XiaoMi-AI文件搜索系统
World File Search System网络参数
基于应用于工业环境的贝叶斯网络的因果增强学习
在工业环境中从传感器中收集的实时数据的增加量加速了机器学习在决策中的应用。增强学习（RL）是找到实现给定目标的最佳政策的强大工具。但是，RL的典型应用是风险的，并且在动作可能会产生不可逆转并需要解释性和公平性的环境中不足。虽然RL的新趋势可能会根据专家知识提供指导，但它们通常不考虑不确定性或在学习过程中包括先验知识。我们提出了基于贝叶斯网络（RLBN）的因果增强学习替代方案，以应对这一挑战。RLBN同时对政策进行建模，并利用国家和行动空间的联合分布，从而降低了未知情况下的不确定性。我们根据奖励功能和效果和测量的可能性，为网络参数和结构提出了一种培训算法。我们使用普通微分方程（ODE）对Cartpole基准和工业结垢进行了实验表明，RLBN比竞争对手可以解释，安全，灵活和更强大。我们的贡献包括一种新颖的方法，该方法将专家知识纳入决策引擎。它使用带有预定义结构的贝叶斯网络作为因果图和一种混合学习策略，这些策略都考虑了可能性和奖励。这将避免失去贝叶斯网络的优点。
云中以人为中心范式的混合量子量子式有条件生成网络算法
摘要作为一个新兴领域，旨在弥合人类活动与计算系统之间的差距，以人为中心的计算（HCC），云，边缘，雾对人工智能算法产生了巨大影响。量子生成的对抗网络（QGAN）被认为是具有良好应用前景的量子机学习算法之一，也应改进这些算法以符合以人为中心的范式。QGAN的生成过程相对随机，生成的模型不符合以人为中心的概念，因此它不太适合实际情况。为了解决这些问题，提出了一种混合量子量子经典生成对抗网络（QCGAN）算法，这是一种知识驱动的人类计算机相互作用计算模式。通过在发生器和歧视器中输入条件信息来实现稳定生成过程以及人与计算过程之间的相互作用的目的。发电机使用全面连接的拓扑使用参数化的量子电路，从而有助于在训练过程中调整网络参数。歧视者使用经典的神经网络，该网络有效地避免了量子机学习的“输入瓶颈”。最后，选择了BAS训练集以在量子云计算平台上进行实验。结果表明，QCGAN算法可以在训练和执行以人为中心的分类生成任务后有效地收敛到NASH平衡点。
MAD-TD：模型增强的数据稳定了高更新比率RL
建立深厚的强化学习（RL）特工，这些特工找到了很少的样本政策，事实证明，众所周知。为了达到样本效率，最近的工作探索了为每个新样本提供大量级别的神经网络的更新。虽然如此高的更新对数据（UTD）比率表现出强烈的经验表现，但它们也引入了训练过程的不稳定。先前的方法需要依靠定期神经网络参数重置以解决这种不稳定，但是在许多现实世界中，重新启动训练过程是不可行的，并且需要调整重置间隔。在本文中，我们关注稳定训练的核心困难之一：学到的价值功能无法概括到未观察到的上利方灯。我们通过通过从学习的世界模型中产生的少量数据来直接扩大了非政策RL训练过程来直接减轻此问题。我们的方法，型号的时间差异学习数据（MAD-TD）使用少量生成的数据来稳定高UTD训练，并在DeepMind Contolol Suite中最具挑战性的任务上实现竞争性能。我们的实验进一步强调了采用良好模型生成数据的重要性，MAD-TD对抗价值高估的能力以及其实际稳定性提高以继续学习。
一种生物学上可信的脉冲神经网络，用于解码海马和运动前皮层的运动学
摘要 — 本研究提出了一种脉冲神经网络，用于根据神经数据预测运动学，从而实现准确且节能的脑机接口。脑机接口是一种解释神经信号的技术系统，可让运动障碍患者控制假肢。脉冲神经网络具有低功耗和与生物神经结构非常相似的特点，因此有可能改进脑机接口技术。本研究中的 SNN 使用泄漏积分和激发模型来模拟神经元的行为，并使用局部学习方法进行学习，该方法使用替代梯度来学习网络参数。该网络实现了一种新颖的连续时间输出编码方案，允许基于回归的学习。SNN 是在从灵长类动物运动前皮层和大鼠海马记录的神经和运动数据上进行离线训练和测试的。该模型通过寻找预测运动数据与真实运动数据之间的相关性来评估，运动前皮层记录的峰值皮尔逊相关系数达到 0.77，海马体记录的峰值皮尔逊相关系数达到 0.80。该模型的准确性与卡尔曼滤波解码器和 LSTM 网络以及使用反向传播训练的脉冲神经网络进行了对比，以比较局部学习的效果。
