XiaoMi-AI文件搜索系统
World File Search System编码方法
拜占庭可靠的广播，沟通较低和时间复杂性
拜占庭可靠的广播是分布式计算中的一个基本问题，在过去的几十年中，它经过了态度。最新的算法主要是基于共享广播消息的编码片段的方法，当消息大小超过网络大小时产生渐近最佳的通信复杂性，这是在实践中经常遇到的条件。但是，遵循标准编码方法的算法至少产生3个间接费用，这可能已经成为带宽受限的应用程序的负担。最小化此间接费用是一个重要的目标，可以立即对使用可靠的广播例程作为构建块的协议。本文介绍了一种新的机制来降低通信和计算复杂性。提出了两种算法，这些算法采用了这种机制在异步网络中可靠地广播消息，其中少于三分之一的节点是拜占庭的。第一个算法将间接因子降低到2，如果发件人诚实，则具有3个时间复杂性，而第二算法则在没有等值状态的情况下达到具有相同高架因子的最佳时间复杂性为2。此外，提出了针对现实世界实现的优化，在正常操作下将开销因子降低到3/2。最后，证明了一个下限，对于一类可靠的广播算法，无法实现低于3 /2的高架因子。
MSE-NET：一种新颖的主奴隶编码网络...- e-space
遥感场景（RSS）图像分类在城市规划和环境保护等各个领域中起着至关重要的作用。然而，由于较高的阶层间相似性和类内变异性，实现RSS图像的准确性分类对当前卷积神经网络（CNN）基于基于的卷积神经网络（CNN）和基于视觉变压器（VIT）的方法构成了巨大挑战。为了解决这些问题，本文提出了一种新颖的双重编码方法，该方法从特征提取和融合的两个角度来看，名为Master-Slave编码网络（MSE-NET）。基于VIT的主编码器提取了高级语义特征，而基于CNN的从属编码器捕获了相对较低级别的空间结构信息。sec-，为了有效地整合两个编码器的特征信息，本文进一步制定了两种融合策略。第一个策略涉及辅助增强单元（AEU），该单元消除了两个编码器之间的语义差异，可增强对奴隶编码器的空间环境意识并促进有效的特征学习。交互式感知单元（IPU）作为第二种策略，促进了两个编码器表示的相互作用和集成，以提取更具歧视性的特征信息。此外，我们在四个广泛使用的RSS数据集上进行了比较实验，包括RSSCN7，Siri-Whu，空中图像数据集（AID）和NWPU-RESISC45（NWPU45），以验证有效性
新加坡老年人对流感疾病和疫苗的信念和误解类型分析
在新加坡等发达国家，获得流感疫苗几乎没有什么障碍，而且强烈建议高危人群（包括老年人）接种流感疫苗。然而，尽管在这一脆弱人群中，流感的发病率和死亡率很高，但疫苗接种率远低于建议水平。鉴于提高疫苗接受度和接种率的及时目标，我们探讨了新加坡老年人对流感疾病和疫苗的误解。我们对 76 名 65 岁及以上的新加坡成年人进行了定性的半结构化访谈，访谈对象不限新加坡的某个特定地区。我们使用扎根理论方法来分析数据，以了解参与者的态度、看法和知识。我们开发了反映参与者使用的措辞的体内代码，并通过恒定比较编码方法详尽地分类主题。特别关注老年人的误解，从我们的数据分析中得出了有关流感疾病或疫苗的七个主要主题：对流感的熟悉程度、对流感的误解、个人对流感的易感性、对流感疫苗的熟悉程度、对流感疫苗的误解、对流感疫苗使用的误解以及对流感疫苗接种的看法和障碍。值得注意的是，新加坡老年人对接种流感疫苗缺乏足够的知识和动力。健康传播需要更加适合老年人的信息处理系统，并让卫生专业人员参与解决本研究中发现的流感疾病和疫苗误解。
Spike-dransventermer的有效稀疏硬件加速器
