XiaoMi-AI文件搜索系统
World File Search System计算开销
基于改进的多任务级联的面部检测...
摘要 - 随着深度学习和计算机视觉的发展，面部检测已得以快速发展。面部检测有多个应用程序域，包括身份身份验证，安全保护，媒体和娱乐。尽管多任务级联的卷积神经网络（MTCNN）具有很高的精度和鲁棒性，但由于真实场景的复杂性和硬件设施的约束，该模型在真实场景中具有大参数和计算开销的缺点。因此，改进的网络模型的开发至关重要。本文通过减少参数和计算开销的数量并使用更好的模型参数来定位面部的关键点来改善MTCNN模型。该模型提高了面部年龄估计的准确性和鲁棒性。宽面和Celeba数据集用于培训。最终的面部检测精度达到98.7％，同时将模型参数的数量减少到相同条件下的70％。该模型满足现代社会对面部检测的应用需求，并证明了改进的网络模型的效率和准确性。
小即是美：压缩深度神经网络以实现部分域自适应
摘要 — 领域自适应是一种在深度学习 (DL) 时代减轻昂贵的数据标记过程负担的有效方法。一种实际情况是部分域自适应 (PDA)，其中目标域的标记空间是源域标记空间的子集。尽管现有方法在 PDA 任务中取得了不错的效果，但由于目标只是原始问题的一个子任务，因此深度 PDA 模型中存在计算开销的可能性很高。在这项工作中，PDA 和模型压缩无缝集成到统一的训练过程中。通过最小化软加权最大均值差异 (SWMMD) 来减少跨域分布差异，SWMMD 是可微的并在网络训练期间起到正则化的作用。我们使用梯度统计来压缩过度参数化的模型，以根据批量归一化 (BN) 层中的相应缩放因子来识别和修剪冗余通道。实验结果表明，我们的方法可以在各种 PDA 任务上实现与最先进方法相当的分类性能，同时显著减少模型大小和计算开销。
小即是美：压缩深度神经网络以实现部分域自适应
摘要 — 领域自适应是一种在深度学习 (DL) 时代减轻昂贵的数据标记过程负担的有效方法。一种实际情况是部分域自适应 (PDA)，其中目标域的标记空间是源域标记空间的子集。尽管现有方法在 PDA 任务中取得了不错的效果，但由于目标只是原始问题的一个子任务，因此深度 PDA 模型中存在计算开销的可能性很高。在这项工作中，PDA 和模型压缩无缝集成到统一的训练过程中。通过最小化软加权最大均值差异 (SWMMD) 来减少跨域分布差异，SWMMD 是可微的并在网络训练期间起到正则化的作用。我们使用梯度统计来压缩过度参数化的模型，以根据批量归一化 (BN) 层中的相应缩放因子来识别和修剪冗余通道。实验结果表明，我们的方法可以在各种 PDA 任务上实现与最先进方法相当的分类性能，同时显著减少模型大小和计算开销。
Rohit Sharma，Kapil Kumar Kaswan Mtech Scholar，CSE ...
U. Chatterjee等。[6]使用椭圆曲线加密方法（ECC）方法来确保物联网网络的通信。实验表明，与现有方案相比，它提供了轻巧的身份验证和关键管理过程，这些过程消耗了更少的网络资源（在妥协网络的限制下）。Q. Ma等。 [7]为智能家用设备开发了身份验证方案。 它使用设备签名来通过物联网网络的身份验证邻居的身份验证。 分析表明，中间设备可以互相验证，以确保防止锻造的安全通信。 Y. Li [8]使用ECC加密图为IoT网络开发了一种多因素身份验证方案。 它使用实体模型进行安全性，并且还根据设备签名来计算信任因素。 分析表明，与现有的身份验证方案相比，它更加安全/资源。 R. Krishnasrijaet Al。 [9]为IoT网络开发了基于多项式的身份验证过程。 它使用会话密钥进行设备身份验证。 仿真结果表明，它可以防止网络资源免受常见的安全威胁，并且其计算开销较少。 Z. Wang等。 [10]引入了针对物联网网络的轻质身份验证方案。 它将唯一ID（基于设备硬件）分配给网络中的每个设备，然后使用集中式服务器注册设备以进行安全通信。 分析表明，与现有方案相比，它消耗了较少的计算资源。Q. Ma等。[7]为智能家用设备开发了身份验证方案。它使用设备签名来通过物联网网络的身份验证邻居的身份验证。分析表明，中间设备可以互相验证，以确保防止锻造的安全通信。