XiaoMi-AI文件搜索系统
World File Search System测试时间
2型糖尿病在患者症状归因中的作用...
摘要 - 电子显微镜图像中轴突和髓磷脂的分割使神经科医生可以突出轴突的密度和周围髓磷脂的厚度。这些特性对于预防和预测白质疾病具有极大的兴趣。通常手动执行此任务，这是一个漫长而乏味的过程。我们提出了用于通过机器学习计算该细分的方法的更新。我们的模型基于U-NET网络的体系结构。我们的主要贡献包括在u-Net网络的编码器部分中使用转移学习，以及分割时测试时间增加。我们使用在Imagenet 2012数据集中预先训练的Se-Resnet50骨干重量。我们使用了23张图像的数据集，其中包括相应的分段掩模，这也是由于其极小的尺寸而具有挑战性的。结果表明，与最先进的表演相比，测试图像的平均精度为92％。也必须注意，可用样品是从call体的老年人中取的。与从脊髓或健康个体的视神经中采集的样品相比，这是一种额外的困难，具有更好的轮廓和碎屑较少。索引术语 - 深度学习，分割，髓磷脂，轴突，G比，卷积神经网络（CNN），电子显微镜
BRAINGPT：一个受大脑启发的基于 SNN 的大型
基于人工神经网络 (ANN) 的大型语言模型 (LLM) 表现出色，但在计算效率和生物可解释性方面面临挑战。我们提出了 BrainGPT，这是一种基于测试时间训练 (TTT) 框架并受到脉冲神经网络 (SNN) 和神经生物学原理启发的新型 LLM 架构。我们的方法采用双模型结构，模拟人脑中观察到的分层语言处理，并利用具有自适应阈值的专门积分和激发神经元模型。通过多阶段训练策略，包括量化感知预训练、ANN 到 SNN 的转换和受生物启发的无监督学习，我们实现了从 ANN 到 SNN 的数学证明的无损转换，保留了 100% 的原始 ANN 模型的性能。此外，受生物启发的无监督学习优化了维持 100% ANN 性能所需的最大时间步骤。与原始 TTT 模型相比，BrainGPT 的能源效率提高了 33.4%，训练收敛速度提高了 66.7%。这项工作推动了节能且可生物解释的大型语言模型的开发，这些模型的性能可与最先进的基于 ANN 的模型相媲美，同时显著改进了 TTT 框架。
基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
脑肿瘤是最致命的癌症之一，死亡率超过 80%。快速准确的诊断对于提高生存机会至关重要。然而，在医学分析中，脑肿瘤的手动注释和分割可能很复杂。通常会分析多种 MRI 模式，因为它们提供有关肿瘤区域的独特信息。虽然这些 MRI 模式有助于分割神经胶质瘤，但它们往往会增加过度拟合和计算。本文提出了一种感兴趣区域检测算法，该算法在数据预处理期间实施，以定位显着特征并删除无关的 MRI 数据。这减少了输入大小，从而允许更积极的数据增强和更深的神经网络。在对 MRI 模态进行预处理之后，完全卷积自动编码器使用通道自注意力和注意力门对不同的脑部 MRI 进行分割。随后，使用测试时间增强和基于能量的模型进行基于体素的不确定性预测。在 BraTS 19、20 和 21 基准上进行了实验，所提出的模型在每个数据集上的平均骰子分数分别为 84.55、88.52 和 90.82，实现了最先进的分割性能。此外，定性结果用于评估分割模型和不确定性预测。这项工作的代码可在线获取：https：//github.com/WeToTheMoon/BrainTumorSegmentation。
大型语言模型推理中动态策略选择的自适应求解器框架
