XiaoMi-AI文件搜索系统
World File Search System计算资源
机器学习与人工智能的进步
摘要 区块链本质上是一个分布式数据库，记录参与方之间的所有交易或数字事件。记录中的每笔交易都由系统参与者协商一致批准和验证，这需要解决一个困难的数学难题，即工作量证明。为了使已批准的记录不可变，解决数学难题并不容易，因此会消耗大量的计算资源。然而，在区块链中安装许多计算节点，仅通过解决一个毫无意义的难题来竞争批准记录，这是非常浪费能源的。在这里，我们将工作量证明作为一个强化学习问题，将区块链的增长建模为一个马尔可夫决策过程，在这个过程中，学习代理对环境状态做出最佳决策，而新的区块则被添加和验证。具体而言，我们将区块验证和共识机制设计为一个深度强化学习迭代过程。因此，我们的方法利用马尔可夫决策过程的状态转换确定性和动作选择的随机性，以及深度神经网络的计算复杂性，使区块不易重新计算并保持交易的顺序，同时利用区块链节点并行训练具有不同数据样本（状态-动作对）的相同深度神经网络，使模型能够同时在计算节点上经历多个情节。我们的方法用于设计下一代公共区块链网络，这不仅可以为工业应用节省计算资源，还可以鼓励针对常见问题的数据共享和 AI 模型设计。
农村人工智能的自适应边缘云环境 - ORCA
摘要 — 云计算提供对计算资源的按需访问，同时外包基础设施和服务维护。边缘计算可以利用单板计算机等低成本硬件将云计算能力扩展到计算资源有限的地区，例如农村地区。云数据中心托管的机器学习算法可能会违反用户隐私和数据保密性要求。联邦学习 (FL) 无需将数据发送到中央服务器即可训练模型并确保数据隐私。使用 FL，多个参与者可以在单个机器学习模型上进行协作而无需共享数据。但是，农村网络中断可能随时发生，并且无线网络的质量因位置而异，这会影响联邦学习应用程序的性能。因此，需要一个能够独立于基础设施状态维护服务质量的平台。我们提出了一种针对农村 FL 的自适应系统，该系统采用基于贪婪提名启发式 (GNH) 的优化来协调构成农村计算环境的多个资源之间的应用程序工作流。GNH 为工作流放置提供分布式优化。GNH 利用资源状态来降低故障风险和成本，同时仍按时完成任务。我们的方法使用模拟农村环境进行了验证 - 由多个共享相同基础设施并运行共享 FL 应用程序的分散控制器组成。结果表明，GNH 在部署 FL 任务方面优于三种算法：随机放置、循环负载平衡器和简单贪婪算法。索引术语 - 计算连续体、联邦学习、无服务器计算。
构建系统收敛的途径？
○我们共同努力，改善了满足我们所有要求的通用工具。○SFT构建通用，HEPMC，仿真，分析和ML软件包组，并在CVMFS上分发它们，专门优化该工具，以使用CVMFs作为软件和可重复使用的产品的有效分发渠道。○使用相同工具的实验添加和维护其存储库，同时从共享的包装构建配方中受益。○不同的CI管道同时运行（可能在相同的共享构建基础架构上），优化了人力和计算资源的使用情况。○每个人都快乐
ART-Plan™注释：
问：部署 Annotate 是否需要任何额外的硬件基础设施？答：目前，您将收到一台服务器，安装在您的内部诊所网络中。ART-Plan TM 是一款基于 Web 的软件，其计算资源在服务器上运行。因此，从第一天起，它就可以通过连接到您诊所网络的任何计算机访问，并且结果可以推送到您医院网络中的任何 TPS 或 PACS 系统。您唯一需要的就是一台计算机和一个 Web 浏览器。无需额外的硬件。很快，Annotate 将通过云端提供，进一步优化和简化您的放射治疗工作流程。
多模式医学图像分类的分裂学习
