XiaoMi-AI文件搜索系统
World File Search System向量
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
视觉和语言模型是否共享概念？向量空间对齐研究
另一些人则认为，语言模型具有推理语义，但没有指称语义（Rapaport，2002；Sahlgren 和 Carlsson，2021；Piantadosi 和 Hill，2022），3 而一些人则认为，至少对于直接对话的聊天机器人来说，一种外部指称语义是可能的（Cappelen 和 Dever，2021；Butlin，2021；Mollo 和 Milli`ere，2023；Mandelkern 和 Linzen，2023）。然而，大多数研究人员都认为，语言模型“缺乏将话语与世界联系起来的能力”（Bender 和 Koller，2020），因为它们没有“世界的心理模型”（Mitchell 和 Krakauer，2023）。这项研究提供了相反的证据：语言模型和计算机视觉模型 (VM) 是在独立的数据源上进行训练的（至少对于无监督的计算机视觉模型而言）。唯一的共同偏见来源是世界。如果 LM 和 VM 表现出相似性，那一定是因为它们都对世界进行了建模。我们通过测量不同 LM 和 VM 的几何形状的相似性来检查它们学习到的表示。我们始终发现，LM 越好，它们诱导的表示就越类似于计算机视觉模型诱导的表示。这两个空间之间的相似性使得我们能够从一组非常小的并行示例中将 VM 表示线性投影到语言空间并检索高度准确的字幕，如图 1 中的示例所示。
通过任务向量融合来增强概括数据库优化的深入增强学习
在2022年之前，超过75％的数据库迁移到云环境中，挑战云供应商在SaaS方案中有效地管理物理设计[4]。这是针对动态工作负载和性能维护的快速优化策略。传统的RL模型培训及其静态性质，面临着适应此类数据库不断变化的需求的困难。典型地，数据库环境中的RL模型是用于固定工作负载和设置的，这意味着随着工作负载的进化，可以进行重新训练或适应的必要性[3]。鉴于数据和工作负载的动态性质（恒定状态）构成了重大的实际障碍。重用新的或不断变化的工作负载的重建模型会产生进化计算和时间成本，这是在实时处理至关重要的数据库系统中特别明显的障碍。
基于共同空间模式和支持向量机的脑电信号驾驶疲劳检测
本文提出了一种机器学习方法，利用 14 个通道收集的脑电图数据来检测驾驶疲劳。为了获得更好的信号质量，使用独立成分分析去除信号中的噪声。使用 CSP 作为特征提取方法，使用 SVM 作为分类器。本文的其余部分组织如下：第 2 节介绍本研究的材料和方法。第 3 节介绍实验结果。第 4 节是研究的讨论和结论。这项工作的一些主要贡献如下：
使用潜在向量表示的晶圆图缺陷模式半监督分类
摘要 —随着半导体设计和制造工艺的全球化，集成电路制造阶段的缺陷检测需求变得越来越重要，在提高半导体产品的产量方面发挥着重要作用。传统的晶圆图缺陷模式检测方法涉及使用电子显微镜进行手动检查以收集样本图像，然后由专家评估缺陷。这种方法劳动密集且效率低下。因此，迫切需要开发一种能够自动检测缺陷的模型来替代手动操作。在本文中，我们提出了一种方法，该方法首先采用预先训练的 VAE 模型来获取晶圆图的故障分布信息。该信息作为指导，结合原始图像集进行半监督模型训练。在半监督训练期间，我们利用师生网络进行迭代学习。本文提出的模型在基准数据集 WM-811K 晶圆数据集上进行了验证。实验结果表明，与最先进的模型相比，该模型具有更高的分类精度和检测性能，满足了工业应用的要求。与原始架构相比，我们取得了显着的性能提升。索引术语——缺陷检测；半监督学习；无监督学习；变异自动编码器
量子支持向量机，用于B Meson衰变中的连续抑制
抽象量子计算机有可能加快某些计算任务。在机器学习领域中，这种可能性的可能性是使用量子技术，而量子技术可能无法经典模拟，但可以在某些任务中提供出色的性能。机器学习算法在粒子物理学中无处不在，并且随着量子机学习技术的进步，这些量子技术可能会采用类似的采用。在这项工作中，实现了量子支持向量机（QSVM）进行信号背景分类。我们研究了不同量子编码电路的效果，该过程将经典数据转换为量子状态，对最终分类态度。我们显示了一种编码方法，该方法在接收器操作特征曲线（AUC）下达到了使用量子电路模拟确定的0.848的平均面积。对于同一数据集，使用径向基础函数（RBF）内核的经典支持向量机（SVM）的AUC为0.793。使用数据集的简化版本，我们在IBM量子IBMQ_CASABLANCA设备上运行了算法，平均AUC为0.703。随着量子计算机的错误率和可用性的进一步提高，它们可以在高能量物理学中形成一种新的数据分析方法。