大型语言模型 (LLM) 在处理推理任务方面表现出令人印象深刻的能力。然而，与能够本能地根据任务的复杂性调整问题解决策略的人类不同，大多数基于 LLM 的方法采用一刀切的方法。这些方法采用一致的模型、样本大小、提示方法和问题分解级别，而不管问题的复杂性如何。这些方法的不灵活性会带来不必要的计算开销或次优性能。为了解决这一限制，我们引入了一个自适应求解器 (AS) 框架，该框架可以动态调整解决策略以适应各种问题，从而实现测试时间计算资源的灵活分配。该框架有两个主要模块。初始评估模块使用答案一致性评估当前解决方案的可靠性。如果解决方案被认为不可靠，则后续的适应模块开始发挥作用。在这个模块中，各种类型的适应策略被协同使用。通过这种动态和多方面的适应，我们的框架可以帮助减少计算消耗并提高性能。复杂推理基准的实验结果表明，我们的方法可以在保持原有性能的同时显著降低 API 成本（最高可达 85%）。此外，在相同成本下，与基线相比，其准确率最高可提高 4.5%。代码和数据集可在 https://github.com/john1226966735/Adaptive-Solver 上找到。
使用高能 X 射线发生器对电子设备进行 TID 测试
便于 TID 测试。主要优点是，与放射源（无需担心处理放射性物质）或粒子束（通常是重型装置，维护要求高）相比，使用 X 射线发生器更容易管理辐射安全问题。这是因为光子的能量相对较低，可以通过防护罩轻松阻止，而且 X 射线发生器可以轻松关闭。X 射线发生器的另一个优点是光子能量足够低，可以轻松准直。因此，可以使用 ARACOR 之类的 10 keV 发生器照射晶圆上的单个设备。与 60-Co 或铯 137 源相比，X 射线发生器还提供相对较高的剂量率，从而缩短了测试时间。在系统设计期间，这允许快速（一天内）对同一类型的多个组件进行 TID 灵敏度表征（筛选），以便获得 TID 硬度的初步估计值。最后，与放射源或粒子束相比，X 射线发生器的购买和维护成本更低。低能 X 射线发生器的主要缺点是光子穿透深度低，必须在晶圆级或无盖器件上进行辐射，而更高能量的辐射源对于封装器件或系统级（电子板）的辐射测试仍然是强制性的。其他缺点
灵巧的抓紧变压器-CVF Open Access
在这项工作中，我们提出了一种新颖的歧视性框架，用于灵巧的掌握生成，称为d外部g rasp tr ansformer（dgtr），能够通过仅使用一个向前的通行方式处理对象点云来预测一组可行的抓握姿势。我们将敏捷的掌握生成作为设定的预测任务，并为其设计一个基于变压器的握把模型。但是，我们确定此设置的预测范式在灵活的掌握领域遇到了几种优化的挑战，并导致限制性能。为了解决这些问题，我们提出了培训和测试阶段的渐进策略。首先，提出了动态静态匹配训练（DSMT）策略，以增强训练阶段的光学稳定性。第二，我们使用一对对抗性损失来实现对抗平衡的测试时间适应（ABTTA），以提高测试阶段的掌握质量。dexgraspnet数据集的实验结果证明了DGTR可以预测具有高质量和多样性的灵活掌握姿势的能力。值得注意的是，在保持质量高的同时，DGTR Sigsigs所预测的Grasp的多样性明显优于先前的多个指标，而没有任何数据预处理。代码可在https://github.com/isee-laboratory/dgtr上找到。
持续在线脑电图运动意象解码的微调策略：来自大规模纵向研究的见解
摘要 — 本研究调查了在涉及大型用户组和每个参与者多个会话的因果环境中在线纵向脑电图 (EEG) 运动想象 (MI) 解码中深度学习的持续微调策略。我们是第一个在大型用户组中探索此类策略的人，因为纵向适应通常是在单个受试者环境中使用单一适应策略进行研究的，这限制了推广研究结果的能力。首先，我们研究了不同的微调方法对解码器性能和稳定性的影响。在此基础上，我们集成了在线测试时间适应 (OTTA) 以在部署期间调整模型，补充了先前微调的效果。我们的研究结果表明，基于先前特定于主题的信息连续进行的微调可以提高性能和稳定性，而 OTTA 可以有效地使模型适应连续会话中不断变化的数据分布，从而实现无校准操作。这些结果为纵向在线 MI 解码的未来研究提供了宝贵的见解和建议，并强调了结合领域适应策略对提高实际应用中的 BCI 性能的重要性。临床相关性——我们的研究实现了更稳定、更有效的长期运动想象解码，这对于神经康复和辅助技术至关重要。