摘要 - 在过去的几十年中，机器学习（ML）在医学图像分类中取得了重大进展。成功可以归因于两个因素：（i）诊所/医院收集和处理的独特患者数据以及（ii）解决基本分类任务的相应ML模型。实际上，患者数据可能包含患者人口统计学特有的敏感信息；和ML模型通常需要更高的计算资源，而不是单个医院的负担能力。考虑实际问题，我们探索了一种协作ML方法，其中称为客户的数据提供商旨在利用服务器的计算资源共同培训一个统一的ML模型，而无需共享任何原始数据。特别是，我们使用包含多模式图像输入和多标签地面真实的现实世界数据集专注于皮肤病变分类问题。为了启用协作性但具有隐私性的皮肤病变障碍，我们基于U形拆分学习，开发了一个名为SplitFusionNet的学习框架。SplitFusionNet的关键思想是将ML模型分为深神经网络层的（客户端，服务器）分区：客户端层处理多模态输入数据和多标签，而服务器层执行计算广泛的中层计算。此外，我们应用无损压缩和减压来提高客户端和服务器之间的通信成本。在实验上，与非分类集中式培训相比，SplitFusionNet需要更少的训练管道时间，同时实现相等的预测性能。索引术语 - 分类学习，多模式分类，多标签分类，隐私的机器学习
作为任务订单 31310022P0034 的一部分编写，“使用人工智能/机器学习描述核网络安全状态”
报告描述了主要假设和支持主要假设的研究问题。此外，还建立了一套标准和假设，用于确定一组初始的潜在用例和相关程序。这些标准和假设确保所选用例简单但能代表核设施中的真实事件和状态（即正常、异常和网络安全），并具有支持事件区分、灵活性、在资源和时间限制内进行实际测量以及在网络物理环境中预期的数据类型的特征。介绍了一种在整个项目实施过程中遵循的研究方法，包括问题空间定义、数据类型、算法、方法以及项目和计算资源。
Transformers 彻底改变了 AI。什么将取代它们？
熟悉 AI 世界的人都知道，当今 AI 模型的一大特征是其永不满足的计算需求。如今，训练尖端的大型语言模型需要连续数月全天候运行数千个 GPU。例如，OpenAI 今年早些时候筹集了惊人的 100 亿美元，原因就是为了支付构建高级 AI 模型所需的大量计算资源。再举一个例子，成立 18 个月的初创公司 Inflection 最近筹集了超过 10 亿美元的风险投资，以构建一个庞大的 GPU 集群来训练其语言模型。
SCINet 简讯：2024 年 10 月
在深度学习的推动下，蛋白质结构和功能分析的最新进展为科学家提供了强大的新工具，帮助他们了解蛋白质的氨基酸序列如何影响生物体的表型或可观察特征。这些新功能有可能通过揭示蛋白质与多种农业相关性状（如抗病性、抗旱性、生长潜力等）之间的联系，彻底改变农业研究。然而，这些工具并不总是易于使用，需要大量的计算资源和技术知识。我们开发了名为“PanEffect”的新软件，它提供了一套用户友好的工具集，用于探索蛋白质序列的变化如何影响生物体的表型。
通过优化德克萨斯州电网蓄电池的放置来减少排放
2 在尝试（但失败了）在我们自己的笔记本电脑上以合理的容量运行基础模型后，我们考虑过利用大学的远程计算资源，但经过深思熟虑后，我们一致认为使用更简单的模型可能会更有优势。我们相信，简化的模型将以更易理解和更直观的规模提供类似的见解，同时还能让我们完全透明地控制我们的优化算法。3 重要提示：这个模型就是所谓的合成电网测试用例。这意味着，虽然它基于来自现实世界的德克萨斯电网的数据，但它的规模要小得多。它的目的是通过提供德克萨斯州发电和配电能力的合理近似值，促进与我们项目类似的分析。
关于外包指南的公众咨询最终报告第 19/270 号
技术（“ICT”）系统，在基于云的系统中，云服务提供商和云客户共享对云系统资源的控制。云的不同服务模式影响他们对计算资源的控制，从而影响在基于云的系统中可以做什么。这意味着，从安全和控制的角度来看，云提供商和云客户也可能共担责任。一般原则是，云客户始终对他们在云中所做的事情负责，而云服务提供商则对云负责。尽管如此，保险和再保险企业在外包（包括外包给云服务提供商）时仍有责任遵守其所有监管义务。这包括期望企业告知其云服务提供商，他们必须遵守这些准则。