使用局部放电数据和支持向量回归的锂离子电池健康状态评估程序
摘要：电池老化是一种复杂的现象，精确的健康状态 (SoH) 监测对于有效的电池管理至关重要。本文提出了一种基于支持向量回归 (SVR) 的数据驱动 SoH 估计方法，利用从全放电和部分放电容量曲线以及电池温度数据构建的特征。它深入讨论了从不同电压间隔构建的新特征。此外，分析了三种特征组合，展示了它们的功效在不同电压范围内的变化。使用从 2 到 3.4 V 的完整间隔构建的全放电容量曲线获得了成功的结果，并且在测试集上实现了 0.962 的平均 R 2 值，从而展示了所选 SVR 策略的充分性。最后，将从全电压范围构建的特征与从 10 个小电压范围构建的特征进行了比较。观察到了类似的成功，证据是不同电压范围内的平均 R 2 值介于 0.939 和 0.973 之间。这表明所开发的模型在现实场景中具有实际适用性。所提出的模型的调整和评估是使用丰田创建的包含 124 个磷酸铁锂电池的大量数据集进行的。
过滤库Riemannian基于Riemannian的内核支持向量机，用于电动图像解码
摘要。大脑计算机接口（BCI）通过脑电图（EEG）信号实现大脑和外部机器之间的通信，这引起了很多关注。基于运动图像的BCI（MI-BCI）是BCI领域中最重要的范例之一。在Mi-BCI中，可以使用机器学习算法有效地识别运动意图的目标肢体。作为用于电机图像解码的典型机器学习算法，基于Riemannian的内核支持向量机（RK-SVM）算法无法从多频段中提取功能，从而限制了其性能。为了解决此问题，提出了将滤波器基于Riemannian的内核支持向量机（FBRK-SVM）方法，该方法结合了过滤器库结构和基于Riemannian的内核。在两个常用的公共数据集的比较实验中，发现所提出的算法可以产生更高的解码性能，这为运动成像的分类提供了新的选择。
通过二进制分类检测肺炎：支持向量机（SVM）的经典，量子和混合方法
早期肺炎的早期诊断对于增加生存机会并减少患者的恢复时间至关重要。胸部X射线图像是实践中最广泛使用的方法，它具有挑战性地进行分类。我们的目的是开发一种机器学习工具，该工具可以准确地将图像分类为属于正常或受感染的个体。支持向量机（SVM）很有吸引力，因为二进制分类可以表示为优化问题，特别是作为二次不约束的二进制二进制优化（QUBO）模型，而这又自然地映射到Ising模型上，从而使退火 - 级别，阶级，量子，量子和杂种 - 以探索有吸引力的方法。在这项研究中，我们进行了不同方法之间的比较：（1）SVM（LIBSVM）的经典最新实施； （2）用经典求解器（Gurobi）求解SVM，有或没有分解； （3）用模拟退火解决SVM； （4）用量子退火求解SVM（D-WAVE）； （5）使用Graver增强多种子算法（GAMA）求解SVM。使用模拟退火和量子退火，尝试了几个不同数量的graver元素和许多种子。我们发现模拟的退火和GAMA（带有模拟退火）是可比的，可以快速提供准确的结果，与LIBSVM竞争，并且优于Gurobi和Quarobi和Quantum退火。
支持向量机在 fMRI 数据作为精神分裂症诊断生物标志物中的应用：系统评价
作为精神疾病患者的神经影像学，对大脑功能和结构进行非侵入性测量是研究鉴别性生物标志物的有用且强大的工具。迄今为止，功能性磁共振成像 (fMRI) 和结构性磁共振成像 (sMRI) 是最常用的技术，可提供关于大脑功能、结构及其连接的多种视角。最近，人们越来越关注将机器学习 (ML) 技术、模式识别方法应用于神经影像数据，以表征与疾病相关的大脑结构和功能改变并识别表型，例如，用于转化为临床和早期诊断。我们的目的是根据 PRISMA 声明提供系统评价，支持向量机 (SVM) 技术使用来自功能性磁共振成像的神经影像学数据作为输入，对 SCZ 患者和健康对照进行诊断区分。我们纳入了使用 SVM 作为 ML 技术对被诊断为精神分裂症的患者进行的研究。在筛选过程结束时，从最初的 660 篇论文样本中，选出了 22 篇文章，并纳入我们的评论中。与任何当前可用的评估或临床诊断方法相比，该技术可以成为一种有效、廉价且非侵入性的方法，用于在早期识别和检测患者，从而节省宝贵的时间。SVM 模型的更高精度和 ML 技术的新集成方法可以在疾病早期检测患有 SCZ 或其他主要精神疾病的患者或在不久的将来潜在地确定他们的神经影像学风险因素方面发挥决定性作用。