Sedra smith 微电子电路第 8 版国际版 pdf
您需要登录或创建帐户才能获得或声明访问权限。可用主题包括： 与二极管相关的额外主题 与 JFET 和 GaAs 器件和电路相关的额外主题 与有用的晶体管配对相关的额外主题 与输出级和功率放大器相关的额外主题 与内部运算放大器电路相关的额外主题 与滤波器和调谐放大器相关的额外主题 与波形生成和整形相关的额外主题 与双极数字集成电路相关的额外主题 与 MOS 数字集成电路相关的额外主题 要访问内容或兑换资源，用户必须登录或创建帐户。所提供的文本涵盖了与电子和数字设计相关的各种主题，包括双极结型晶体管 (BJT)、MOS 场效应晶体管 (MOSFET)、放大器、运算放大器电路、CMOS 数字逻辑电路和 VLSI 制造技术。重点关注领域包括集成电路放大器的构建模块、差分和多级放大器、输出级和功率放大器、运算放大器电路、CMOS 数字逻辑电路以及数字设计原理（例如功率、速度和面积）。文本还涉及 SPICE 设备模型、仿真示例和双端口网络参数。此外，它还涵盖了采用 CMOS 和双极工艺制造的 IC 设备的标准电阻值、单位前缀、典型参数值，并提供了所选问题的答案。
零信任体系结构
零信任体系结构（ZTA）是指通过基于网络位置消除信任的想法，从而在传统安全范式中提供基本变化。ZTA提供了一种新的思维方式，该思维方式要求对每个用户和设备进行连续验证和严格的身份验证。授权侧重于用户或设备，无论位置如何，无论是在特定网络参数内部还是外部。由于智能电网和分散系统的出现，能源部门在很大程度上依赖ZTA。因此，使用ZTA是必要的，因为影响运营的互连性和关键基础架构。智能网格的这些特征还表示由于潜在的网络威胁，它们的脆弱性。使用智能网格可以实时监控和管理能源的生产和消费。通过智能电网，实施了强大的安全措施，以保护网络威胁并维持正常的操作。能源公司必须依靠ZTA来增强其安全措施，并促进对异常和潜在风险的实时检测。ZTA的特征之一是微分段，它阻止了从一个细分市场到另一个细分市场的不可控制的风险传播。此外，ZTA依靠其最小特权功能来最大程度地减少对信息的不必要访问并促进执行功能，从而减轻未经授权访问的风险。实施ZTA的好处包括法规合规性，促进主动的安全文化以及增强关键基础设施的弹性。关键字：零信任体系结构（ZTA），网络安全，能源部门，智能电网，分散的能源系统。
无网络的人工智能 - CSHL 科学数字存储库
当代人工智能 (AI) 有两条腿：大型训练数据语料库和多参数人工神经网络 (ANN)。数据语料库是代表世界的复杂性和异质性所必需的。由于网络参数和输出对训练数据和输入的依赖性不明确，网络的作用不太透明。这引发了从技术科学到法律伦理等一系列问题。我们假设，在完全不使用网络的情况下，机器学习的透明方法是可能的。通过推广一种无参数、统计一致的数据插值方法（我们对该方法进行了详细的理论分析），我们开发了一个生成建模框架。鉴于机器学习技术在科学中的应用越来越广泛，我们用动物行为领域的一个例子来演示这个框架。我们将这个生成希尔伯特框架应用于小群游动鱼的轨迹。在重现自然行为方面，该框架优于之前开发的最先进的传统数学行为模型和当代基于 ANN 的模型。我们并不认为所提出的框架在所有应用中都会胜过网络，因为过度参数化的网络可以进行插值。然而，我们的框架在理论上是合理、透明、确定且无参数的：它不需要任何计算成本高昂的训练，不涉及优化，没有模型选择，并且易于复制和移植。我们还基于此框架提出了一种易于计算的信用分配方法，该方法可以帮助解决生成式人工智能带来的道德法律挑战。
