XiaoMi-AI文件搜索系统
World File Search System权重
![arXiv:2005.09755v1 [cs.AI] 2020 年 5 月 19 日](/simg/f\f6e7086c6d5a50561b424f70f08494415ca4d80b.png)
arXiv:2005.09755v1 [cs.AI] 2020 年 5 月 19 日
有限资源的有效和公平分配是经济学和计算机科学中的经典问题。在肾脏交换中，中央做市商将活体肾脏捐赠者分配给需要器官的患者。肾脏交换中的患者和捐赠者使用委员会决定的临时权重进行优先排序，然后输入分配算法，确定谁得到什么，谁得不到。在本文中，我们提供了一种端到端方法来估计肾脏交换中各个参与者资料的权重。我们首先从人类受试者那里获取他们认为可以接受的患者属性列表，以便对患者进行优先排序（例如，医疗特征、生活方式选择等）。然后，我们向受试者询问患者资料之间的比较查询，并以原则性的方式从他们的回答中估计权重。我们展示了如何在肾脏交换市场清算算法中使用这些权重。然后，我们在模拟中评估权重的影响，发现我们计算的权重的精确数值并不重要，除了它们所暗示的资料顺序之外。然而，与根本不优先考虑患者相比，存在显著的影响，即根据人类引发的价值判断，某些类别的患者被优先考虑（降低优先考虑）。
使用权重重映射提高量子变分分类器的收敛性
摘要：近年来，变分量子电路 (VQC) 在量子机器学习中的应用大幅增加。VQC 的灵感来自人工神经网络，它作为大规模参数化函数逼近器，在广泛的 AI 任务中实现了非凡的性能。VQC 已经通过利用量子计算中更强大的算法工具箱，在泛化和训练参数要求更少等方面取得了令人鼓舞的成果。VQC 的可训练参数或权重通常用作旋转门中的角度，而当前基于梯度的训练方法并未考虑到这一点。我们引入了 VQC 的权重重新映射，以将权重明确地映射到长度为 2 π 的区间，这从传统 ML 中汲取了灵感，其中数据重新缩放或规范化技术在许多情况下都表现出巨大的好处。我们使用一组五个函数，并以变分分类器为例，在 Iris 和 Wine 数据集上对它们进行评估。我们的实验表明，权重重新映射可以提高所有测试设置中的收敛性。此外，我们能够证明，与使用未修改的权重相比，权重重新映射可将 Wine 数据集的测试准确率提高 10%。
量子振幅阻尼码的线性规划界限
摘要 — 鉴于近似量子纠错 (AQEC) 码的性能可能优于完美量子纠错码，因此有必要量化其性能。虽然量子权重枚举器为量子纠错码的最小距离建立了一些最佳上限，但这些上限并不直接适用于 AQEC 码。在此，我们引入了用于振幅衰减 (AD) 误差的量子权重枚举器，并在近似量子纠错框架内工作。具体而言，我们引入了代码空间固有的辅助精确权重枚举器，而且，我们在 AD 误差的量子权重枚举器和此辅助精确权重枚举器之间建立了线性关系。这使我们能够建立一个线性程序，只有当具有相应参数的 AQEC AD 码不存在时，该程序才不可行。为了说明我们的线性程序，我们在数值上排除了能够纠正任意 AD 误差的三量子比特 AD 码的存在。
有关 V-ZUG 集团薪酬策略的信息
可衡量性（权重） 个人的技能、经验以及业绩和行为 财务目标 - 收入目标（1/3） - 利润率/息税前利润率（1/3） - 营运现金流（1/3）（权重 60 %），其中 KPI 1) )
机器学习中的神经网络：共享还是不共享......
