XiaoMi-AI文件搜索系统
World File Search System预测器
zscaler漏洞预测器
关于Zscaler Zscaler（NASDAQ：ZS），可以加速数字转换，以使客户更加敏捷，高效，弹性和安全。ZScaler Zero Trust Exchange通过将任何位置的用户，设备和应用程序安全地连接到网络攻击和数据丢失，以保护数千个客户免受网络攻击和数据丢失。分布在全球150多个数据中心上，基于SSE的零信任交换是世界上最大的内联云安全平台。在zscaler.com上了解更多信息，或在Twitter @zscaler上关注我们。
基于机器学习的中风预测器应用
患者，他们的社交网络，他们的家庭以及他们的就业地点都受到中风的影响。在印度，这是死亡的主要原因之一。由于医学的变化，现在有可能使用机器学习预测中风[1]。机器学习算法有助于评估数据并产生精确的预测[2]。大多数较早的中风研究都集中在预言心脏病发作上。脑部中风几乎没有引起注意[3]。机器学习算法对于提供准确的分析和进行准确的预测很有用[4]。心率预测一直是先前研究的主要重点[5]。中风研究并未得到太多研究。研究背后的想法是使用机器学习预测中风的发生率[6]。
作者：Khoa Dao 导师：Zhe He 教授 机器学习在预测器官移植结果中的应用
该研究领域的主要限制之一是用于训练机器学习和深度学习模型的数据的可用性。目前大多数研究使用 UNOS 注册数据库，并报告了可用于训练模型的数据量有限。人们认为，使用更多数据来训练模型，模型将给出更准确的预测。由于患者和捐赠者的特征以及研究中的选择标准随时间变化，所有模型的性能都随着时间的推移而下降。此外，当模型给出预测时，有时研究人员无法解释它给出预测的原因，例如风险评分。因此，医生无法可靠地将其用于某些患者的独特情况。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
FPGA配置合金相关的分支预测器
说明管道是改善处理器速度的最杰出技术之一；尽管如此，这些管道的阶段仍在不断面对由嵌套条件分支引起的摊位。在执行嵌套条件分支的过程中，跑步分支的行为取决于先前的历史记录信息；因此，这些分支在降低条件分支之间分支预测因子的预测准确性方面具有最大的影响。这项研究的目的是通过引入结合本地和全球预测技术的分支预测变量的硬件模型来减少由相关分支引起的失速周期。此预测因子将合金预测变量的预测特性与相关预测指标的预测特性相结合。在VHDL中实现的预测器设计（非常高速IC硬件说明语言）已插入先前设计的MIPS（无连锁管道管道式阶段的微处理器）中，并通过使用选择排序的算法来确认程序的预测准确性，以将不同组合的100个不同组合的输入数量分类。
使用分支预测器预测脑机植入物中的大脑活动
植入式脑机接口的一个关键问题是它们需要极高的能效。降低能耗的一种方法是使用这些设备中嵌入的处理器提供的低功耗模式。我们提出了一种技术来预测感兴趣的神经元活动何时可能发生，以便处理器在这些时间以标称工作频率运行，否则置于低功耗模式。为了实现这一点，我们发现分支预测器也可以预测大脑活动。我们对清醒和麻醉的老鼠进行脑部手术，并评估几种分支预测器预测小脑神经元活动的能力。我们发现感知器分支预测器可以预测小脑活动，准确率高达 85%。因此，我们利用分支预测器来指示何时在低功耗和正常操作模式之间转换，节省高达 59% 的处理器能量。
基于人工智能的软件缺陷预测器：案例研究中的应用和优势
Ayse Tosun 1、Ayse Bener 2、Resat Kale 3 1,2 博阿齐奇大学计算机工程系软件研究实验室（SoftLab），邮编 34342，伊斯坦布尔，土耳其 3 Turkcell 技术公司，盖布泽，伊斯坦布尔，土耳其 1 ayse.tosun@boun.edu.tr，2 bener@boun.edu.tr，3 resat.kale@turkcellteknoloji.com.tr 摘要 软件缺陷预测旨在通过引导测试人员完成软件系统中易出现缺陷的部分来减少软件测试工作量。缺陷预测器被广泛用于组织中以预测缺陷，从而节省时间和精力，作为手动代码审查等其他技术的替代方案。在现实环境中应用缺陷预测模型很困难，因为它需要来自过去项目的软件度量和缺陷数据来预测新项目的缺陷倾向。另一方面，它非常实用，因为它易于应用，可以用更少的时间检测出缺陷并减少测试工作量。我们在一年的时间内为一家电信公司建立了一个基于学习的缺陷预测模型。在这项研究中，我们简要解释了我们的模型，展示了它的收益并描述了我们如何在公司中实施该模型。此外，我们将我们的模型的性能与试点项目中应用的另一种测试策略的性能进行了比较，该项目实施了一种名为团队软件流程 (TSP) 的新流程。我们的结果表明，缺陷预测器可用作新流程实施过程中的支持工具，预测 75% 的代码缺陷，并减少测试时间，而通过代码审查和正式检查表等更耗费劳动力的策略检测到的代码缺陷率为 25%。