XiaoMi-AI文件搜索系统
World File Search System训练方法
非人类灵长类动物的实时脑机接口利用浅前馈神经网络解码器实现高速假肢手指运动
尽管用于恢复运动功能的脑机接口技术发展迅速，人们对此也产生了浓厚的兴趣，但假手指和假肢的性能仍无法模仿自然功能。将脑信号转换为假肢控制信号的算法是实现快速逼真的手指运动的限制因素之一。为了实现更逼真的手指运动，我们开发了一个浅层前馈神经网络来解码两只成年雄性恒河猴的实时双自由度手指运动。使用两步训练方法，引入重新校准的反馈意图训练 (ReFIT) 神经网络以进一步提高性能。在对两只动物进行 7 天的测试中，神经网络解码器的手指运动速度更快、更自然，与代表当前标准的 ReFIT 卡尔曼滤波器相比，吞吐量提高了 36%。这里介绍的神经网络解码器展示了优于当前最先进水平的连续运动的实时解码，并可以为使用神经网络开发更自然的脑控假肢提供一个起点。
使用电子表格作为神经网络计算机模拟的学习工具
摘要。本文证实了在电子表格环境中开发神经网络计算机模拟训练方法的必要性。系统地回顾了它们在模拟人工神经网络中的应用。作者区分了在电子表格环境中解决网络计算机模拟训练问题的基本方法、电子表格和神经网络模拟工具的联合应用、在电子表格中应用第三方插件、使用电子表格的嵌入式语言开发宏；使用标准电子表格插件进行非线性优化、在电子表格环境中创建没有插件和宏的神经网络。本文考虑了在基于云的电子表格 Google Sheets 中构建神经网络模型的方法。该模型基于 RA Fisher 在“分类问题中使用多种测量”中提供的多维数据分类问题。讨论了 Edgar Anderson 在 1920 年代至 1930 年代收集和准备数据方面的作用以及数据选择的一些特点。本文介绍了 Anderson 开发的以表意文字形式呈现多维数据的方法，该方法被认为是第一种有效的数据可视化方法之一。
最佳脑压缩：用于准确训练后量化和修剪的框架
我们考虑在具有挑战性的一声/训练后设置中，深度神经网络（DNN）的模型压缩问题，在该设置中，我们将获得一个准确的训练有素的模型，并且必须仅基于少量校准输入数据而无需进行任何重新训练。鉴于新兴软件和硬件支持，该问题已变得很流行，以通过加速进行修剪和/或量化来执行模型，并且已经针对两种压缩方法独立提出了良好的表现解决方案。在本文中，我们引入了一个新的压缩框架，该框架涵盖了在统一的环境中涵盖重量修剪和量化的，这是时间和空间效果，并且在现有后训练方法的实际性能上大大提高。在技术层面上，我们的方法基于[Lecun，Denker和Solla，1990]的经典最佳脑外科医生（OBS）框架的精确而有效的实现，以涵盖现代DNNS规模的体重量化。从实际的角度来看，我们的实验结果表明，它可以在现有训练后方法的压缩准确性权衡方面显着改善，并且它可以在培训后环境中启用修剪和量化的准确复合应用。
二氧化碳在3D混凝土印刷结构的特性上的潜力
光子神经网络（PNN）已成为传统电子神经网络的有前途的替代品。然而，PNN的培训，尤其是在传统实践中被认为是高度有效的分析梯度下降算法的芯片实施，这仍然是一个重大挑战，因为物理系统并非差异。提出了诸如无梯度和数值梯度方法之类的训练方法，但它们却没有过度测量和有限的可伸缩性。最新的原位培训方法也受到成本挑战，需要昂贵的在线显示器和频繁的光学I/O切换。在这里，提出了一种物理感知的分析梯度培训（PAGT）方法，该方法在分裂和串联策略中计算分析梯度，从而克服了芯片在PNNS训练中造成的不良性引起的差异。在芯片上实施了多种训练案例，尤其是生成对抗网络，与原位方法相比，时间消耗显着降低（从31 h到62分钟），能源消耗降低了四倍。结果为训练混合光子 - 数字电子神经网络提供了低成本，实用和加速的解决方案。
验证虚拟现实训练模拟 - NATO STO
虚拟现实和其他以场景为导向的计算机方法在现代武装部队训练中变得无处不在，以解决日益增长的作战节奏需求与传统训练方法的局限性之间的差距。虚拟环境中物理和视觉效果的保真度已大幅提高，这在很大程度上是由于游戏行业的进步使此类模拟变得有趣。现在，人们对这些模拟中计算机生成的代理的表示保真度要求越来越高。然而，我们如何知道它们是否具有任何训练价值？也许更好的问题是“需要什么级别的计算机代理表示才能产生有效的训练？”不幸的是，由于引人注目的视觉效果和对“朴素现实主义”的信念，大多数训练模拟都被认为是有效的；很少有经过严格验证的，而且对更具代表性的人类模型的需求可能也会产生类似的影响。本文将回顾培训师可以采用的一些验证方法来评估基于模拟的培训的总体培训效果，并开始讨论如何确定对人类代表的适当投资以实现积极的培训转移。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
