The-Internet（IoT）网络智能地连接了数千个物理实体，为社区提供各种服务。它目睹了指数扩展，这使发现网络中存在的IoT设备并请求相应的服务的过程变得复杂。随着物联网环境的高度动态性质阻碍了传统的服务发现解决方案的使用，我们在本文中，通过提出一个可扩展的资源分配神经模型来解决此问题，足以适合异构的大型IoT网络。我们设计了一种图形神经网络（GNN）方法，该方法利用IoT网络中设备之间形成的社会关系来减少任何实体查找的搜索空间，并从网络中的另一个设备中获取服务。这种提出的资源分配方法超过了标准化问题，并通过GNNS的方式嵌入了社会物联网图的结构和特征，以最终的聚类分析过程。对现实世界数据集的仿真结果说明了该解决方案的性能及其在大规模IoT网络上运行的显着效率。

Traffic forecasting has attracted widespread attention recently. In reality, traffic data usually contains missing values due to sensor or communication errors. The Spatio-temporal feature in traffic data brings more challenges for processing such missing values, for which the classic techniques (e.g., data imputations) are limited: 1) in temporal axis, the values can be randomly or consecutively missing; 2) in spatial axis, the missing values can happen on one single sensor or on multiple sensors simultaneously. Recent models powered by Graph Neural Networks achieved satisfying performance on traffic forecasting tasks. However, few of them are applicable to such a complex missing-value context. To this end, we propose GCN-M, a Graph Convolutional Network model with the ability to handle the complex missing values in the Spatio-temporal context. Particularly, we jointly model the missing value processing and traffic forecasting tasks, considering both local Spatio-temporal features and global historical patterns in an attention-based memory network. We propose as well a dynamic graph learning module based on the learned local-global features. The experimental results on real-life datasets show the reliability of our proposed method.

二维超声心动图中的标准视图已经建立了良好，但是获得的图像的质量高度依赖于操作员的技能，并进行了主观评估。这项研究旨在通过定义一组新的特定领域质量指标来为超声心动图图像质量提供客观评估管道。因此，可以自动化图像质量评估以增强临床测量，解释和实时优化。我们开发了深层神经网络，用于对超声心动图框架的自动评估，这些评估是从11,262名成年患者中随机采样的。私有超声心动图数据集由33,784帧组成，以前在2010年至2020年之间获得。深度学习方法被用来提取时空特征，并根据平均绝对误差评估了图像质量指标。我们的质量指标涵盖了解剖学和病理元素，以分别提供解剖学可见性，清晰度，深度增益和预先理解性的多元评估评分。

超声心动图图像质量评估不是经胸检查中的微不足道问题。随着对心脏结构的体内检查在心脏诊断方面的突出性，已经确认，准确诊断左心室功能取决于回声图像的质量。到目前为止，回声图像的视觉评估是高度主观的，需要在临床病理下进行特定的定义。尽管质量较差的图像损害了量化和诊断，但超声心动图图像质量标准的固有变化表明，在临床试验下，在临床试验下，尤其是在经验不足的心脏病学家下，在不同观察者之间面临的复杂性，并提供了明显的证据。在这项研究中，我们的目的是分析和定义专家主要讨论的特定质量属性，并提出一个完全训练的卷积神经网络模型，以客观地评估此类质量功能。

最新的努力改善了满足当今应用程序要求的神经网络（NN）加速器的性能，这引起了基于逻辑NN推理的新趋势，该趋势依赖于固定功能组合逻辑。将如此大的布尔函数与许多输入变量和产品项绘制到现场可编程门阵列（FPGA）上的数字信号处理器（DSP）需要一个新颖的框架，考虑到此过程中DSP块的结构和可重构性。本文中提出的方法将固定功能组合逻辑块映射到一组布尔功能，其中与每个功能相对应的布尔操作映射到DSP设备，而不是FPGA上的查找表（LUTS），以利用高性能，DSP块的低潜伏期和并行性。 ％本文还提出了一种用于NNS编译和映射的创新设计和优化方法，并利用固定功能组合逻辑与DSP进行了使用高级合成流的FPGA上的DSP。 ％我们在几个\ revone {DataSets}上进行的实验评估和选定的NNS与使用DSP的基于ART FPGA的NN加速器相比，根据推理潜伏期和输出准确性，证明了我们框架的可比性。

本文介绍了稀疏的周期性收缩期（SPS）数据流，该数据流程推进了最先进的硬件加速器，用于支持轻型神经网络。具体而言，SPS DataFlow启用了一种新型的硬件设计方法，该方法通过新兴的修剪方案（定期基于模式的稀疏性（PPS））解锁。通过利用PPS的规律性，我们的Sparsity-Aware编译器可以最佳地重新定位权重，并在硬件中使用一个简单的索引单元来在权重和激活之间创建匹配。通过编译器硬件编码，SPS DataFlow具有更高的并行度，同时没有高索引开销，并且没有模型的准确性损失。在诸如VGG和Resnet之类的流行基准测试中进行了评估，SPS数据流以及随附的神经网络编译器编译器优于卷积神经网络（CNN）加速器设计的瞄准FPGA设备的设计。针对其他支撑重量存储格式，SPS导致4.49倍的能源效率提高，同时将存储需求降低3.67倍，用于总重量存储（非预紧权重加索引）和22,044X的索引存储器。

具有混合精度量化的大DNN可以实现超高压缩，同时保持高分类性能。但是，由于找到了可以引导优化过程的准确度量的挑战，与32位浮点（FP-32）基线相比，这些方法牺牲了显着性能，或者依赖于计算昂贵的迭代培训政策这需要预先训练的基线的可用性。要解决此问题，本文提出了BMPQ，一种使用位梯度来分析层敏感性的训练方法，并产生混合精度量化模型。 BMPQ需要单一的训练迭代，但不需要预先训练的基线。它使用整数线性程序（ILP）来动态调整培训期间层的精度，但经过固定的硬件预算。为了评估BMPQ的功效，我们对CiFar-10，CiFar-100和微小想象数据集的VGG16和Reset18进行了广泛的实验。与基线FP-32型号相比，BMPQ可以产生具有15.4倍的参数比特的模型，精度可忽略不计。与SOTA“在培训期间”相比，混合精确训练方案，我们的模型分别在CiFar-10，CiFar-100和微小想象中分别为2.1倍，2.2倍2.9倍，具有提高的精度高达14.54％。

本文介绍了一种采用新方法，防止运输事故和监控驾驶员行为的使用保健AI系统，该系统融入公平和道德。检测到危险的医疗情况和司机的不寻常行为。接近公平算法，以改善决策和解决隐私问题等道德问题，并考虑在医疗保健和驾驶中AI内野外出现的挑战。提供医疗保健专业人员对任何异常活动以及驾驶员的位置，以便使医疗保健专业人员能够立即帮助不稳定的驾驶员。因此，使用医疗保健AI系统允许预测的事故，因此可以基于与ER系统相互作用的车辆内的内置AI系统来保存和生存。