XiaoMi-AI文件搜索系统
World File Search System训练策略
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
用于 P300 解码的轻量级多尺度卷积神经网络：训练策略分析与网络决策揭示
卷积神经网络 (CNN) 可以自动从原始数据中学习特征以近似函数，这种网络越来越多地应用于脑电图 (EEG) 信号的端到端分析，尤其是用于解码脑机接口 (BCI) 中的大脑状态。尽管如此，CNN 引入了大量可训练参数，可能需要较长的训练时间，并且缺乏学习到的特征的可解释性。本研究的目的是提出一种用于 P300 解码的 CNN 设计，重点在于其在保证高性能的同时的轻量级设计、不同训练策略的影响以及使用事后技术来解释网络决策。所提出的设计名为 MS-EEGNet，以高效和优化（就可训练参数而言）的方式学习了两个不同时间尺度（即多尺度，MS）中的时间特征，并在三个 P300 数据集上进行了验证。使用不同的策略（参与者内和会话内、参与者内和跨会话、留一法、迁移学习）训练 CNN，并与几种最先进的 (SOA) 算法进行了比较。此外，分析了基线 MS-EEGNet 的变体，以评估不同超参数对性能的影响。最后，使用显着图来推导驱动 CNN 决策的相关时空特征的表示。尽管 MS-EEGNet 具有多个时间尺度，但它与测试的 SOA CNN 相比是最轻的 CNN，并且明显优于 SOA 算法。事后超参数分析证实了 MS-EEGNet 创新方面的优势。此外，MS-EEGNet 确实受益于迁移学习，尤其是使用少量训练示例，这表明所提出的方法可用于 BCI 中以准确解码 P300 事件，同时减少校准时间。从显著性图得出的表示与 P300 时空分布相匹配，进一步验证了所提出的解码方法。本研究通过专门解决轻量级设计、迁移学习和可解释性方面的问题，有助于推动基于 P300 的 BCI 深度学习算法的开发。
具有特定于特定工作空间的机器人辅助双侧上肢训练策略：试点研究
摘要：分散的能源存储越来越被视为对于脱碳的本地能源系统至关重要，预计该系统的全球市场将显着增长。几项研究研究了分散储能系统的技术开发，并研究了不同的业务模型如何使它们能够捕获各种价值流。最近的工作还探讨了公众对储能的看法，但是到目前为止，几乎没有关注影响部署的不同维度如何相互作用。在这里，我们介绍了一个审议研讨会的结果，该研讨会收集了利益相关者的观点，并解决了这三个维度之间的相互作用如何影响成功的部署。我们的方法是整体和综合性的，并利用了参与式决策方法。研究结果大大增加了对分散的储能方案的理解。研究表明，有许多方面可以帮助促进或阻碍存储计划，而利益相关者感知到与技术部署相关的多种方法。我们表明，以下四个原则可能有助于取得成功：最大化简单性和清晰度；管理期望，不确定性和风险；为社区带来利益；以及值得信赖的演员的参与。
通过多任务元学习实现数据高效的脑连接组分析
脑网络将脑区之间的复杂连接表征为图结构，为研究脑连接组提供了有力的手段。近年来，图神经网络已成为一种流行的结构化数据学习范式。然而，由于数据获取成本相对较高，大多数脑网络数据集的样本量有限，这阻碍了深度学习模型的充分训练。受元学习的启发，元学习可以在有限的训练样本下快速学习新概念，本文研究了在跨数据集环境中分析脑连接组的数据高效训练策略。具体来说，我们建议在大样本量的数据集上对模型进行元训练，并将知识迁移到小数据集。此外，我们还探索了两种面向脑网络的设计，包括图谱变换和自适应任务重新加权。与其他预训练策略相比，我们基于元学习的方法实现了更高、更稳定的性能，这证明了我们提出的解决方案的有效性。该框架还能够以数据驱动的方式获得有关数据集和疾病之间相似性的新见解。
从地面到对象：与地面接触的动态物体的粗到细节自我监督的单眼估计
自我监督的单眼深度估计（DE）是一种学习深度的方法，没有昂贵的深度地面真理。但是，它经常在移动物体上挣扎，这些物体违反了训练期间的静态场景假设。为了结束这个问题，我们介绍了一个粗到最新的训练策略，该策略利用了地面与先验接触的地面，该期望是在户外场景中大多数移动物体在地面上造成的。在粗糙的训练阶段，我们将动态类中的对象排除在再投入损失计算中，以避免深度学习不准确。为了对物体的深度进行精确的监督，我们提出了一种新颖的接地式差异平滑度损失（GDS-loss），该损失（GDS-loss）鼓励DE网络将物体的深度与其接地接触点保持一致。随后，在精细的训练阶段，我们完善了DE网络，以了解重新投影损失中对象的详细深度，同时通过使用基于成本量的加权因素利用我们的正则化损失来确保对移动对象区域的准确DE。我们的整体粗表表训练策略可以轻松地与无需修改的方法集成，从而显着提高了挑战性的城市景观和KITTI数据集的DE性能，尤其是在移动对象区域中。
