XiaoMi-AI文件搜索系统
World File Search System深层
夏季深层凹陷在北大西洋东部增加
1 Laboratory of dynamic meteorology - IPSL, ENS, PSL Research University, École Polytechnique, Institut Polytechnique de Paris, Sorbonne University, CNRS, Paris, France, 2 Institut Pierre - Simon Laplace, CNRS, University Paris - Saclay, Sorbonne University, Paris, France, 3 European Research and Training Center advanced in scientific calculation, CNRS，UMR 5318法国Toulouse，4 CNRM，图卢兹大学，梅特·弗朗西斯大学，CNRS，CNRS，法国图卢兹，5个环境研究研究所，Vrije Universiteit Universiteit Universiteit Universiteit Universiteit Universiteit Universiteit netherlands，6 6皇家荷兰的环境实验室（Kniminder Interunition）科学，UMR 821222 CEA -CNRS -UVSQ，巴黎 - 萨克莱和IPSL大学，GIF-苏尔 - 法国，法国Yvette，8 Ecole des Ponts，Marne -La -la -la -vallée，法国，法国
DMF：基于多模式融合的深层网络流量分类模型
摘要：随着加密流量的兴起，传统的网络分析方法变得越来越有效，导致转向基于深度学习的方法。其中，基于多模式的基于学习的分类方法由于能够利用加密流量的各种功能集而提高了分类准确性，因此引起了人们的关注。但是，现有的研究主要依赖于晚期融合技术，这阻碍了数据中深度特征的全面利用。为了解决此限制，我们提出了一种新型的多模式加密流量分类模型，该模型将模态融合与多尺度特征提取同步。具体来说，我们的方法在特征提取的每个阶段进行实时融合方式，在每个级别上增强特征表示，并保留层间相关性，以实现更有效的学习。这种连续的融合策略提高了模型检测加密流量中细微变化的能力，同时促进其鲁棒性和对不断发展网络条件的适应性。对两个现实世界加密的流量数据集的实验结果表明，我们的方法达到的分类精度为98.23％和97.63％，表现优于现有的基于多模式学习的方法。
具有不同设计时间的深层热化模型
我们研究了在有限的子系统上支撑的量子状态的普遍，均匀分布的出现，该量子状态通过投射介绍系统的其余部分而引起的。被称为深度热化，这种现象代表了比常规热化更强的量子多体系统中平衡的形式，这仅限于可观察到的一体组成的阀门。虽然在一个维度中存在量子电路模型，在该模型中可以证明这种现象可以准确地出现，但这些现象是特殊的，因为深层的热化是在与常规热化的完全相同的时间发生。在这里，我们提出了一个完全可溶解的混乱动态模型，其中可以证明这两个过程在不同的时间尺度上发生。该模型由一个有限的子系统组成，该子系统通过较小的收缩结合到有限的随机基质浴场，并突出显示了局部性和不完善的热化在约束这种通用波函数分布的形成中的作用。我们测试了针对精确数值模拟的分析预测，从而确定了出色的一致性。
使用深度学习的深层音频检测-IJarcce
摘要：Deepfake技术的兴起对多媒体内容的真实性和完整性（包括录音）构成了重大威胁。应对这一挑战，该项目提出了一种基于深度学习的方法来检测DeepFake音频。利用机器学习和信号处理的进步，该系统旨在以高精度区分真正的和操纵的音频记录。该项目始于对现有的深层检测技术的全面探索，尤其是在音频操纵的上下文中。随后，设计和实施了一种新颖的深度学习体系结构，以有效地捕获指示音频操作的微妙提示和模式。该系统的关键组件包括针对音频数据的独特特征的功能提取模块，以及在真实的和Deepio Audio samples和Deepio Audio sample上训练的深神经网络模型。通过广泛的实验和评估，在各种类型的音频操纵技术和复杂水平上评估了开发系统的有效性和鲁棒性。关键字：深层，音频操纵，深度学习，检测，特征提取，神经网络
深层视觉引导和深层增强学习算法，用于用于功率分配的多人孔组装任务，实时运行robo
摘要功率分销网络的检查和维护对于有效地向消费者提供电力至关重要。由于电源分配网络线的高电压，手动现场直线操作很难，有风险和不足。本文研究了一个具有自主工具组装功能的功率分配网络实时运营机器人（PDLOR），以替代各种高风险电气维护任务中的人。为了应对PDLOR的动态和非结构化工作环境中工具组装的挑战，我们提出了一个框架，该框架包括深层视觉引导的粗糙本地化以及先验知识以及模糊逻辑驱动的深层确定性策略梯度（PKFD-DPG）高级装配算法。首先，我们提出了基于Yolov5的多尺度识别和本地化网络，该网络使PEG-HOLE可以快速接近并减少无效的探索。第二，我们设计了一个主要的合并奖励系统，其中主线奖励使用事后的经验重播机制，而辅助奖励基于模糊的逻辑推理机制，解决了学习过程中无效的探索和稀疏奖励。此外，我们通过模拟和物理实验来验证提出算法的有效性和优势，并将其性能与其他组装算法进行比较。实验结果表明，对于单芯组装任务，PKFD-DPG的成功率比具有功能的奖励功能的DDPG高15.2％，比PD力控制方法高51.7％。对于多工具组装任务，PKFD-DPG方法的成功率比其他方法高17％和53.4％。