脚手架：一种基于脚手架的大型语言改进
药物优化变得越来越多。尽管如此，它还是具有挑战性的，因为它需要保留原始药物的有益特性，同时增强其范围的所需属性。在这项工作中，我们旨在通过引入S Caffold GPT来应对这一挑战，这是一种新型的大型语言模型（LLM），设计用于基于分子SCAF-FOLL的药物优化。我们的工作包括三个关键组成部分：（1）一种三阶段的药物优化方法，可以整合预训练，填充和解码优化。（2）一种独特设计的两相增量训练方法，用于预训练药物优化的基于LLM的发电机，以增强性能。（3）代币级的解码优化策略T OP-N，该策略可以使用预验/填充的LLMS启用受控的，奖励引导的生成。fi-nyly，通过对共证和癌症基准进行全面的评估，我们表明，Caffold GPT的表现优于药物优化基准中的基线，同时在保持原始的功能型支架方面表现出色。
基于规则的语言模型安全奖励
基于大型语言模型（LLM）基于人类偏好的细微调整已被证明可以增强其能力和安全行为。但是，在与安全相关的情况下，没有对人类注释的精确说明，收集的数据可能会导致模型过于谨慎，或者以不良的风格做出反应，例如是判断力。另外，随着模型功能和使用模式的发展，可能需要添加或重新标记的数据来修改安全行为。我们提出了一种利用AI反馈的新型偏好建模方法，仅需要少量的人类数据。我们的方法，基于规则的奖励（RBR），使用了所需或不希望行为的规则集合（例如拒绝不应与LLM分级器一起进行判断。与使用AI反馈的先前方法相比，我们的方法使用了直接在RL培训中的细粒度，可组合，LLM分级的几个提示作为奖励，从而获得更大的控制，准确性和易于更新。我们表明RBR是一种有效的训练方法，与91.7的人为反馈基线相比，F1得分为97.1，从而通过更好的平衡有用性和安全性，导致了更高的安全行为精度。
开发基于精细语言模型的瑞典法律判断的语义搜索工具
大型语言模型（LLMS）是非常大的深度学习模型，可根据大量数据进行重新训练。是句子的双向编码器表示，来自变形金刚（SBERT）的句子是基于变压器的DeNoising AutoCoder（TSDAE），生成查询网络（GENQ）和生成假伪标记（GPL）的改编。本论文项目旨在为瑞典法律判断开发语义搜索工具，以克服法律文件检索中传统关键字搜索的局限性。为此，使用高级培训方法（例如TSDAE，GENQ和GPL的改编），通过利用自然语言处理（NLP）（NLP）（NLP）（NLP）和精细的LLM来开发一种善于理解法律语言的语义细微差别的模型。要从未标记的数据中生成标记的数据，对其进行微调后使用了GPT3.5模型。使用生成模型的使用标记数据的生成对于该项目有效训练Sbert至关重要。已经评估了搜索工具。评估表明，搜索工具可以根据语义查询准确检索相关文档，并同样提高法律研究的效率和准确性。genq已被证明是此用例的最有效的训练方法。
使用井和核心的布莱克本田山谷砂岩的沉积相分析；对碳固换的影响
摘要：了解高级驾驶员辅助系统（ADA）和自动驾驶汽车（AV）技术的复杂性对于道路安全至关重要，尤其是关于驾驶员采用的问题。有效的培训是确保这些技术的安全和合格运行的关键因素。这项研究强调了训练方法在塑造驱动因素的心理模型中的关键作用，该方法定义为个人的认知框架，以理解和与ADAS和AV系统进行互动。他们的心理模型极大地影响了他们与这些技术的互动。已经对基于文本和基于视频的培训方法进行了比较分析，以评估他们对参与者的表现的影响以及其ADA和ADA和航空功能的心理模型的发展。性能是根据参与者在驱动模拟中与ADA和AV函数相互作用的准确性和反应时间的评估。调查结果表明，基于视频的培训产生了更好的表现成果，更准确的心理模型以及对参与者中ADAS功能的更深入的了解。这些发现对于政策制定者，汽车制造商和参与驾驶员培训的教育机构至关重要。他们强调了制定量身定制的培训计划的必要性，以促进日益复杂的汽车技术的熟练和安全运行。