权重共享是卷积神经网络及其成功背后的支柱之一。然而，在大脑等物理神经系统中，权重共享是不切实际的。这种差异提出了一个基本问题：权重共享是否必要。如果是，精度要达到什么程度？如果不是，有什么替代方案？本研究的目的是调查这些问题，主要通过放宽权重共享假设的模拟。从神经回路中汲取灵感，我们探索了自由卷积网络和具有可变连接模式的神经元的使用。使用自由卷积网络，我们表明，虽然权重共享是一种实用的优化方法，但它并不是计算机视觉应用中的必需品。此外，当使用正确翻译的数据（类似于视频）进行训练时，自由卷积网络的性能与标准架构中观察到的性能相匹配。在平移增强数据的假设下，自由卷积网络学习平移不变的表示，从而产生一种近似形式的权重共享。© 2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
在...使用可再生能源的可行性研究
本文讨论了可再生能源使用不同方法的优先次序和权重，以及在东阿塞拜疆省水电行业体育场馆管理中使用可再生能源的可行性。D 数理论方法已用于对不同的可再生能源方法进行优先排序。从该领域专家那里收集的信息表明，太阳能（权重 0.5345）是体育和福利场所生产电能的最佳方法。风能（权重 0.5183）和水能（权重 0.5126）位居其后。排名因素中使用的指标包括总成本、能源效率和与环境条件的兼容性。根据可行性研究结果和现有调查结果，可以看出，东阿塞拜疆省体育和福利场所使用可再生能源的总成本为 100.934 亿里亚尔。此外，投资的利息回报率为 19.43%。因此，利用太阳能作为发电来源具有技术和经济合理性。
柔性储能装置中利用离子动力学进行基于神经形态计算的自适应学习
具有自适应权重调节功能的高精度神经形态装置对于高性能计算至关重要。然而，在不改变电脉冲的情况下实现选择性和线性突触权重更新的研究有限。在此，我们提出了一种基于可调柔性MXene储能装置的高精度自适应人工突触。这些突触可以根据存储的权重值进行自适应调整，以减轻重新计算造成的时间和能量损失。该电阻可用于有效调节单个装置中离子的积累和耗散，而无需改变外部脉冲刺激或预编程，以确保选择性和线性突触权重更新。通过训练和机器学习研究了基于柔性能源装置突触的神经网络的可行性。结果表明，该装置对数值分类等各种神经网络计算任务的识别准确率约为95%。
体重观察者：重新审视 NASA-TLX 体重 - 阿尔托 | 研究
摘要 美国国家航空航天局任务负荷指数 (NASA-TLX) 是一种常用的评估心理负荷的方法。NASA-TLX 评估六个负荷维度的心理负荷。当假设维度的重要性不大致相等时，则通过对每个维度对进行成对比较来加权，然后对反映维度重要性的权重进行标准化。这种原始的 NASA-TLX 加权方法带来了一些挑战，这些挑战在分配权重时很难识别。首先，原始的 NASA-TLX 权重不允许直接将两个或多个维度表示为同等重要。其次，如果始终如一地进行成对比较，则维度的重要性顺序只有一种。第三，在始终如一地进行成对比较的情况下，最重要的维度被人为地强加了 0.33 的权重。提出了用于得出维度权重的摆动和层次分析法加权方法来解决这些挑战。从理论上介绍了在 NASA-TLX 中应用这些方法的优势，并使用虚拟空战模拟数据进行了实证证明。本文的目的是帮助学者和从业者在心理工作量评估中使用 NASA-TLX，从而避免讨论的加权问题。
稀疏人工神经网络：自适应性能 - ...
人工神经网络是强大的机器学习系统。然而，如果权重数量过多，接近于零，网络就会变得不必要地庞大和沉重。稀疏模型会删除冗余权重，旨在以最小的准确度损失减少参数数量。稀疏进化训练过程会自适应地进化人工神经网络拓扑的权重。事实证明，这种技术可以删除大量权重，并实现比非进化或密集连接的对应技术更高的准确度，尽管连接的添加和删除遵循相对简单的算法。受人类大脑突触修剪的启发，我们提出了一种稀疏进化训练算法中权重进化的高级方法。我们建议在训练阶段随着准确度的提高逐渐删除连接。我们表明，参数数量可以显著减少，而准确度几乎不会损失，额外的计算复杂性可以忽略不计。我们在基准图像和表格数据集上训练的多层感知器上展示了该算法的性能。这项研究有助于理解稀疏人工神经网络，并朝着更高效的模型迈出了一步。