XiaoMi-AI文件搜索系统
World File Search System数据建模
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
BrainGB：使用图神经网络进行脑网络分析的基准
摘要 — 使用结构或功能连接来映射人脑的连接组已成为神经成像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经成像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的实证证据，并为这一新颖且有前景的方向的未来研究提供见解。
![arxiv：2501.02842v1 [cs.ir] 2025年1月6日](/simg/g:\will\search\icon\source\e\e9de6f9564f764d80cd174ba9ea51b916d8d1bde.webp)
arxiv：2501.02842v1 [cs.ir] 2025年1月6日
本章讨论了现代生成AI模型对信息访问（IA）系统的基本影响。与传统的AI相比，生成AI模型的大规模培训和出色的数据建模使它们能够产生高质量的类似人类的响应，这为IA范式的发展带来了全新的机会。在本章中，我们详细介绍并介绍了其中两个，即信息生成和信息综合。信息生成允许AI创建量身定制的内容，直接满足用户需求，从而通过立即，相关的输出来增强用户体验。信息综合利用生成AI集成和重组存在信息的能力，提供扎根的响应并减轻模型幻觉等问题，这在需要精确和外部知识的场景中特别有价值。本章深入研究了生成模型的基本方面，包括体系结构，缩放和培训，并在多模式场景中讨论了它们的应用。此外，它研究了用于检索增强的生成范式和其他用于语料库建模和理解的方法，并证明了生成AI如何增强信息访问系统。它还总结了未来研究的潜在挑战和富有成果的方向。
将数据库转变为生成式人工智能机器
数据是现代企业的差异化因素，而 Snowflake、BigQuery、Synapse、RedShift 和 Databricks 等新时代数据库则提供高度复杂的按需数据处理。然而，将这些数据库中的数据转化为洞察需要使用大量数据建模、管道、仪表板等工具，这是一项复杂、手动且繁琐的工作，需要大量时间和专业知识。随着 ELT 架构越来越流行，情况变得更加糟糕，因为数据加载速度很快，而转换则留给数据分析师或分析工程师以后再做。因此，最终用户需要等待数周甚至数月才能获得洞察，做出数据驱动的决策，随着专家和最终用户之间的差距不断扩大，这种情况是不可持续的。正如云使数据基础设施民主化一样，现在是时候使数据智能民主化了。生成式人工智能在自动化繁琐的手动任务方面显示出很大的潜力，例如编写副本和代码或构建图像和视频。对于数据分析，很多重点都集中在从自然语言生成 SQL 查询，即文本到 SQL [ 16 ]。然而，这只是触及了理解用户问题的表面，而不是底层数据。更重要的是，它很容易出错，准确率在 50-85% 之间，而且越来越难以发现
摘要 - 生成扩散模型（GDMS），在对各种域的复杂数据分布进行建模方面取得了显着的进步。同时，D
摘要 - 生成扩散模型（GDMS），在对各种域的复杂数据分布进行建模方面取得了显着的进步。与此同时，深度加固学习（DRL）在优化Wi-Fi网络性能方面已显示出重大改进。Wi-Fi优化问题对于数学上的模型来说是高度挑战性的，DRL方法可以绕过复杂的数学建模，而GDMS在处理复杂的数据建模方面表现出色。因此，将DRL与GDM相结合可以相互增强其功能。Wi-Fi网络中当前的MAC层访问机制是分布式协调函数（DCF），它在大量端子中大大降低了性能。在这项研究中，我们提出了深层扩散确定性策略梯度（D3PG）算法，该算法将扩散模型与深层确定性策略梯度（DDPG）框架集成在一起，以优化Wi-Fi网络性能。据我们所知，这是在Wi-Fi性能优化中应用这种集成的第一项工作。我们提出了一种基于D3PG算法的共同调整争议窗口和聚合框架长度的访问机制。通过模拟，我们证明了这种机制在密集的Wi-Fi方案中显着优于现有的Wi-Fi标准，即使用户数量急剧增加，也保持了性能。
原生及跨领域AI研究报告
本文档广泛介绍了将原生和跨域 AI 纳入下一代网络时需要考虑的功能方面。首先简要概述了 AI 在全球标准组织（包括 3GPP、O-RAN 和 ETSI-ZSM）中的现状。报告在无线网络环境中对原生和跨域 AI 这两个术语进行了简明的定义，然后讨论了 AI 对架构的影响。讨论了跨多层提取大量不同数据的挑战，以及相应的数据建模、格式化和表示要求。统一的数据提取模型正在成为一项关键要求。强调了分布式和边缘智能对于解决无线网络中复杂的多层问题的重要性，以及这种分布式架构中的可信度概念。讨论了大规模分布式智能的推动因素，包括 HPC 平台和附带的软件平台（包括开源）。描述了意图驱动管理的新兴范式及其与 AI/ML 的相互作用。讨论了在分解式 RAN 之间以及 RAN 和 CN 之间进行协作 AI 的必要性。本研究报告是 O-RAN nGRG 首次尝试调查 AI/ML 在下一代网络中的应用情况，并在此基础上为对每个突出显示的领域进行进一步探索奠定了基础。
