XiaoMi-AI文件搜索系统
World File Search System分解
BASED-XAI：分解消融研究，实现可解释的人工智能
可解释的人工智能 (XAI) 方法缺乏基本事实。取而代之的是，方法开发人员依靠公理来确定其解释行为的理想属性。对于需要可解释性的高风险机器学习用途，仅仅依靠公理是不够的，因为实现或其使用可能无法达到理想状态。因此，目前存在对验证 XAI 方法性能的积极研究。在依赖 XAI 的领域，验证的需求尤其突出。一种经常用于评估其效用（在某种程度上是其保真度）的程序是消融研究。通过按重要性排序扰动输入变量，目标是评估模型性能的敏感性。扰动重要的
综合信息分解揭示的人类意识协同工作空间
1 剑桥大学临床神经科学系，英国剑桥；2 剑桥大学临床医学院麻醉学系，英国剑桥；3 剑桥大学心理学系，英国剑桥；4 伦敦帝国理工学院脑科学系迷幻药研究中心，英国伦敦；5 伦敦帝国理工学院复杂性科学中心，英国伦敦；6 伦敦帝国理工学院数据科学研究所，英国伦敦；7 剑桥大学医院 NHS 基金会神经科学系，英国剑桥阿登布鲁克医院；8 剑桥大学沃尔夫森脑成像中心，英国剑桥；9 剑桥大学临床医学院神经外科系，英国剑桥阿登布鲁克医院；10 加利福尼亚大学神经内科系迷幻药分部 - Neuroscape，美国旧金山； 11 加拿大伦敦西安大略大学大脑与心智研究所心理学系和生理学与药理学系；12 爱尔兰都柏林圣三一学院劳埃德大厦心理学学院神经科学研究所
使用量子算法进行全息特征分解
本文讨论了超维计算（HDC）（又称向量符号架构（VSA））中全息特征向量的分解。HDC 使用具有类似大脑特性的高维向量来表示符号信息，并利用高效的运算符以认知方式构建和操作复杂结构化数据。现有模型在分解这些结构时面临挑战，而分解过程对于理解和解释复合超向量至关重要。我们通过提出 HDC 记忆分解问题来应对这一挑战，该问题捕捉了 HDC 模型中常见的构造模式。为了有效地解决这个问题，我们引入了超维量子记忆分解算法 HDQMF。HDQMF 的方法独特，利用量子计算提供高效的解决方案。它修改了 Grover 算法中的关键步骤来实现超向量分解，从而实现了二次加速。
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
一种用于竞争的混合学习分解算法...
人们对复杂工程系统的可靠性越来越感兴趣，尤其是系统的全寿命风险分析。一个复杂系统，例如本文研究的民用飞机发动机，在其整个生命周期中包含多种潜在故障模式，这些故障模式是由经历不同恶化过程的各种子系统和组件故障造成的。为了满足航空业高效的更换维护策略的要求，量化复杂系统中各个组件的风险以准确预测备件需求非常重要。我们提出了一种新颖的数据驱动混合学习算法，它包含三个构建块：基于威布尔分布的预定义可靠性模型、自动无监督聚类以及质量检查与输出。该算法能够识别风险最高的子系统，并定量计算相关的可靠性模型。由于所有组件风险都遵循威布尔分布，因此可以获得参数。对民用飞机发动机机队进行的案例研究表明，该算法能够从系统级性能记录中更好地了解子系统级风险，从而提高维护策略的有效执行。
工作分解结构矩阵：改进的工具... - CORE
2.1 接口管理：定义和实施 8 2.1.1 什么是接口？ 8 2.1.1.1 定义 8 2.1.1.2 接口的分类 10 2.1.2 如何管理接口？ 13 2.1.2.1 界面管理的定义 13 2.1.2.2 界面管理的五大支柱 15 2.1.2.3 界面管理：精益建造支持工具 25 2.1.3 界面管理的常用工具 28 2.1.3.1 IDEF0 28 2.1.3.2 设计结构矩阵 30 2.2 工作分解结构 33 2.2.1 工作分解结构的定义 33 2.2.1.1 一般定义 33 2.2.1.2 表示 34 2.2.1.3 面向产品还是面向活动的分解？ 35 2.2.1.4 WBS 矩阵 40 2.2.1.5 WBS 的详细程度 41 2.2.2 WBS 的功能 42 2.2.2.1 时间和成本控制 43 2.2.2.2 技术控制 45 2.2.2.3 未来项目评估和企业学习 46 2.2.2.4 信息管理和沟通 46 2.2.2.5 组织结构定义 47 2.2.3 与使用 WBS 相关的问题 47
双曲矩阵分解可提高药物预测
过去，计算系统生物学的研究更多地侧重于高级统计和数值优化技术的开发和应用，而较少关注对生物空间几何形状的理解。通过将生物实体表示为低维欧几里得空间中的点，最先进的药物-靶标相互作用 (DTI) 预测方法隐含地假设生物空间具有平坦的几何形状。相比之下，最近的理论研究表明，生物系统表现出具有高度聚类性的树状拓扑结构。因此，将生物系统嵌入平坦空间会导致生物对象之间距离的扭曲。在这里，我们提出了一种用于药物-靶标相互作用预测的新型矩阵分解方法，该方法使用双曲空间作为潜在生物空间。与经典的欧几里得方法相比，双曲矩阵分解表现出卓越的准确性，同时将嵌入维度降低了一个数量级。我们认为这是双曲几何支撑大型生物网络的额外证据。
部分迹回归和低秩 Kraus 分解
迹回归模型是广为研究的线性回归模型的直接扩展，它允许将矩阵映射到实值输出。这里，我们介绍一个更为通用的模型，即部分迹回归模型，它是一类从矩阵值输入到矩阵值输出的线性映射；该模型包含了迹回归模型，因此也包含了线性回归模型。借用量子信息论的工具，其中部分迹算子已经得到了广泛的研究，我们提出了一个框架，用于利用完全正映射的所谓低秩 Kraus 表示从数据中学习部分迹回归模型。我们通过针对 i）矩阵到矩阵回归和 ii）半正定矩阵补全进行的合成和真实实验展示了该框架的相关性，这两个任务可以表述为部分迹回归问题。
通过中间量子实现有效的量子电路分解
许多量子算法都利用了辅助位，即用于在计算过程中存储临时信息的额外空闲位，这些信息通常在使用后恢复到其原始状态。辅助位有多种用途，例如减少总执行时间。在某些情况下，它们可以渐进地改善电路分解的深度。这凸显了量子程序中一个重要的时空权衡——我们以辅助位的形式花费额外的空间，以减少输入电路的深度。真正的量子机器的量子比特数量有限，因此充分利用它们以更快地计算更大、更有用的问题非常重要。最近，[1] 证明了高维量子比特可以作为某些电路元件中辅助位的替代品，效果很好。虽然量子电路通常以量子比特上的二进制逻辑门来表示，但在许多量子技术中，这种两级抽象是肤浅的。超导量子比特 [2] 和捕获离子 [3] 具有无限多种可能的状态，而较高的状态通常被抑制。不幸的是，通过访问这些状态，计算会受到更多种类的错误的影响，实际上错误类型的数量在计算基数中呈二次方增长 [1]。但是，如果正确使用量子比特状态，则获得的好处会超过这种成本。具体来说，我们在计算过程中暂时使用量子比特状态，同时保持电路的二进制输入和输出。
红外：生物信息学的声明树分解供电框架
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http：//创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免（http：//创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。