XiaoMi-AI文件搜索系统
World File Search System表示
人工智能中的知识表示 - ijrpr
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
双曲线图像文本表示 - arXiv
基线。我们主要与 CLIP（Radford 等人，2021 年）进行比较，后者在欧几里得空间中的单位超球面上嵌入图像和文本。CLIP 使用 4 亿个图像-文本对的私有数据集进行训练。一些后续工作重新实现了 CLIP 并使用可公开访问的数据集，如 YFCC（Thomee 等人，2016 年）、概念标题（Changpinyo 等人，2021 年；Sharma 等人，2018 年）和 LAION（Schuhmann 等人，2021 年；2022 年）；值得注意的例子是 OpenCLIP（Ilharco 等人，2021 年）、SLIP（Mu 等人，2022 年）、DeCLIP（Li 等人，2022 年）和 FILIP（Yao 等人，2022 年）。我们开发了 CLIP 基线并使用单个公共数据集 RedCaps（Desai 等人，2021 年）对其进行训练，以便于重现。我们最小的模型使用 8 × V100 GPU 在不到一天的时间内进行训练，并且明显优于最近使用 YFCC（Mu 等人，2022 年）的 CLIP 重新实现。
地热不确定性在 reV 中的表示
摘要 我们提出了一种将地热资源不确定性纳入可再生能源潜力模型的初步方法，该模型估算了国家尺度网格表面的潜在容量和成本。不确定性输出使用两个能源容量估算方程来表征地热资源的第 10、50 和 90 个百分位数。然后，我们提出了一种方法和结果，展示了如何使用可能指示渗透性的其他地质数据层来告知地热容量的平均值和标准差。我们展示了如何分别通过使用共置回归估计和估计误差来定义或部分告知平均值和标准差。这些回归结果来自大盆地地区观测到的 36 个地热发电厂，也用于对 P10-P90 计算进行基准测试。
稀疏分布式表示的可变绑定
摘要 - 可变性的绑定是象征性的和认知的基石。但是，在连接主义模型中如何实现约束力使神经科学家，认知心理学家和神经网络研究人员困惑。自然包含绑定操作的一种连接主义模型是向量符号体系结构（VSA）。与其他有关可变结合的建议相反，VSA中的结合操作是维度具有维护性的，它可以代表复杂的层次数据结构，例如树，同时避免尺寸的组合扩展。经典的VSA通过密集的随机矢量编码符号，其中信息分布在整个神经元种群中。相比之下，在大脑中，特征在单个神经元或小组神经元的活性中更局部编码，通常形成神经激活的稀疏载体。遵循Laiho等人。（2015），我们探索了符号推理，并具有稀疏分布式表示的特殊情况。使用来自压制感应的技术，我们首先表明经典VSA中的可变结合在数学上等同于稀疏特征向量之间的张量产品结合，这是另一个众所周知的结合操作，从而增加了维度。这种理论上的结果促使我们研究了二维保护的结合方法，其中包括将张量矩阵减少到单个稀疏向量中。一种通用稀疏矢量的一种结合方法使用随机投影，另一种块状圆形卷积，对于具有块结构，稀疏块编码的稀疏向量定义。我们的实验表明，块 - 本地卷积卷积结合具有理想特性，而基于随机投影的结合也有效，但是有损的。我们在示例应用中证明了具有块圆形圆形卷积和稀疏块码的VSA的性能与经典VSA相似。最后，我们在神经科学和神经网络的背景下讨论了我们的结果。
基于特征表示学习和深度神经网络
