XiaoMi-AI文件搜索系统
World File Search System加权
基于加权的生成性学习损失的基于扩散的语音增强
基于扩散的生成模型最近在语音增强（SE）方面获得了研究，为常规监督方法提供了替代方案。这些模型将干净的语音训练样本转化为高斯噪声，通常以嘈杂的语音为中心，随后学习了一个典型的模型以扭转这一过程，从而有条件地在嘈杂的语音上。与受监督的方法不同，基于生成的SE通常仅依赖于无监督的损失，这可能会导致条件嘈杂的语音效率较低。为了解决这个问题，我们提议以ℓ2的损失来增加原始的扩散训练目标，以测量地面真相清洁语音与每个扩散时间阶段的估计之间的差异。实验结果证明了我们提出的方法的有效性。
加权复杂网络中主干提取技术的评估工具
网络对于分析复杂系统至关重要。然而，网络规模的不断扩大需要采用旨在减小网络规模同时保留关键特征的主干提取技术。在实践中，选择、实施和评估最合适的主干提取方法可能具有挑战性。本文介绍了 netbone，这是一个用于评估加权网络中主干提取技术性能的 Python 包。它的比较框架是 netbone 的突出特点。事实上，该工具采用了最先进的主干提取技术。此外，它提供了一套全面的评估指标，允许用户评估不同的主干技术并根据他们的案例研究选择最佳技术。我们通过美国航空运输网络分析说明了 netbone 的灵活性和有效性。我们使用评估指标比较了不同主干提取技术的性能。我们还展示了用户如何将新的主干提取方法集成到比较框架中。Netbone 作为一个开源工具向公众开放，确保研究人员和从业人员可以使用它。推广标准化评估实践有助于主干提取技术的进步，并促进研究工作的可重复性和可比性。我们预计，netbone 将成为研究人员和从业人员的宝贵资源，使他们能够在选择主干提取技术时做出明智的决策，从而深入了解复杂系统的结构和功能特性。
基于图形的加权定向自动癫痫发作检测，有效的脑电图
癫痫发作是最常见的神经系统疾病之一，其特征是大脑中神经元的突然异常排出。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。 本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。 在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。 通过分析大脑不同区域之间的相关性来构建加权定向图。 然后，基于图理论的措施用于提取分类的特征。 此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。 结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。 这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。使用脑电图记录（EEG）记录的自动癫痫发作会提高治疗质量并减少医疗开销。本文的目的是设计一个自动癫痫发作检测框架，该框架可以通过发现大脑区域之间的连通性来有效地识别癫痫发作和非癫痫事件。在这项工作中，提出了一种具有有效脑连接性（EBC）的加权定向方法以进行癫痫发作。通过分析大脑不同区域之间的相关性来构建加权定向图。然后，基于图理论的措施用于提取分类的特征。此外，我们说明了提出的方法实现患者特异性模型和交叉患者模型的癫痫发作检测的能力。结果表明，所提出的方法在患者特定模型和CHB-MIT数据集中分别达到99.97％和98.29％的精度值。这些结果表明，所提出的方法实现了有效的分类性能，可用于为自动癫痫发作检测和临床诊断提供帮助。
基于EEG的情绪识别和情感激活模式的自加权半监督分类
摘要 - 在基于脑电图（EEG）的情感脑 - 计算机界面（ABCIS）中，存在一种共识，即从不同频段和通道中提取的EEG特征在情绪表达中具有不同的能力。此外，脑电图是如此弱和非平稳，很容易导致在不同时间收集的脑电图数据的分布差异；因此，有必要探索跨节情绪识别中的情感激活模式。为了解决这两个问题，我们提出了本文中的自加权半监督分类（SWSC）模型，用于基于联合EEG的基于EEG的跨演奏情绪识别和情感激活模式挖掘，其合并包括：1）使用不同的会话中的标记和不受欢迎的样本，以获得更好的捕获数据特征，以获得更好的捕获数据特征； 2）引入一个自加权变量，以自适应地学习脑电图的重要性； 3）挖掘激活模式，包括基于学识渊博的自加权
基于EEG的情绪识别，使用改进的加权水平可见度图
