XiaoMi-AI文件搜索系统
World File Search System权衡空间
DARPA 的可解释人工智能 (XAI) 项目：回顾
XAI 计划假设机器学习性能（例如预测准确性）和可解释性之间存在内在矛盾，这一担忧与当时的研究结果一致。通常，性能最高的方法（例如深度学习）是最难解释的，而最易解释的方法（例如决策树）是最不准确的。该计划希望创建一个新的机器学习和解释技术组合，为未来的从业者提供更广泛的设计选项，涵盖性能-可解释性权衡空间。如果应用程序需要更高的性能，XAI 产品组合将包括更多可解释、高性能、深度学习技术。如果应用程序需要更高的可解释性，XAI 将包括性能更高、可解释的模型。
无人辐射检测 - eScholarship
本研究旨在利用辐射探测器、无人系统和情境传感器的最新进展，证明远程感应核和放射性威胁材料的可行性。其广泛目的是将探测器从人类手中转移到半自主系统上，以用于广泛的用途。搜索特殊核材料是一个特定的任务领域，小型无人机系统上使用的辐射探测器可以通过利用远程访问带来的优势提供巨大的操作价值：缩短收集时间、缩短源到探测器的距离并减少无意屏蔽。本研究的目标有五个：(1) 评估当前的定向搜索能力并证实无人方法将带来的改进，(2) 扩大对背景辐射环境的了解，包括建筑物屋顶，(3) 根据对当前传感器和平台能力的分析，确定系统要求并绘制权衡参数空间（即权衡空间），(4) 研究和优化搜索方法，以及 (5) 确定和描述其他任务领域以供进一步调查。为了实现这五个目标，我们首先确定了三种不同搜索模式的信号收集时间、源到探测器距离（即间隔）和中间材料衰减的边界条件：车载间隔检测
低功耗边缘设备的计算机视觉案例研究
物联网 (IoT) 是近年来不断发展的领域。随着部署的 IoT 设备数量不断增加，人们对在这些设备上加入机器学习的兴趣也与日俱增。低功耗微控制器提供了一个低成本的计算平台来部署智能 IoT 应用，但片上内存和计算能力极其有限。在这些应用中使用机器学习凸显了本地计算与将数据发送到云端等计算能力更强大的资源之间的权衡。本文通过人物分类和人物检测的计算机视觉任务探讨了这种权衡空间；人物分类涉及确定图像中是否存在人，而人物检测涉及为图像中的所有人提供边界框信息。本文使用现有模型执行这些任务，并根据延迟、能耗、内存和准确性等指标评估在本地运行模型和将数据发送到云端之间的权衡。所选模型在 nRF52840 SoC 上运行，这是一种低功耗 MCU 系统，支持 Thread 和 802.15.4 协议。我们的研究结果证实，在考虑能耗、内存、准确度和延迟的情况下，低能耗受限嵌入式系统中的本地计算对于人员分类是有意义的；但是，由于基本内存限制，这些平台与人员检测等更复杂的任务不兼容。
基于跨参与者脑电图的认知评估... - MDPI
摘要：将深度学习方法应用于脑电图 (EEG) 数据以进行认知状态评估，与以前的建模方法相比取得了进步。然而，使用这些技术进行跨参与者认知工作量建模的研究代表性不足。我们研究非刺激锁定任务环境中的跨参与者状态估计问题，其中使用训练模型对训练集中未出现的新参与者进行工作量估计。使用来自多属性任务电池 (MATB) 环境中的实验数据，在计算效率、模型准确性、方差和时间特异性的权衡空间中评估了各种深度神经网络模型，得出三个重要贡献：(1) 在大多数序列长度下，单独训练的模型集合的性能在统计上与组训练方法没有区别。与组训练方法相比，这些集成训练所需的计算成本仅为其一小部分，并且能够更简单地更新模型。(2) 虽然增加时间序列长度可以提高平均准确度，但不足以克服个体脑电图数据之间的分布差异，因为它会导致跨参与者方差在统计上显着增加。(3) 与所有其他评估的网络相比，使用多路径子网络和双向残差循环层的新型卷积循环模型导致预测准确度在统计上显着增加，并降低跨参与者方差。
引文：Luu, Michael 和 Daniel E. Hastings。“对大量低地球轨道卫星星座在轨服务的评估。”加速太空合作
在轨服务 (OOS) 为航天器 (s/c) 的加油、检查、维修、维护和升级提供了新的机会。随着技术的成熟和经济前景的改善，OOS 是未来航天增长的一个重要领域。这种拥堵促使航天器运营商探索如何利用 OOS。地球静止轨道 (GEO) 航天器的 OOS 任务目前正在进行中。这是由于为长寿命整体式化学推进 GEO 资产加油的商业案例已经结束。然而，除了技术演示外，目前还没有针对低地球轨道 (LEO) 航天器的 OOS 计划，因为它们的设计寿命较短且成本较低。随着行业将重点转向 LEO，为 LEO 航天器提供服务将变得尤为重要。为 LEO 星座设计 OOS 系统与基于 GEO 的系统不同，这种差异归因于 LEO 卫星的扩散、环境影响（J2 节点进动、阻力）和不同的星座模式。由于访问增加、分布式风险、灵活性和成本增加，LEO 中的卫星星座正变得更加分散。s/c 的 OOS 可以减少对子系统的要求，例如安全性和冗余需求。这些要求的减少将降低风险、降低成本并提高系统弹性。本文分析了扩散的 LEO 星座中 OOS 的好处。对几种 OOS 系统架构进行了建模；在每个系统架构中，模型将改变服务商数量、高度和轨道机动等质量。该模型的目标是优化成本、时间和效用，以生成 OOS 系统架构的权衡空间。