基于反向传播的深度脉冲神经网络学习技术：综述
摘要 — 随着智能系统的采用，人工神经网络 (ANN) 已变得无处不在。传统的 ANN 实现能耗高，限制了它们在嵌入式和移动应用中的使用。脉冲神经网络 (SNN) 通过二进制脉冲随时间分布信息来模拟生物神经网络的动态。神经形态硬件的出现充分利用了 SNN 的特性，例如异步处理和高激活稀疏性。因此，SNN 最近引起了机器学习社区的关注，成为低功耗应用的 ANN 的受大脑启发的替代品。然而，信息的离散表示使得通过基于反向传播的技术训练 SNN 具有挑战性。在这篇综述中，我们回顾了针对深度学习应用（例如图像处理）的深度 SNN 的训练策略。我们从基于从 ANN 到 SNN 的转换的方法开始，并将它们与基于反向传播的技术进行比较。我们提出了一种新的脉冲反向传播算法分类法，将其分为三类，即：空间方法、时空方法和单脉冲方法。此外，我们还分析了提高准确性、延迟和稀疏性的不同策略，例如正则化方法、训练混合和调整特定于 SNN 神经元模型的参数。我们重点介绍了输入编码、网络架构和训练策略对准确性-延迟权衡的影响。最后，鉴于准确、高效的 SNN 解决方案仍面临挑战，我们强调了联合硬件和软件共同开发的重要性。
训练稳定的神经普通微分方程-Indiento
神经普通微分方程（神经odes）是一个深层神经网络的新家族。本质上，神经极是一个微分方程，其向量场是神经网络。将神经颂作为机器学习模型的一部分，使该模型比标准模型更有效。的确，可以使用伴随灵敏度方法来训练模型的神经ode块，该方法计算梯度下降方法的梯度，以避免经典的反向传播的计算成本。我们对这一领域的贡献是对神经ode块的稳定性和合同性的研究，是一个微分方程，目的是设计训练策略，以使整体机器学习模型稳健且稳定，以抗对抗攻击。此海报基于[1]，[2]和[3]。
将“C”重新放回 BCT：通过...创造变革推动者
截至 2022 年，基本战斗训练 (BCT) 缺乏对持续地面战斗的关注，未能为新士兵做好大规模作战行动 (LSCO) 的准备。它具有挑战性，但专注于事件而不是基于战术的训练，这可以更好地让新士兵为在现代战场上战斗和生存做好准备。随着战争性质的变化，我们的训练策略、领导者发展和由此产生的文化也必须随之变化。改变是一个艰难的过程，因为“我们一直都是这样做的”蒙蔽了一些从业者的思想并制造了障碍。通过赋予下属元素和外部实体重要的主动权来拥有、开发和创造解决方案，改变不再是关于“他们”的新想法，而是关于“我们”如何让事情变得尽可能好。
将“C”重新放回BCT中：
截至 2022 年，基础战斗训练 (BCT) 缺乏对持续地面战斗的关注，未能为新士兵做好大规模作战行动 (LSCO) 的准备。它具有挑战性，但专注于事件而不是基于战术的训练，这更好地让新士兵为在现代战场上战斗和生存做好准备。随着战争性质的变化，我们的训练策略、领导者发展和由此产生的文化也必须随之变化。改变是一个艰难的过程，因为“我们一直都是这样做的”蒙蔽了一些从业者的思想并制造了障碍。通过赋予下属元素和外部实体重要的主动权来拥有、开发和创造解决方案，改变不再是关于“他们”的新想法，而是关于“我们”如何让事情变得尽可能好。
国民警卫队陆军运营和维护概述
2024 财年估计运营和维护，陆军国民警卫队 848.3 14.5 62.8 925.6 41.2 13.6 980.4 资助行动描述：陆军陆军计划提供作战节奏 (OPTEMPO) 资源，以训练和维持陆军国民警卫队 (ARNG) 战斗部队与任务要求一致的战备水平。预算请求支持地面 OPTEMPO 训练策略，包括为本站训练 (HST) 和战斗训练中心 (CTC) 轮换而行驶的实际里程，以及与使用模拟器相关的虚拟里程，例如近战战术教练 (CCTT) 和单位射击训练器 (UCOFT)。陆军部全力致力于提供满足训练策略和相关战备水平所需的资源。每个财政年度的资源训练里程反映了整个部队所有单位在分阶段、远征周期中处于各种部队生成战备水平的情况。陆军作战节奏地面指标“综合英里”基于进行全谱作战 (FSO) 训练的关键部队和车辆的综合平均值。FSTM 指标中的车辆组成包括 M1 坦克、M2 步兵战车、M3 骑兵战车、斯崔克车辆和升级装甲的 HMMWV。与 M1 坦克英里相比，综合训练英里更全面地代表了进行 FSO 训练并消耗作战节奏资源的关键部队和设备。目标是在 2024 财年资助 662 综合英里，以进行全谱作战训练，并允许陆军国民警卫队部署一支训练有素、随时待命的部队，能够在有限的部署后训练要求下动员和部署。除了资助部队训练及其相关费用（如燃料、补给、维修零件、旅行和交通）外，陆军还支持一项训练战略，为从步兵到师指挥官的士兵提供全方位的现实训练演习。