XiaoMi-AI文件搜索系统
World File Search System噪声数据
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，稀疏 EEG 蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4,000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当没有施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确率比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，这种蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试过对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当不施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确度比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
已发表版本的引用（APA）：Zhang, D., Hansen, C., De Frène, F., Kærgaard, S.P., Qian, W., & Chen, K. (2023)。自动贴标和在线
基于脑电图 (EEG) 的脑机接口 (BCI) 允许用户使用脑信号来控制外部仪器，而运动意图检测 BCI 可以帮助失去运动功能的患者康复。现有该领域的研究大多依赖于基于线索的数据收集，这种方法便于样本标记，但会引入来自线索刺激的噪音；此外，它需要大量的用户培训，并且不能反映真实的使用场景。相比之下，自定步调的 BCI 可以通过支持用户按照自己的主动性和步调进行运动来克服基于线索的方法的局限性，但它们在标记方面存在不足。因此，在本研究中，我们提出了一种自动标记方法，可以交叉引用肌电图 (EMG) 信号以进行 EEG 标记，而无需人工干预。此外，考虑到只有少数研究专注于评估用于在线使用的 BCI 系统，并且其中大多数没有报告在线系统的细节，我们开发并详细介绍了一个伪在线评估套件，以促进在线 BCI 研究。我们收集了 10 名参与者的自定步调运动 EEG 数据，这些参与者进行张开和闭合手部动作，以进行训练和评估。结果表明，与基线标记方法相比，自动标记方法可以很好地处理噪声数据。我们还探索了用于在线自定步调运动检测的流行机器学习模型。结果证明了我们的在线管道的能力，并且由于在线 BCI 系统的特定设置，性能良好的离线模型并不一定能转化为性能良好的在线模型。我们提出的自动标记方法、在线评估套件和数据集向现实世界的自定步调 BCI 系统迈出了坚实的一步。© 2023 作者。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
已发表版本的引用（APA）：Zhang, D., Hansen, C., De Frène, F., Kærgaard, S.P., Qian, W., & Chen, K. (2023)。自动贴标和在线
基于脑电图 (EEG) 的脑机接口 (BCI) 允许用户使用脑信号来控制外部仪器，而运动意图检测 BCI 可以帮助失去运动功能的患者康复。现有该领域的研究大多依赖于基于线索的数据收集，这种方法便于样本标记，但会引入来自线索刺激的噪音；此外，它需要大量的用户培训，并且不能反映真实的使用场景。相比之下，自定步调的 BCI 可以通过支持用户按照自己的主动性和步调进行运动来克服基于线索的方法的局限性，但它们在标记方面存在不足。因此，在本研究中，我们提出了一种自动标记方法，可以交叉引用肌电图 (EMG) 信号以进行 EEG 标记，而无需人工干预。此外，考虑到只有少数研究专注于评估用于在线使用的 BCI 系统，并且其中大多数没有报告在线系统的细节，我们开发并详细介绍了一个伪在线评估套件，以促进在线 BCI 研究。我们收集了 10 名参与者的自定步调运动脑电图数据，这些参与者进行张开和闭合手部动作，以进行训练和评估。结果表明，与基线标记方法相比，自动标记方法可以很好地处理噪声数据。我们还探索了用于在线自定步调运动检测的流行机器学习模型。结果证明了我们的在线管道的能力，并且由于在线 BCI 系统的特定设置，性能良好的离线模型并不一定能转化为性能良好的在线模型。我们提出的自动标记方法、在线评估套件和数据集向现实世界的自定步调 BCI 系统迈出了坚实的一步。© 2023 作者。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