2024-25竞争活动指南
•FBLA会员会费的支付是在本计划年度3月1日东部时间11:59 PM之前支付的。•如果成员以前没有在NLC参加该活动的前十名，则成员可以在国家领导会议（NLC）上参加比赛。如果成员在NLC举行的活动的前十名中，他们将不再有资格参加该活动。•必须注册NLC并支付全国会议注册费才能参加竞争活动。•成员必须留在官方的FBLA酒店街区才能参加比赛。•每个州每个事件都可以提交四个条目。•每个成员只能参加一个个人/团队活动和一个章节活动（美国企业项目，社区服务项目，本地分会年度业务报告，与业务项目的合作伙伴关系）。•图片识别（物理或数字：驾驶执照，护照，国家发行的身份证或学校发行的身份）在签入竞争活动时需要匹配会议名称。•如果竞争对手的分配客观测试时间迟到，他们将被允许以五点罚款竞争，直到最终确定结果为止，或者住宿会影响事件的公平性和完整性。•一些竞争活动从NLC开幕会议开始之前的早晨开始。竞争活动的时间表显示在NLC位置的当地时间。竞争活动时间表无法更改。识别
网络安全
•FBLA会员会费的支付是在本计划年度3月1日东部时间11:59 PM之前支付的。•如果成员以前没有在NLC参加该活动的前十名，则成员可以在国家领导会议（NLC）上参加比赛。如果成员在NLC举行的活动的前十名中，他们将不再有资格参加该活动。•必须注册NLC并支付全国会议注册费才能参加竞争活动。•成员必须留在官方的FBLA酒店街区才能参加比赛。•每个州每个事件都可以提交四个条目。•每个成员只能参加一个个人/团队活动和一个章节活动（美国企业项目，社区服务项目，本地分会年度业务报告，与业务项目的合作伙伴关系）。•图片识别（物理或数字：驾驶执照，护照，国家发行的身份证或学校发行的身份）在签入竞争活动时需要匹配会议名称。•如果竞争对手的分配客观测试时间迟到，他们将被允许以五点罚款竞争，直到最终确定结果为止，或者住宿会影响事件的公平性和完整性。•一些竞争活动从NLC开幕会议开始之前的早晨开始。竞争活动的时间表显示在NLC位置的当地时间。竞争活动时间表无法更改。识别
IEEE 1838符合2.5/ ... div>的符合扫描加密和完整性
摘要-2.5D和3D综合电路（IC）是传统2D SOC的自然演变。2.5D和3D集成是在插头或堆栈中组装预先制造的芯片的过程。此过程会损坏芯片或导致连接故障。因此，芯片后测试的重要性。IEEE STD 1838（TM）-2019（IEEE 1838）设计的设计（DFT）标准定义了用于访问chiplet上DFT功能的强制性和可选结构。兼容的chiplet形成了一个DFT网络，攻击者可以利用该网络来违反在串行路径上传递的消息的机密性或完整性。在这项工作中，我们将消息完整性验证系统与扫描加密机制相结合，以保护IEEE 1838符合DFT实施的扫描链。扫描加密可防止未经授权的参与者将有意义的数据写入扫描链中。消息完整性验证使可检测到的不信任来源的消息。结合使用，两个安全性基原始人都保护了扫描链免受堆栈中恶意芯片的影响，基于扫描的攻击和蛮力攻击。拟议的解决方案在典型的DFT实施的设计中导致的设计少于1％的面积开销，由超过500万门组成，测试时间开销少于1％。索引术语-3DIC，chiplet，可测试性设计（DFT），硬件安全性，信任根