抽象背景：药物目标相互作用预测对于缩小候选药物范围的范围至关重要，因此是药物发现中的至关重要的一步。由于生化实验的特殊性，新药的发展不仅昂贵，而且耗时。因此，药物靶标相互作用的计算预测已成为药物发现过程中的重要方法，旨在大大减少实验成本和时间。结果：我们提出了一种基于特征表示学习和名为DTI-CNN的深神经网络的基于学习的方法，以预测药物目标相互作用。我们首先使用Jaccard相似性系数并重新启动随机行走模型，从异质网络中提取药物和蛋白质的相关特征。然后，我们采用deno的自动编码器模型来降低维度并确定基本功能。第三，根据从上一步获得的特征，我们构建了一个卷积神经网络模型，以预测药物与蛋白质之间的相互作用。评估结果表明，DTI-CNN的平均AUROC得分和AUPR得分为0.9416和0.9499，其性能比其他三种现有的最新方法更好。结论：所有实验结果表明，DTI-CNN的性能要比现有方法中的三种方法更好，并且所提出的方法的设计适当设计。
大脑可以表示为双曲几何吗？
具有 3-D 双曲空间 H 3 。当 h eff = nh 0 时，任何携带暗物质的系统的磁体 (MB) 都提供了任何系统的表示（反之亦然）。MB 能否提供这种表示，作为因果菱形 (cd) 的 3-D 双曲面的镶嵌，定义为 M 4 的未来和过去定向光锥的交点？由 SL (2, Z) 的子群或其用代数整数替换 Z 的泛化标记的镶嵌点将由其统计特性决定。H 3 处神经元磁像的位置将定义 H 3 的镶嵌。镶嵌可以映射到庞加莱盘的模拟 - 庞加莱球 - 表示为未来光锥的 t = T 快照（t 是线性闵可夫斯基时间）。t = T 之后，神经元系统的大小不会改变。镶嵌可以将认知表征定义为一组离散的时空点，其坐标为可分配给表示 MB 的时空表面的有理数的某种扩展。有人可能会认为 MB 具有更自然的圆柱对称性而不是球对称性，因此也可以考虑在 E 1 × H 2 处使用圆柱表示
使用时间增强多实例表示...
时间窗口的选择主要影响分段特征提取程序的有效性。我们提出了一种增强的模式袋表示，可以在宽窗口范围内捕获大脑动态的高级结构。因此，我们为短时公共空间模式算法引入了具有扩展窗口长度的增强实例表示。基于多实例学习，通过稀疏回归选择相关的模式袋以输入袋分类器。所提出的高级结构表示有两个贡献：（i）提高双条件任务的准确性，（ii）通过学习到的稀疏回归拟合更好地理解动态大脑行为。使用支持向量机分类器，在公共运动图像数据集（左手和右手任务）上实现的性能表明，所提出的框架执行的结果非常有竞争力，对脑电图记录的时间变化具有鲁棒性并有利于类可分性。
通过表示本地功能和全局空间上下文
摘要 - LiDar-Camera校准在自主驾驶中起着至关重要的作用。然而，操作诱导的因素（例如物理振动和温度变化）降低了部署前校准精度，从而导致了环境感知性能恶化。最近的重新校准方法通过利用LiDAR和相机的相对属性，在没有目标板的情况下实现了在线校准。尽管如此，我们还是为LIDAR-CAMERA在线校准提供了一个新颖的框架，该框架采用了变压器网络来学习相机与激光雷达传感器之间的重要相互作用。此外，我们的新型框架设计通过利用两个传感器之间的对应点信息来促进有效的校准。这允许利用全球空间上下文，并通过整合跨模态的信息来实现高性能。实验结果表明，与最先进的基准相比，我们的方法证明了表现出色的性能。
高分辨率定量和功能性MRI表示...
1麦克斯·普朗克人类认知与脑科学研究所神经物理学系，德国莱比锡； 2国际麦克斯·普朗克（Max Planck）的沟通神经科学研究学院：功能，结构和可塑性，德国莱比锡； 3美国查尔斯敦，马萨诸塞州综合医院的Athinoula A. Martinos生物医学成像中心； 4美国波士顿哈佛医学院放射学系； 5美国剑桥，马萨诸塞州科技研究所的哈佛 - 梅特卫生科学与技术部； 6美国圣地亚哥圣地亚哥州立大学科学学院心理学系； 7 Poeppel Lab，ErnstStrüngmann研究所（ESI）与Max Planck Society合作的神经科学学院，德国法兰克福AM，德国法兰克福； 8 Felix Bloch固态物理研究所，物理与地球科学学院，莱比锡大学，德国莱比锡