摘要 - 诸如Vision Transformer和Bert之类的大型模型，由于其表现性能而引起了极大的关注。但是，它们广泛的计算要求导致了大量的功率和硬件资源消耗。脑启发的计算已成为低功率硬件实现的一种有希望的方法。在本文中，我们提出了用于尖峰驱动变压器的有效稀疏硬件加速器。我们首先设计了一种新颖的编码方法，该方法编码有效激活的位置信息并跳过非尖峰值。此方法使我们能够使用编码的尖峰来执行线性，最大化和尖峰驱动的自我注意力的计算。与主要关注基于卷积的尖峰计算的常规SNN加速器的单个尖峰输入设计相比，用于尖峰驱动的自我注意的专门模块在处理双尖峰输入的能力方面是独一无二的。通过专门利用激活的尖峰，我们的设计充分利用了尖峰驱动的变压器的稀疏性，从而减少了冗余操作，降低了功率组合并最大程度地减少了计算潜伏期。实验结果表明，与现有的SNNS加速器相比，我们的设计分别在吞吐量和能源效率方面可提高13.24×和1.33倍。索引术语 - 弹性神经元网络（SNNS），硬件加速器，Spike-drive Transformer。
GrapHD：基于图的超维记忆，用于类似大脑的认知学习
记忆是一项基本功能，它使当今的机器学习算法能够为每个预测提供高质量的学习和推理。记忆为算法提供了先验知识，以保持上下文并确定其决策的信心。不幸的是，现有的深度学习算法对记忆的概念很弱且不透明。大脑启发的超维计算 (HDC) 被引入作为人类记忆的模型。因此，它通过使用计算上可处理且在描述人类认知方面数学严谨的向量来模仿大脑记忆的几个重要功能。在本文中，我们介绍了一个大脑启发系统，该系统表示关系图上的 HDC 记忆能力。我们提出了 GrapHD，即表示高维空间中基于图的信息的超维记忆。GrapHD 定义了一种表示复杂图结构的编码方法，同时支持加权和非加权图。我们的编码器将所有节点和边的信息分散到完整的整体表示中，以便没有一个组件比另一个组件更负责存储任何信息。然后，GrapHD 在编码记忆图上定义了几个重要的认知功能。这些操作包括记忆重建、信息检索、图匹配和最短路径。我们的广泛评估表明，GrapHD：(1) 通过为学习算法提供短期/长期记忆的概念，显著提高了学习能力；(2) 支持基于记忆图的认知计算和推理；(3) 支持全息类脑计算，对噪声和故障具有很强的鲁棒性。
毒素-Agritrop
摘要：patulin是一种主要由真菌膨胀物合成的次生代谢产物，该代谢物在苹果上负责蓝色霉菌病。后者在后阶段非常容易受到真菌感染的影响。全年都要处理要生产组成的苹果，这意味着在受控大气下需要长时间存储。P。膨胀能够在整个过程中感染苹果，并且可以在最终产品中检测到patulin。在本研究中，有455个苹果（有机和传统生长），注定要产生“黄金美味”的组成部分，并在多个后的阶段进行了采样。分析了苹果样品的patulin含量，并使用实时PCR定量膨胀。patulin的结果显示两种栽培技术之间没有显着差异。但是，确定了两个临界控制点：在运输前，苹果在环境温度下的长期存储和甲板存储。此外，通过应用元法编码方法研究了各个步骤中真菌和细菌的附生微生物群的改变。Alpha和Beta多样性分析强调了长期存储的效果，导致细菌和真菌对苹果的多样性增加，并在不同的后步骤中显示了微生物群落的显着差异。不同的网络分析显示了种类内的关系。观察到多对真菌和细菌竞争关系。在膨胀和多种真菌和细菌物种之间也观察到阳性相互作用。这些网络分析为水果疾病生物防治的进一步真菌和细菌相互作用分析提供了基础。
来自美洲印第安人的肠道微生物群的初步概况...