邀请：使用量子机学习的药物发现方法
现代制药研究使用自动化的高通量筛查技术来发现新的生物学靶点结合化合物，但是新药的开发仍然是一个漫长而昂贵的过程。计算分子对接提供了一种有效且廉价的方法来识别靶标结合化合物并估算化合物和靶标之间的结合效果。虚拟药物筛查的成功率主要由1）对接精度和2）用于筛选的化合物库的全面性。对接软件的对接精度取决于其采样化合物和靶构象的能力[1]，以及其评分方法的精度[2]。已经取得了显着的进步来增强采样和评分程序[3]，并利用大量的蛋白质 - 配体复杂结构来训练得分函数。许多对接方法（见图1（a），例如Glide [4]，Medusadock [5]，[6]，Autodock Vina [7]。量子计算可以在许多领域（例如化学模拟，机器学习和优化）中具有独特的优势。Quantum gan是近期量子计算机的主要应用之一，因为它在学习数据分布方面具有强大的表达能力，即使与经典gan相比，参数少得多。ever，由于噪声量子计算机上的量子限制，量子神经网络仍处于其新生阶段。考虑到药物发现的特定任务，由于以下原因，我们探索了生成和预测模型的潜在量子优势：1）希尔伯特空间中的栅极参数探索与神经网络参数探索不同。
具有人工智能的意图定义光网络-...
摘要 传统上，光网络的运行和维护依赖于工程师的经验来配置网络参数，涉及命令行界面、中间件脚本和故障排除。然而，随着 B5G 新型应用的出现，传统的配置方式无法满足实时自动配置的要求。运营商需要一种无需在底层光传送网上进行人工干预的新配置方式。为了解决这个问题，我们提出了一种面向服务目标的基于人工智能的光网络自动化运维的意图定义光网络 (IDON) 架构，通过以定制的方式引入自适应生成和优化 (SAGO) 策略。IDON 平台有三个关键创新，包括面向意图的配置翻译、自适应生成和优化策略以及闭环意图保证操作。IDON 专注于通信需求，使用自然语言处理来构建语义图以理解、交互和创建所需的网络配置。然后，利用深度强化学习 (DRL) 通过细粒度策略的动态集成来找到满足意图要求的组合策略。最后，引入深度神经进化网络 (DNEN) 来实现毫秒级的意图保证。在增强型 SDN 测试平台上验证了可行性和效率。最后，我们讨论了揭示意图定义光网络未来前景的几个相关挑战和机遇。
可解释的人工智能质量框架......
摘要 — 第六代 (6G) 无线网络的核心愿景之一是积累人工智能 (AI)，以实现万物互联 (IoE) 的自主控制。特别是，必须通过分析人员、数据、流程和事物等 IoE 的上下文指标来维护 IoE 服务交付的质量。然而，当 AI 模型为网络服务提供商带来解释和直觉的缺失时，挑战就随之而来。因此，本文为质量感知的 IoE 服务交付提供了一个可解释的人工智能 (XAI) 框架，该框架同时支持智能和解释。首先，通过考虑网络动态和 IoE 的上下文指标来制定质量感知的 IoE 服务交付问题，其目标是最大化每个 IoE 服务用户的信道质量指数 (CQI)。其次，设计一个回归问题来解决所提出的公式问题，其中通过 Shapley 值解释估计上下文矩阵的可解释系数。第三，通过使用基于集成的回归模型来确保对矩阵之间上下文关系的解释以重新配置网络参数，实现了支持 XAI 的质量感知 IoE 服务交付算法。最后，实验结果表明，AdaBoost 和 Extra Trees 的上行链路改进率分别为 42 .43% 和 16 .32%，而下行链路改进率高达 28 .57% 和 14 .29% 。然而，基于 AdaBoost 的方法无法维持 IoE 服务用户的 CQI。因此，与其他基线相比，所提出的基于 Extra Trees 的回归模型在缓解准确性和可解释性之间的权衡方面表现出显着的性能提升。索引术语 — 万物互联、可解释人工智能、上下文矩阵、Shapley 系数、回归、服务质量。