深层模型中的神经元与大脑中的神经元如何相关
摘要：在处理智能系统的算法方面时，与生物学大脑的类比一直很有吸引力，并且经常具有双重功能。一方面，它一直是其设计灵感的有效来源，另一方面，它被用作其成功的正当化来源，尤其是在深度学习（DL）模型的情况下。近年来，大脑的灵感失去了对自己的第一个角色的控制，但它继续提出第二个角色，尽管我们认为它也变得越来越容易辩护。在合唱之外，有一些理论上的建议，而是识别DL和人类认知之间的重要分界线，甚至是不可忽视的。在本文中，我们认为，矛盾的是，深神经模型开发人员对生物神经元的功能的部分冷漠是其成功的原因之一，并促进了务实的机会主义态度。我们认为，甚至有可能瞥见另一种类型的生物学类比，因为现代DL开发中的启发式方法本质上是与自然进化的相似之处。
DUNE TDR 深层地下中微子实验（DUNE）
1 APC-巴黎大学，CNSP3，CEA/LRFU，OBServatoire de Paris，10，Rue Alice Domon，75205 Paris Paris 13，法国2，Antannarivo University，BP 5 No，Cra 3 Este No 47a -15，Bogot AZ US，Zographu GR 157 84，希腊8大西洋大学，Carrera 30 Nmero 8-49哥伦比亚 - 哥伦比亚基督教徒9，巴塞尔大学，克林斯特拉斯郡82，CH-4056 Baselland 10 12伯恩，瑞士大学11 12 5，美国13美国布里斯托尔大学，纽约州，美国纽约州11973，美国15个布加勒斯特大学，物理学院，罗马尼亚布加勒斯特，16 CEA/SACLAY，IRFU IRFU INSURCHE SURCHE LOS LOIS LOIS LOIS LOIS LOIS LOIS LOIS LOIS LOIS LOIS招聘Ecnol̴ogicas，AV。合格，40，E-28040，马德里，西班牙19 Annecy-Le-Vieux粒子物理实验室，74941 Annecy-Le-Vieux，法国20，加利福尼亚大学伯克利分校，加利福尼亚州伯克利大学，美国加利福尼亚州21加利福尼亚大学戴维斯大学，加利福尼亚州戴维斯大学，加利福尼亚22 ，美国24加州大学河滨大学，加利福尼亚大学大街900号，加利福尼亚大学92521 25加利福尼亚大学，美国加利福尼亚大学，加利福尼亚大学27，美国27，美国剑桥大学，JJ Thomson Avenue，Cambridge CB3 CB3 0HE，英国28 Brazilian Brazilian Physical Research，Rio de Janeiro and Intrams and Intrip，RJ 222222290，RIO BRAZIL INTICENT和布拉格查尔斯大学的物理学，v holeˇsoviˇck ́ACH 747/2，180 00 Prague 8-Libeˇn，捷克共和国31芝加哥大学，芝加哥，芝加哥，伊利诺伊州60637，美国
深层基于注意力的神经网络可解释的心脏声音分类
心血管疾病是死亡的主要原因，并严重威胁了日常生活的人类健康。临床实践和智能家庭应用程序的需求急剧增加，以监测患有慢性心血管疾病的人的心脏状况。但是，在数量方面仍然缺乏经验丰富的医生。自动心脏声音分类利用高级信号处理和深度学习技术的功能显示出令人鼓舞的结果。然而，缺乏对深神经网络的解释是自动心脏声音分类应用的限制。为此，我们提出了通过注意机制来解释深层神经网络，以进行心脏声音分类。我们评估了心脏听起来深圳语料库的拟议方法。我们的方法可实现三种心脏声音分类的未加权平均召回率为51.2％。例如，正常，轻度和中度/重度。实验结果还表明，通过估计每个单元在高级特征中的贡献，全球注意力集合层可以提高学习表示的性能。我们通过可视化注意力张量进一步分析了深层神经网络。
基准为人类活动识别的经典，深层和生成模型
人类活动识别（HAR）在使用配备传感器的设备和大型数据集的日益增长的情况下变得非常重要。本文使用HAR的五个关键基准数据集（UCI-HAR，UCI-HAR，PAMAP2，WISDM，WISDM和Berkeley Mhad）评估了三类模型的性能：经典的机器学习，深度学习体系结构和受限制的Boltzmann机器（RBMS）。我们使用诸如准确性，精度，回忆和F1评分等群集以进行全面比较，评估了各种模型，包括决策树，随机森林，卷积神经网络（CNN）和深信仰网络（DBN）。结果表明，CNN模型在所有数据集中都提供了卓越的表现，尤其是在伯克利MHAD上。像随机森林这样的经典模型在较小的数据集上做得很好，但是面对具有较大，更复杂数据的Challenges。基于RBM的模型还显示出显着的潜力，尤其是对于特征学习。本文提供了详细的比较，以帮助研究人员选择最合适的HAR任务模型。
具有深层生成模型的材料动力学分析
研究材料动力学对于预测各种条件下的降解，失败和特定行为至关重要，实现了有效的材料设计，增强的表现以及推动材料科学的创新。显微镜技术已经有效地提高了体验，以记录实验进展过程中材料的动态演变。然而，显微镜图像的实验观察是固有的偏见，以推动后续分析到可观察的行为并排除在未观察到的情况下的行为。为了解决这个问题，我们设计了一个分析框架 - 整合了深层生成模型，以合成在现实的实验条件下可能出现的假设材料状态。这种方法可以使蒙特卡洛模拟由动态进展驱动的物质状态变化，反映出更广泛和预测的动态行为。应用于各种显微镜图像数据集，我们的框架有效地发现了材料科学实验中隐藏的物理性质。此外，这项研究支持向数据驱动的方法论转变，并主张采用深度学习技术来促进材料科学领域的创新研究实践。