Y. Li [8]使用ECC加密图为IoT网络开发了一种多因素身份验证方案。它使用实体模型进行安全性，并且还根据设备签名来计算信任因素。分析表明，与现有的身份验证方案相比，它更加安全/资源。R. Krishnasrijaet Al。 [9]为IoT网络开发了基于多项式的身份验证过程。 它使用会话密钥进行设备身份验证。 仿真结果表明，它可以防止网络资源免受常见的安全威胁，并且其计算开销较少。 Z. Wang等。 [10]引入了针对物联网网络的轻质身份验证方案。 它将唯一ID（基于设备硬件）分配给网络中的每个设备，然后使用集中式服务器注册设备以进行安全通信。 分析表明，与现有方案相比，它消耗了较少的计算资源。R. Krishnasrijaet Al。[9]为IoT网络开发了基于多项式的身份验证过程。它使用会话密钥进行设备身份验证。仿真结果表明，它可以防止网络资源免受常见的安全威胁，并且其计算开销较少。Z. Wang等。[10]引入了针对物联网网络的轻质身份验证方案。它将唯一ID（基于设备硬件）分配给网络中的每个设备，然后使用集中式服务器注册设备以进行安全通信。分析表明，与现有方案相比，它消耗了较少的计算资源。A. G. Mirsaraei等。 [11]将ECC方法与区块链技术集成在一起，用于通过物联网网络的基于智能卡的身份验证。 它使用私人信任的服务器进行基于区块链的用户注册。 分析表明，它在计算开销/能耗方面表现出色。 P. Tyagi等。 [12]研究了与多因素身份验证方案有关的问题。 研究表明，由于会话密钥可能会在中间设备级别妥协，因此与中间攻击的安全性较差。 可以进一步利用分析数据来克服该方案的缺点。 Z. Siddiqui等。 [13]使用集中式服务器对IoT网络进行了基于数字证书的身份验证。 实验表明，与现有方案（ProSANTA/BIPLAB身份验证）相比，它是高效的方案。A. G. Mirsaraei等。[11]将ECC方法与区块链技术集成在一起，用于通过物联网网络的基于智能卡的身份验证。它使用私人信任的服务器进行基于区块链的用户注册。分析表明，它在计算开销/能耗方面表现出色。P. Tyagi等。[12]研究了与多因素身份验证方案有关的问题。研究表明，由于会话密钥可能会在中间设备级别妥协，因此与中间攻击的安全性较差。可以进一步利用分析数据来克服该方案的缺点。Z. Siddiqui等。[13]使用集中式服务器对IoT网络进行了基于数字证书的身份验证。实验表明，与现有方案（ProSANTA/BIPLAB身份验证）相比，它是高效的方案。
非晶态有机半导体中的激子扩散
Justin M. Hodgkiss 3,4 , Daniel M. Packwood 1,2* 1 京都大学综合细胞材料科学研究所（iCeMS），日本京都 2 综合数据材料科学中心（iDM），麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 3 麦克迪亚米德先进材料与纳米技术研究所，新西兰惠灵顿 4 惠灵顿维多利亚大学化学与物理科学学院，新西兰惠灵顿 5 大赛璐企业研究中心，创新园区（iPark），大赛璐株式会社，日本姬路 * 通讯作者。电子邮件：dpackwood@icems.kyoto-u.ac.jp 摘要 非晶态有机材料中激子和电荷跳跃的模拟涉及许多物理参数。在开始模拟之前，必须通过昂贵的从头计算来计算出每个参数，因此研究激子扩散的计算开销很大，尤其是在大型复杂材料数据集中。虽然之前已经探索过使用机器学习快速预测这些参数的想法，但典型的机器学习模型需要较长的训练时间，这最终会增加模拟开销。在本文中，我们提出了一种新的机器学习架构，用于构建分子间激子耦合参数的预测模型。与普通的高斯过程回归或核岭回归模型相比，我们的架构设计方式可以减少总训练时间。基于此架构，我们建立了一个预测模型并使用它来估计非晶态并五苯中激子跳跃模拟的耦合参数。我们表明，与使用完全从密度泛函理论计算的耦合参数的模拟相比，这种跳跃模拟能够对激子扩散张量元素和其他属性实现出色的预测。因此，这一结果以及我们的架构提供的较短训练时间表明了如何使用机器学习来减少与非晶态有机材料中的激子和电荷扩散模拟相关的高计算开销。
4003166- ...
