XiaoMi-AI文件搜索系统
World File Search System计算效率
抗噪模态参数识别与损伤...
摘要目的——地面振动测试对于飞机设计和认证至关重要。快速松弛矢量拟合 (FRVF) 和 Loewner 框架 (LF) 最近扩展到机械系统中的模态参数提取，以解决时间和频域技术的计算挑战，用于航空相关结构的损伤检测。设计/方法/方法——FRVF 和 LF 应用于数值数据集以评估噪声稳健性和损伤检测性能。还评估了计算效率。此外，它们还应用于一种新的高纵横比机翼损伤检测基准，将其性能与最先进的方法 N4SID 进行比较。结果——FRVF 和 LF 可有效检测结构变化；LF 表现出更好的噪声稳健性，而 FRVF 的计算效率更高。实际意义——建议在有噪声的测量中使用 LF。原创性/价值——据作者所知，这是首次应用 LF 和 FRVF 提取航空相关结构中的模态参数的研究。此外，还介绍了一种新型高纵横比机翼损伤检测基准。
神经2024 ML4CFD竞赛：用于机翼设计中计算流体动力学的机器学习
用于解决复杂物理问题的机器学习（ML）技术的整合越来越被认为是加快模拟的有前途的途径。但是，评估ML衍生的物理模型在工业环境中的采用构成了重大挑战。本竞赛旨在促进创新的ML方法来应对身体挑战，利用我们最近引入的统一评估框架，称为学习工业物理模拟（LIPS）。建立在2023年11月至2024年3月1日举行的初步版本上，该迭代以良好的物理应用为基础的任务为基础：使用我们建议的Airfrans数据集，翼型设计模拟。竞争基于各种标准评估解决方案，包括ML准确性，计算效率，分布外部性能和遵守物理原理。值得注意的是，这项竞争代表了探索ML驱动的替代方法的开创性努力，旨在优化物理模拟中计算效率和辅助性之间的权衡。托管在Codabench平台上，比赛为所有参与解决方案提供了在线培训和评估。
Tirias-Research-Genai-Infographic。 ...
随着神经网络模型的复杂性增长，每个令牌和每个图像的计算工作量预计每年都会增加。即使服务提供商致力于优化神经网络的规模并提高计算效率，随着我们朝着数十亿用户和日常使用Genai驱动的服务的使用，预测总工作成本（FTCO）会大大增加。
人工智能数据准备 (AIDR)
一旦确定了业务需求，确定适当的算法或技术是实施 AI 解决方案的另一个关键步骤。这涉及考虑可扩展性、可解释性和计算效率等因素。因此，此步骤有助于为模型开发的后续阶段奠定基础，包括数据预处理、特征工程和模型评估，以合理确保 AI 模型能够有效应对目标业务挑战。
通过蛋白质语言检测圆形排列...
蛋白质圆形排列对于理解蛋白质的进化和功能至关重要。传统的检测方法，基于序列或基于结构的，与准确性和计算效率的斗争，后者也通过将蛋白质视为刚体的限制。使用蛋白质语言模型的PLMCP方法不仅加快了检测过程，而且还提高了识别循环排列的准确性，从而通过确认结构灵活性来对蛋白质研究和工程产生重大贡献。
使用智能网格的功能选择技术来预测混合PV – Windable可再生能源系统的能源输出
在当前的技术时代，基于不断变化的天气因素预测功率和能源产量在可再生能源部门的经济增长中起着重要作用。与传统的化石燃料资源不同，可再生能源可能在维持一个国家的经济和改善生活质量方面起着关键作用。由于如今我们的星球正面临着由于气候变化和全球变暖而面临的严重挑战，因此这项研究可能有效地在使用不同天气条件的智能电网中实现良好的预测准确性。在当前的研究中，将不同的机器学习模型与混合光伏（PV）的可再生能源系统的估计功率和能量进行了比较，使用了七个天气因素，这些天气因素对PV-Wind-Windable可再生能源系统的产出有重大影响。这项研究对机器学习模型进行了分类，该模型可能具有可能有用且有效地预测能源和功率。历史悠久的小时数据是通过和没有数据操作处理的。使用交叉验证（RFECV）使用递归特征消除进行数据操作。数据是使用人工神经网络（ANN）回归器训练的，并且确定了数据集中不同特征之间的相关性。主要目的是找到有意义的模式，可以帮助统计学习模型根据这些使用模式进行训练。©2021作者。由Elsevier Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。