摘要Yanomami是亚马逊中最古老的土著部落之一，并且是12，000年前在南美殖民的第一批人的直接后代。他们位于委内瑞拉和巴西之间的边界，维恩塞兰的一侧仍然无与伦比。当他们维持一个狩猎者社会时，他们目前正在与巴西的城市化人口接触。由于饮食的西化以及引入抗生素和其他化学物质的人类肠道微生物群已成为最近研究的主题，这些化学物质影响了土著种群的微生物多样性，从而威胁了其存在。在这项研究中，我们初步描述了亚马逊的狩猎 - 采集者社会Yanomami肠道菌群的多样性，并与城市化人群接触。同样，我们将它们的多样性与马瑙斯的亚马逊人的人口进行了比较。在粪便样品上进行了16 s rRNA基因的元法编码方法。差异，尤其是关于属的丰度（例如Prevotella和bacteroides）和较高的firylyicutes的较高值，这仅在Yanomami中很重要。在Yanomami（treponema和succinivibrio）中仅发现了一些细菌。但是，它们之间的多样性在统计学上是平等的。总而言之，Yanomami肠道微生物群的组成仍然保持着具有传统生活方式的社区的特征。但是，我们的结果表明，与Manaus相比，Yanomami微生物群的潜在西化过程必须由当局仔细监测，因为多样性的丧失可能表明对Yanomami健康的危险越来越大。
传输方程的有效和故障安全量子算法
在本文中，我们提出了一种可扩展的算法易于故障的计算机，用于在两个和三个空间维度中求解传输方程，以用于可变网格尺寸和离散速度，其中对象壁与笛卡尔网格，与笛卡尔电网相关，每个变化的veer veel veel的相对差异均与裁缝相关范围。我们提供了量子传输方法（QTM）的所有步骤的详细描述和复杂性分析，并为Qiskit中生成的2D流的数值结果作为概念证明。我们的QTM基于一种新型的流媒体方法，该方法可与先进的量子流方法相比，导致减少CNOT门的数量。作为本文的第二个亮点，我们提出了一种新颖的对象编码方法，该方法降低了编码墙壁所需的CNOT门的复杂性，该墙壁现在变得独立于墙壁的大小。最后，我们提出了粒子离散速度的新型量子编码，该量子能够以反映粒子速度的成本进行线性加速，现在它变得独立于编码的速度量。我们的主要贡献包括详细描述量子算法的故障安全实现，用于转移方程的反射步骤，可以在物理量子计算机上容易实现。这种故障安全实现允许各种初始条件和粒子速度，并导致墙壁，边缘和障碍物的颗粒流动行为在物理上纠正粒子流动行为。
LaSNN：分层 ANN 到 SNN 提炼，用于深度脉冲神经网络的有效和高效训练
摘要 —脉冲神经网络 (SNN) 具有生物现实性，且由于其事件驱动机制而在低功耗计算方面具有实际应用前景。通常，SNN 的训练会在各种任务上遭受准确度损失，其性能不如 ANN。提出了一种转换方案，通过将训练好的 ANN 参数映射到具有相同结构的 SNN 来获得具有竞争力的准确度。然而，这些转换后的 SNN 需要大量的时间步骤，从而失去了节能优势。利用 ANN 的准确度优势和 SNN 的计算效率，提出了一种新颖的 SNN 训练框架，即逐层 ANN 到 SNN 知识提炼 (LaSNN)。为了实现具有竞争力的准确度和减少推理延迟，LaSNN 通过提炼知识而不是转换 ANN 的参数将学习从训练有素的 ANN 转移到小型 SNN。通过引入注意力机制，我们弥合了异构 ANN 和 SNN 之间的信息鸿沟，利用我们的分层蒸馏范式有效地压缩了 ANN 中的知识，然后有效地传输这些知识。我们进行了详细的实验，以证明 LaSNN 在三个基准数据集（CIFAR-10、CIFAR-100 和 Tiny ImageNet）上的有效性、功效和可扩展性。与 ANN 相比，我们实现了具有竞争力的 top-1 准确率，并且推理速度比具有类似性能的转换后的 SNN 快 20 倍。更重要的是，LaSNN 灵活且可扩展，可以毫不费力地为具有不同架构/深度和输入编码方法的 SNN 开发，从而促进其潜在发展。
基于隧道的CMOS浮动门突触，用于低功率尖峰时序依赖性可塑性
正在实施几种硬件方法，以用于Ma-Chine学习，从von Neumann- Zuse计算机架构上的速率神经元[1]，[2]，FPGA [3]和ASICS [3]和ASICS [4]到从一侧到替代方法，到诸如Neu-Romorphic硬件[5] - [5] - [7]和量子计算机的替代方法，以及量子计算机的量子[8] [8] [8] side Inselum Machine [9] [9]在需要低功耗或准备脑机界面准备的涉及应用程序中，尖峰神经元的电路[10]占据着重要作用。尖峰神经网络（SNN）通过尖峰代替有限的数字传输信息。这种编码方法模拟了生物神经元的效率，在能量管理方面具有巨大的效率[11]。过去，通过设计必要的神经元或突触[12] - [15]或详细阐述复杂网络[16]，[17]来解决低功耗。我们通过设计与商业CMOS技术完全兼容并能够存储多个权重的电路来实现此类目标。该设备旨在永久存储跨神经元的连接，但在我们的情况下，在其一生中，在其一生中对它们进行了修改，在我们的情况下，作为峰值时间依赖性的可塑性（STDP）。后者是一种著名的方法，用于根据所涉及的神经元的相对时间来修饰突触的强度[18]。内存元件是一个浮动的门，可存储准通电，它是神经形态电路的主要候选者之一[19] - [21]，这要归功于与当前CMOS技术的完整兼容性。不同于先前报道的磁性门突触