rEFIt
PulseAugur coverage of rEFIt — every cluster mentioning rEFIt across labs, papers, and developer communities, ranked by signal.
-
新方法优化大型视觉语言模型的视觉令牌化 · 跟踪到 4 个来源
研究人员开发了几种新方法来优化大型视觉语言模型（VLM）的视觉令牌化，旨在降低计算开销同时保持准确性。MixTok 引入了一种混合方法，结合了全局一维令牌和用于局部精炼的稀疏二维令牌，在 ImageNet 上取得了有竞争力的性能。ERASE 采用两阶段框架，首先去除图像级冗余，然后修剪与指令无关的令牌，在 Qwen2.5-VL-7B 上展示了显著的令牌减少和最小的准确性损失。ReFIT 提供了一个指令引导的框架，该框架适应相关区域的空…
-
新的REFIT方法无需标签即可校准可穿戴传感器
研究人员开发了REFIT，一种用于使用可穿戴传感器的活动识别模型的新型校准技术。该方法解决了传感器放置变化（例如将手表移到另一只手腕或不正确地重新连接表带传感器）导致模型性能下降的问题。REFIT无需新的标记数据或重新训练即可重新校准这些模型，通过识别和纠正诸如旋转和反射之类的轴变换。实验表明，REFIT的性能明显优于现有的无标签适应方法，并恢复了因传感器重新连接而损失的准确性。
-
新的REFIT方法无需标签即可校准可穿戴传感器
研究人员开发了REFIT，一种用于校准使用可穿戴传感器的活动识别模型的新颖方法。该技术解决了传感器放置偏移的问题，即像智能手表这样的设备佩戴在不同的手腕上或安装不当，导致模型因传感器轴改变而误解数据。REFIT通过识别和纠正这些偏移来实现这一点，而无需新的标签或重新训练模型。它通过拟合轴变换族（如旋转和反射）到用户数据，然后在模型处理输入之前应用最佳拟合的校正。实验表明，REFIT的性能显著优于其他无标签适应方法，并恢复了丢失的准确性。
-
AI系统分解智能电表数据以识别电器能耗
研究人员开发了一种新颖的系统，可以将家庭智能电表用电数据分解为特定的电器类别。该方法结合了高功率电器的事件检测和问卷引导式估算，提供了一种无标签的方法。在包括大型爱尔兰消费者数据集在内的多个数据集上的评估表明，这种混合方法在准确性方面优于现有系统，并为能耗模式和成本降低提供了可行的建议。
-
新的NILM方法提高了电器功率估算精度
研究人员开发了一种新颖的非侵入式负荷监测（NILM）方法，该方法可以从聚合功率数据中改进电器的功率序列估算。该技术结合了保持标签的聚合重构和预测一致性，解决了在未见过的数据集上训练的模型普遍存在的精度损失问题。通过在特定可靠性标准下惩罚两个功率预测之间的不一致，该方法降低了在REDD、UK-DALE和REFIT等基准数据集上的电器平均平均绝对误差。
-
研究显示电池损耗成本可能超出节能成本的1060%
一项新近发表在arXiv上的研究探讨了仅以能源成本为优化目标的家庭能源管理系统（HEMS）中电池损耗的隐藏成本。研究人员使用混合整数线性规划模型，并结合REFIT数据集的数据，分析了不同尺寸电池和光伏（PV）系统在损耗成本方面的敏感性。研究结果表明，在某些情况下，损耗成本可能显著超出节能成本的节省，最高可达1060%，这凸显了在HEMS中采用考虑损耗的控制方案的必要性。