在地质力学风险下模拟CO 2存储通常涉及由于多相流和地质力学之间的耦合而导致的大量计算成本。实施标准工作流程，例如位置优化，使用此类耦合物理模型可以显着增加计算开销，并使模型不切实际地使用。我们研究使用深度学习模型以显着减少与模拟和量化CO 2存储的地质力学风险相关的计算开销的可行性。所提出的方法利用基于深度学习的替代建模来显着提高耦合流动地球力学模拟的效率，以识别合适的注入井位置以存储CO 2。使用模拟数据，我们训练U-NET卷积神经网络，以了解井位置和空间分布的模型参数（渗透率）之间的映射到感兴趣的仿真输出。一旦经过固定的模型输入参数训练，U-NET模型可以将不同的井位置场景映射到相应的压力场，CO 2饱和度和地质力学输出，包括垂直位移和塑性应变。随后采用U-NET模型作为替代识别注入井位置所需的耦合流动地球力学模拟以最大程度地减少地质力学风险所需的有效工具。我们报告的初步结果表明，受过训练的U-NET模型可以预测井位置的压力和饱和场，所有其他输入仍与训练中使用的仿真模型保持一致。我们在不同的假设下研究网络的性能，并估计不同的流量和地质力学输出。结果表明，U-NET模型可以通过使用快速代理模型替换耦合物理模拟来大大降低井位置工作流的计算成本，该模型可用于预测与不同的井位置和注入策略相关的地质机械风险。开发的框架可用于改善耦合物理建模的计算需求，并促进其在决策工作流程和现场管理中的应用。
评估视觉语言模型的鲁棒性...
为了应对及时的工程挑战，诸如Coop之类的方法通过直接从数据中学习最佳提示来自动化该过程。这减少了对手动调整的依赖，并可以提高模型对不同任务的适应性。在开放式识别挑战中，最近的研究表明，VLMS通过其有限查询集施加了封闭式假设。他们建议，简单地将查询设置扩展到包括更多类别并不能解决问题 - 实际上，由于错误分类和计算开销的增加，它可能会恶化性能（Miller等，2023）。为了减轻这些问题，已经提出了诸如纳入预测不确定性度量和专用的负嵌入等方法。这些方法旨在帮助模型识别输入何时不属于任何已知类别并适当处理此类案例
弹性MSM-密码学EPRINT存档-IACR
摘要。零知识证明（ZKP）是一个加密原始的原始性，使卖者能够说服一个陈述是真实的，而无需透露任何其他信息以外的任何其他信息。由于其强大的功能，其最实用的类型，称为零知识简洁的非交互性知识论据（ZKSNARK），已被广泛地部署在各种隐私性的应用程序中，例如加密货币和可验证的计算。尽管最新的zksnarks对于verifier来说是非常有效的，但供个人的计算开销仍然是数量级，而无法在许多应用中保证使用。该开销源于几个耗时的操作，包括大规模矩阵矢量乘法（MUL），数字理论变换（NTT），尤其是构成最大比例的多尺度乘法（MSM）。因此，需要进一步提高效率。
endodino：GI内窥镜检查的基础模型
缺乏大型和多样化的内窥镜数据集的AI的GI内窥镜检查和开发受到阻碍。因此，领域的传统发展涉及使用自然图像数据集（例如Imagenet-1K）进行预训练或转移学习。此路径要求组装相对较大且标记的填充数据集，以实现有意义的结果。创建此类数据集是耗时且昂贵的。此外，缺乏基础主链模型意味着GI内窥镜检查中不同的AI解决方案需要自己的推理计算开销。从部署的角度来看，这限制了部署多个AI解决方案在过程中实时运行的实用性。视觉基础模型特定于GI内窥镜检查可以统一AI解决方案，加速研究，甚至解锁了提高患者护理的新功能。
在量子耗散动力学中加强物理约束
量子传输3、DNA中的质子隧穿4和光合作用系统中的能量传递。5作为多体问题，由于希尔伯特空间维数呈指数增长且环境自由度数量巨大，开放量子系统的精确表征并不可行。然而，通过追踪环境自由度TrE（$）或在经典相空间内处理环境6和/或系统，该问题变得更容易处理。7,8为了研究开放量子系统，迄今为止已开发出多种方法，从完全经典的9,10到完全量子方法。11 – 18虽然每一种方法都取得了成功，但它们受到许多限制的阻碍，例如无法考虑量子效应，或者由于稳定性约束需要采用非常小的离散化步骤而需要大量计算资源。此外，环境影响的综合集成，特别是在高度非马尔可夫场景中，对计算开销有很大影响。