XiaoMi-AI文件搜索系统
World File Search System模型表示
几何形状的数据表示
在许多应用中，尤其是在生物医学和气候研究中，可访问数据的数量和多样性已经达到了前所未有的水平，提供了一个独特的机会，可以深入了解这些复杂系统。但是，这种数据激增带来了重大挑战。的确，现代数据科学的特征越来越多地是对高维多模式数据集进行的研究，在这些数据集中，每个数据样本的几个特征可能无关紧要（例如，由于腐败或其他特征组合的线性相关性而导致的），或者是在分辨率和收购策略中的多样性策略来构建策略的多样性。例如，最近，艾伦·图灵研究所（Alan Turing Institute）举办了一系列的研讨会，分析了丢失数据的性质，并指出它可以归因于各种现象，包括多模式链接，批处理失败或人口异质性[8]。为了表征和解决现代数据集的挑战，已经开发了各种数据表示，包括低维投影，矩阵分解和图表表示。尤其是，图形嵌入被证明是一个非常强大的工具，可以编码拓扑网络信息，并提供有关基础数据几何形状的见解。由于图可以被视为平滑歧管的离散（零维）对应物，因此可以将图形嵌入被视为降低歧管维度降低的特殊情况，也称为歧管学习。图形嵌入在首先通过学习/构造足够的图表表示，然后将其投影到较低维度的几何空间，通常是歧管，例如欧几里得空间（R n）或超纤维空间。在过去20年中，流形学习取得了重大进步，导致了能够嵌入复杂几何形状和非线性关系的广泛有效方法的发展，尤其是ISOMAP [12]，T-SNE [13]和UMAP [7]。最近，出现了新的流形学习策略，该策略并不依赖于数据位于submanifold上的假设，即所谓的“流动假设”，而是通过做出嵌入流层的前提选择来明确地将学习/归纳偏见编纂。这些最新的嵌入旨在匹配成对距离，并且在嵌入式上呈弯曲的曲率与节点的曲率信息匹配。以这种方式，所得的下二歧管嵌入能够总结嵌入式节点的配置以及图结构属性。值得注意的是，它们在多样化的研究领域中得到了相当成功的运用[9、5、14、10、3、4]，因为它们使我们能够利用图理论，拓扑数据分析和差异几何形状中的工具来促进各种任务的完成，包括链接预测，网络重构，网络重构和node Clustering [2]。
videojam：在视频模型中增强运动产生的联合外观运动表示
尽管最近取得了巨大进展，但生成的视频模型仍然很难捕获现实世界的运动，动态和物理。我们表明，这种限制是由常规的像素重建物镜产生的，该物镜以牺牲运动相干性为代价的模型出现忠诚度。为了解决这个问题，我们介绍了视频果酱，这是一个新颖的框架，它通过鼓励模型学习联合外观运动表示，在视频发电机之前灌输有效的动作。Videojam由两个互补单元组成。在培训期间，我们扩展了目标，以预测产生的像素及其相应的运动。在推断期间，我们介绍了内部指导，该机制通过将模型自身不断发展的运动依靠作为动态引导信号来引导生成迈向连贯运动。值得注意的是，我们的
将生成模型整合到认知体系结构中，以改善计算社会文化表示
摘要认知架构和生成模型的整合对两个系统内的社会文化表示意味着什么？除了集成之外，我们认为这个问题对于理解这两种类型的计算系统之间的整合的潜在更广泛影响至关重要。生成模型尽管对世界和各种环境的不完善，但仍可以作为一般世界知识有用，并仔细地确定了其中提供的社会文化代表，包括代表的社会文化系统，或者，正如我们外面的人类类型一样。因此，这种整合提供了开发从生理/生物时间尺度到社会时间范围代表的认知模型的机会，并且更准确地代表了正在进行的社会文化系统和结构对行为的影响。此外，集成这些系统应被证明对AUDIT有用，并在更现实的COG固定用途和条件下测试许多生成模型。也就是说，我们可以问到什么意味着人们可能会使用知识从知识中使用知识来实现自己的行为和行为。我们进一步讨论了这些观点，并使用持续和潜在的工作（主要）（主要）ACT-R Cog-nitive Architecture着眼于这些观点。我们还讨论了使用发电模型作为集成系统的问题。
用于电力转换器模型预测控制的通用切换状态空间表示
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。