摘要：近年来，情感识别是一个充满挑战和活跃的研究领域，已获得相当大的认识。在这项研究中，试图从脑电图（EEG）信号中提取复杂的网络特征以进行情绪识别。我们提出了一种基于角度测量的向前加权水平可见度图（FWHVG）和向后加权的水平可见度图（BWHVG）的新方法。使用两种类型的复杂网络来提取网络功能。然后，将两个特征矩阵融合到单个特征矩阵中以对脑电图进行分类。基于拟议方法的复杂网络特征和唤醒维度的平均情绪识别精度为97.53％和97.75％。与时间域特征相结合时，所提出的方法的价为98.12％和98.06％的分类精度为98.06％。
用于形状和图像分析的加权欧拉曲线变换
Turner 等人的欧拉曲线变换 (ECT) 是嵌入单纯复形的完全不变量，易于进行统计分析。我们对 ECT 进行了推广，以提供同样方便的表示形式，用于加权单纯复形，例如在某些医学成像应用中自然出现的对象。我们利用 Ghrist 等人关于欧拉积分的工作来证明这个不变量——称为加权欧拉曲线变换 (WECT)——也是完整的。我们解释了如何将灰度图像中分割的感兴趣区域转换为加权单纯复形，然后转换为 WECT 表示。该 WECT 表示用于研究多形性胶质母细胞瘤脑肿瘤形状和纹理数据。我们表明，WECT 表示可根据定性形状和纹理特征有效地对肿瘤进行聚类，并且这种聚类与患者生存时间相关。
单位对偶四元数有向图、形成控制和一般加权有向图
我们研究有向图中的多智能体编队控制问题。相对配置用单位对偶四元数 (UDQ) 表示。我们将这种加权有向图称为单位对偶四元数有向图 (UDQDG)。我们证明，当且仅当对偶四元数拉普拉斯算子与底层有向图的无加权拉普拉斯算子相似时，所需的相对配置方案在 UDQDG 中是合理的或平衡的。提出了直接法和单位增益图法来解决一般单位加权有向图的平衡问题。然后，我们研究了一般非单位加权有向图的平衡问题。报告了 UDQDG 的数值实验。
基于加权有向图的自动癫痫检测，具有有效的脑电图信号连接
癫痫发作是最常见的神经系统疾病之一，其特征是大脑神经元突然异常放电。使用脑电图 (EEG) 记录自动检测癫痫发作将提高治疗质量并减少医疗费用。本文的目的是设计一个自动癫痫发作检测框架，通过发现大脑区域之间的连通性来有效识别癫痫发作和非癫痫发作事件。在本文中，提出了一种基于加权有向图的有效大脑连接 (EBC) 方法来检测癫痫发作。通过分析大脑不同区域之间的相关性来构建加权有向图。然后，使用基于图论的度量来提取分类特征。此外，我们说明了所提出的方法实现针对特定患者模型和跨患者模型的癫痫发作检测的能力。结果表明，所提出的方法在 CHB-MIT 数据集中针对特定患者模型和跨患者模型的准确率分别达到 99.97% 和 98.29%。这些结果表明，所提出的方法实现了有效的分类性能，可用于为癫痫发作的自动检测和临床诊断提供帮助。
在机器学习中检测和减轻数据中毒攻击：加权平均方法
对抗性攻击，特别是数据中毒，可以通过将故意设计的数据插入训练集中来影响机器学习模型的行为。本研究提出了一种识别对机器学习模型的数据中毒攻击的方法，即加权平均分析（VWA）算法。该算法评估了输入特征的加权平均值，以检测任何可能是中毒努力迹象的违规行为。该方法发现可以通过添加所有加权平均值并将其与预测值进行比较来指示操纵的偏差。此外，它可以区分二进制和多类分类实例，从而修改其分析。实验结果表明，VWA算法可以准确地检测和减轻数据中毒攻击，并提高机器学习系统针对对抗性威胁的鲁棒性和安全性。
使用新型加权食品的基因 - 迪埃特相互作用分析...
糖尿病是全球最重要的公共卫生问题之一，对全球公共卫生和社会经济发展造成了沉重的负担。尽管某些国家的发病率已经开始降低，但近几十年来，其他发达国家和发展中国家的糖尿病患病率也有所增加（1）。2型糖尿病（T2D）约占糖尿病病例的90％（2），根据世界卫生组织的说法，即使在年轻人中，被诊断为T2D的人数也在增加（2）。T2D的发展主要是由不健康的生活方式以及环境和遗传因素的相互作用引起的。尽管其中一些因素受到个人控制，例如生活方式，但其他因素却没有，例如年龄，性别和遗传学的增加。饮食也归因于T2D的风险（3，4）。在许多前瞻性研究中已经确认了这种关联（5-8）。此外，T2D是一种越来越普遍的代谢疾病，引起严重的微血管并发症，即心血管疾病（CVD），视网膜病变，神经病和肾病（3，9）。此外，据报道，减肥或生活方式改良的有益影响可以预防，延迟和减少疾病的发生率（2，10）。因此，对整体饮食模式（习惯食品和营养摄入量）的有效估计已成为研究饮食与健康状况之间关系的基本方面（8）。一般饮食习惯可以提供超出营养和单一食物作用的见解（2，11）。基于食品和食物组的RF，MDS和AMDS某些指数基于国家营养建议和国家饮食指南，这些指南评估了整体营养模式，包括健康饮食指数，替代健康饮食指数，健康饮食指标，推荐食品评分（RFS），饮食质量指数，饮食质量指数，饮食质量质量评分，地中海饮食评分（MDS）以及替代地中海饮食（MDS）和替代饮食（AMDS）。