文章利用人工智能对基于智能手机的电化学发光传感器数据进行数据驱动建模
摘要：了解从基于智能手机的电化学发光 (ECL) 传感器提取的多模态数据之间的关系对于开发低成本的即时诊断设备至关重要。在这项工作中，使用随机森林 (RF) 和前馈神经网络 (FNN) 等人工智能 (AI) 算法定量研究 Ru(bpy) 3 2+ 发光体浓度与其实验测量的 ECL 和电化学数据之间的关系。使用一次性丝网印刷碳电极开发了一种带有 Ru(bpy) 3 2+ /TPrA 的基于智能手机的 ECL 传感器。在施加 1.2 V 电压后，同时获得 ECL 图像和电流图。通过 RF 和 FNN 算法分析这些多模态数据，从而可以使用多个关键特征预测 Ru(bpy) 3 2+ 浓度。在 0.02 µM 至 2.5 µM 的检测范围内，实际值和预测值之间实现了高相关性（RF 和 FNN 分别为 0.99 和 0.96）。使用 RF 和 FNN 的 AI 方法能够使用易于观察的关键特征直接推断 Ru(bpy) 3 2+ 的浓度。结果表明，数据驱动的 AI 算法在分析多模态 ECL 传感器数据方面非常有效。因此，这些 AI 算法可以成为建模库的重要组成部分，并成功应用于 ECL 传感器数据建模。
BrainGB：使用图神经网络进行脑网络分析的基准（扩展摘要）*
摘要 — 使用结构或功能连接映射人脑的连接组已成为神经影像分析最普遍的范例之一。最近，受几何深度学习启发的图神经网络 (GNN) 因其对复杂网络数据建模的强大功能而引起了广泛关注。尽管它们在许多领域都表现出色，但尚未系统地研究如何设计有效的 GNN 进行脑网络分析。为了弥补这一差距，我们提出了 BrainGB，这是使用 GNN 进行脑网络分析的基准。BrainGB 通过 (1) 总结功能和结构神经影像模式的脑网络构建流程和 (2) 模块化 GNN 设计的实现来标准化该过程。我们对跨队列和模态的数据集进行了广泛的实验，并推荐了一套在脑网络上有效 GNN 设计的通用方法。为了支持基于 GNN 的脑网络分析的开放和可重复研究，我们在 https://braingb.us 上托管了 BrainGB 网站，其中包含模型、教程、示例以及开箱即用的 Python 包。我们希望这项工作能够提供有用的经验证据，并为未来在这个新颖且有前途的方向的研究提供见解。索引术语 — 脑网络分析、GNN、神经成像的几何深度学习、数据集、基准
神经音频编解码中的学习来源分离
摘要 - 神经音频编解码器通过有效将连续音频信号转换为离散令牌，具有显着高级的音频组合。这些编解码器可以通过对这些令牌进行训练的生成模型来保留高质量的声音，并使复杂的声音生成。但是，现有的神经编解码器模型通常在大型，未分化的音频数据集上进行训练，从而忽略了语音，音乐和环境声音效果等声音域之间的基本差异。这种监督使数据建模复杂化，并为声音发电的可控性带来了其他挑战。为了解决这些问题，我们介绍了源 - 触发性神经音频编解码器（SD-CODEC），这是一种结合音频编码和源分离的新型方法。通过共同学习音频重新合成和分离，SD-Codec明确地将来自不同域的音频信号分配给不同的代码书，以及一组离散表示。实验结果表明，SD-Codec不仅保持竞争性的重新合成质量，而且还得到了分离结果的支持，还证明了潜在空间中不同来源的成功分离，从而增强了音频编解码器中的可解释性，并提供了对音频产生过程的潜在控制。索引术语 - 神经音频编解码器，源分离，表示学习，量化。
扩大地理信息系统在可再生能源领域的价值
本章概述了在可再生能源背景下提高地理信息系统 (GIS) 价值的研究重点。本文阐明了地理信息系统 (GIS) 作为可持续能源规划的有力工具的重要性。此外，它还强调了当前在将 GIS 与可再生能源应用无缝集成方面的研究不足。随后的章节对相关学术著作进行了彻底的审查，深入探讨了地理信息系统 (GIS) 技术的发展及其在可再生能源行业的应用。本文研究了在可再生能源项目中使用地理信息系统 (GIS) 的一系列研究工作。第三章全面概述了所提出的方法，该方法包括将空间分析、数据建模、经济评估、实时数据集成和利益相关者参与整合到地理信息系统 (GIS) 框架中，以实现可再生能源应用。第五章介绍了将基于 GIS 的方法应用于可再生能源的成果。它讨论了从空间建模、经济可行性评估和实时数据集成中获得的结果。最后一章总结了可再生能源领域对 GIS 的贡献，从而结束了这项研究。它强调了研究差距的弥合和 GIS 工具的实用价值。本章还提出了未来研究的潜在领域，强调了 GIS 技术的不断发展及其促进可持续能源转型的潜力。关键词：可用性；设计和施工；环境；地理信息系统 (GIS)；日益；维护