器学习的几乎每个方面都变得困难，从提供足够的处理能力到保持模型准确性再到保护隐私。然而，也许最棘手的问题是大数据中经常夹杂着敏感的个人数据。因此，我们提出了一种隐私保护分层模糊神经网络 (PP-HFNN)，以解决这些技术挑战，同时缓解隐私问题。该网络采用两阶段优化算法进行训练，并使用基于众所周知的交替方向乘数法的方案来学习层次结构低层的参数，该方法不会向其他代理透露本地数据。层次结构高层的协调由交替优化方法处理，该方法收敛速度非常快。整个训练过程可扩展、快速，并且不会像基于反向传播的方法那样遭受梯度消失问题。在回归和分类任务上进行的综合模拟证明了所提模型的有效性。我们的代码可在线获取 1 。
特征模仿网络增强了深度学习在生物医学图像处理任务中的性能、可靠性和速度
摘要 —特征模仿网络 (FIN) 是一种神经网络，首先训练它们近似于闭式统计特征（例如熵），然后嵌入到其他网络中以增强其性能。在这项工作中，我们首次对 FIN 在生物医学图像处理任务中的应用进行评估。我们首先训练一组 FIN 来模仿六种常见的放射组学特征，然后比较较大网络（嵌入和不嵌入 FIN）在三个实验任务中的表现：从 CT 扫描中检测 COVID-19、从 MRI 扫描中分类脑肿瘤以及从 MRI 扫描中分割脑肿瘤。我们发现，与没有 FIN 的基线网络相比，嵌入 FIN 的模型在这三个任务中都提供了增强的性能，即使这些基线网络具有更多参数。此外，我们发现，与具有相似或更大表示能力的基线网络相比，嵌入 FIN 的模型收敛速度更快、更一致。我们的实验结果证明，FIN 可以为各种其他生物医学图像处理任务提供最先进的性能。
公告项目和研讨会
技术进步，尤其是计算能力的持续增加以及高性能硬件的发展导致机器学习（ML）和增强学习（RL）的意义越来越大。人工智能（AI）的快速进步正在为各个领域的创新应用开放新的可能性 - 从机器人技术和自主控制到复杂过程的优化。该项目的目标是研究强化学习控制不稳定系统的潜力。将开发和训练一种无模型的RL算法，以有效地稳定系统。除了配置神经网络外，还将考虑各种RL算法和代理类型来确定最佳控制策略。将进行模拟和现实世界实验，以验证这些方法的实际适用性。该项目的一个关键方面是将基于RL的控制方法与经典控制理论的既定技术进行比较，例如线性二次调节器（LQR）和模型预测控制（MPC）。最终评估将基于相关的关键绩效指标（KPI），包括通过模拟和实验进行机电一体化实验室中的真实测试设置进行评估，包括收敛速度，控制质量，稳定性和概括能力。
MDP，政策迭代，Q学习和SARSA -Elijah Adams
这项研究研究了在两个不同的马尔可夫决策过程（MDP）环境中应用了四个强化学习（RL）算法的算法（RL）算法的表现：交通交叉点问题和仓库机器人问题。在交通交叉点问题中，发现策略的收敛速度快于价值迭代，而Q学习的速度比SARSA更快。在仓库机器人问题中，Q学习和SARSA都成功地学习了导航策略，而Q学习更具对环境变化的支持。研究表明，RL算法对重要的MDP参数（例如折现因子，过渡概率和奖励功能）高度敏感，这意味着需要仔细调整这些参数。此外，该研究还探讨了计划者与代理商之间的权衡，从而在融合，稳定性和效率方面进行了权衡。使用Python和各种库进行实施，这些发现提供了有关如何在动荡的环境中应用RL技术的见解，并建议将来改善算法设计和实现的方法。