结果表明，使用线性回归模型选择特征选择技术在所有评估指标中都超过了所有其他模型，必须将平均平方误差（MSE）为0.000000104，平均绝对误差（MAE）为0.00083，r 2，r 2，r 2的99.6％的99.6％的r 2，以及通过0.02的范围进行了启动的效率，以增强的计算效率，以增强的计算效率，以增强的计算效率，以增强效率，以增强的效率，以增强的效率，以增强的效率，以增强的效率。可再生能源系统。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。为了满足在混合云设置中对跨域身份验证的需求，该研究的重点是启动各种密码系统的身份验证方案，作者提出了一项有关云环境中异构跨域身份身份认证和控制的研究。基于PKI引入多个中心身份验证管理机制，以控制和跟踪不同密码系统安全域中用户的匿名身份。在用户和云服务提供商之间的双向身份验证过程中，该方案成功协商了会话键，并在不同的密码系统上转换了匿名身份。结果表明，没有证书签名的基于云的跨域身份身份身份验证方案涉及用户注册过程中的三个指数操作，在最初的跨域身份验证期间进行了四项指数操作和三个双线性操作，以及在随后的跨跨阶段期间的三个双线性操作。同时，基于PTPM和无证书的公共密钥的身份身份验证方案需要在用户注册期间进行三项指数操作，在重复的跨段阶段期间，在初始跨域验证期间进行了五项指数操作和三项双线操作，以及最初的跨域验证过程中的三项双线操作。该方案在异质系统中实现了跨域身份验证，并使用较低的计算时间进行点乘法和哈希操作。这种方法有效地保护了反对重播，替换和中间攻击，从而确保了各种密码系统之间安全的跨域身份身份验证。与其他方案相比，它在完成异质系统中完成跨域身份验证的同时，它可以实现更好的计算效率，而与EIMAKP方案相比，它具有更好的计算效率。它可以平衡强大的安全措施与计算效率，从而增强了整体系统的可靠性和完整性。
通过异常检测确保可植入的医疗设备免受远程攻击：增强医疗保健中的物联网安全
可植入的医疗设备被手术插入患者中，以提供增强的医疗治疗，例如连续监测或常规药物注射。现代设备具有无线通信capabil ities，并与医院的外部实体进行通信。此无线通信引入了攻击向量，以供对手利用。成功对植入医疗设备的攻击可能会产生致命的结果，因此至关重要的是将这些攻击免受远程攻击。随着连接的医疗设备的数量增加，患者安全受到危害。这些设备旨在增强患者的健康状况，而不引入任何其他风险。调查并建议将适当的异常检测算法在可植入的医疗设备上实施，这有助于早期检测潜在攻击并保护患者免受进一步的伤害。由于设备受到资源的约束，因此在计算效率上需要准确的算法。主要的研究差距是，在建议用于植入式医疗设备异常检测的机器学习模型时，以前的研究尚未考虑这些资源限制。在本文中，根据预测性能和计算效率评估了算法。所述问题很重要，因为研究领域的研究不足。随着针对小电池，效率软件和嵌入式系统的能源收集的最新技术进步，因此有更多的安全空间。
![arxiv：2503.00060v1 [cs.cv] 2025年2月27日](/simg/3\370629d7d9b2ce4b069c2351e653722e5336e9a3.webp)
arxiv：2503.00060v1 [cs.cv] 2025年2月27日
视觉变压器（VIT）在全球建模中脱颖而出，但由于其注意力机制的二次计算复杂性，在资源受限设备上面临部署挑战。为了解决这个问题，我们提出了语义意识的聚类视觉变压器（SAC-VIT），这是一种非著作范围，以提高VIT的计算效率。SAC-VIT分为两个阶段：早期出口（EE）和语义意识聚类（SAC）。在EE阶段，处理下采样的输入信息以提取全局语义信息并生成初始推理结果。如果这些结果不符合EE终止标准，则将这些信息聚集到目标和非目标令牌中。在SAC阶段，目标令牌被映射回原始图像，裁剪和嵌入。然后将这些目标令牌与从EE阶段重复使用的非目标令牌结合使用，并在每个集群中应用注意力机制。具有端到端优化的两阶段设计，可降低空间冗余，并实现计算效率，从而显着提高所有VIT性能。广泛的实验证明了SAC-VIT的功效，减少了DEIT的62％，并实现了1.98倍的吞吐量，而无需损害。
有效估计的潜在统计技术
重要性抽样是一种潜在且灵活的统计方法，可以在直接采样不切实际的情况下实现更有效的估计。通过利用提案分布来指导采样到目标分布的最相关区域，从而显着提高了计算效率。但是，需要仔细选择提案分布，需要获得准确稳定的结果。尽管具有挑战性的挑战，但采样的重要性仍然是从金融到物理优化等领域的基本技术。