黄银逝世及生平简介
Le 博士目前是阿肯色大学电气工程与计算机科学系 (EECS) 人工智能与计算机视觉 AICV 实验室的助理教授兼主任。此前，她曾在卡内基梅隆大学 (CMU) 担任博士后。Le 博士分别于 2018 年和 2015 年在 CMU 获得电气与计算机工程博士和硕士学位。她分别于 2009 年和 2005 年在越南获得计算机科学硕士和学士学位。Le 博士因其在机器人、机器学习、计算机视觉和医学分析方面的重大贡献而获得国际认可。她的研究解决了各种现实世界的挑战，包括可信决策、不完美数据（有限标记数据、噪声数据、有偏见的数据、看不见的数据、小物体）和边缘设备上的实时应用。她精通多种模式，擅长处理图像、视频、点云、体积数据、时间序列和遥感数据。值得注意的是，她的专业知识涵盖图像处理、场景理解、多对象跟踪、行为分析、医学图像分析、3D 重建和实时机器人感知。Le 博士的工作被认为是最先进的，她的许多研究成果已成功部署到现实世界的应用中，包括边缘设备上的尖端实现。她的研究成果包括拥有三项专利，并在各种著名会议、书籍章节和顶级期刊上共同撰写了 130 多篇论文和文章。她在 Google Scholar 上的 h 指数为 26，i10 指数为 64，截至 2024 年 5 月 19 日，引用次数为 2,829 次（8ck0k UAAAAJ）。Le 博士自 2021 年起担任 ScienceDirect 的《机器学习与应用》（MLWA）期刊的副主编，并主持了 Asilomar 和 MICAD 等会议。 Le 博士还担任 Frontier 和 MDPI 等多家期刊的客座编辑。她组织了著名会议 MICCAI 的教程和研讨会，例如 MICCAI 2018 的医学成像深度强化学习教程和 MICCAI 2019 年和 2020 年的少标签和不完美数据的医学图像学习研讨会。医学图像计算的可解释和注释高效学习：第三届国际研讨会 2020。她积极参与社交活动，尤其是 2019-2022 年 MICCAI 女性社交活动，并担任组织者。她曾担任 2021 年和 2022 年 Google NACMI AMLI 夏季训练营的首席讲师。
用基于能量的模型学习物理世界
学习使用生成先验模拟物理从稀疏传感器数据预测由偏微分方程 (PDE) 控制的流体系统是计算物理学中的一项重大挑战。PDE 是模拟各种物理现象的基础，但它们的解析解往往难以解决，尤其是在复杂的现实场景中，例如由 Navier-Stokes 方程描述的湍流。这些挑战因从稀疏或嘈杂的观测中重建高维解的难度而加剧。自 2023 年以来，我一直专注于通过将 AI 技术集成到 PDE 求解中来应对这一挑战，特别是利用扩散模型作为适合 PDE 性质并能够学习物理分布模式的强大生成模型。扩散模型在模拟流体动力学固有的随机过程方面表现出色，这使得它们特别适合捕捉湍流的混沌行为。它们能够通过基于能量的建模学习迭代 PDE 先验，这使它们即使在数据有限的情况下也能近似复杂的 PDE 解。通过应用物理信息约束，扩散模型可以迭代地解决逆问题，同时确保其逐渐收敛的解遵循物理定律，从而弥合传统 PDE 求解与现代科学 AI 方法之间的差距。这种方法不仅可以在涉及湍流或噪声数据的场景中做出准确而稳健的预测，而且还凸显了 AI 在推进对 PDE 治理系统的科学理解方面的潜力。作为项目负责人，我开发了一个使用物理信息引导采样的框架，该框架结合了观测损失和 PDE 函数损失来强制执行物理约束，从而能够重建静态 PDE 的材料属性（系数）和流动属性（解）。对于动态 PDE，即使观测非常稀疏，该框架也可以重建关键时间步骤（例如初始状态和最终状态）的流动属性。通过对各种类型的 PDE 进行大量实验，我证明了 DiffusionPDE 具有几个优点：1）它可以同时解决解（或最终状态）预测和参数（或初始状态）估计任务，2）即使使用非常有限的（≈ 3％）观测，它也能准确地恢复缺失数据，这对于实际应用至关重要，3）它展示了使用单一生成模型有效解决复杂数学方程的潜力。我的第一作者作品 [ 1 ] 被接受在 ICML 2024 的 AI for Science 研讨会上进行口头报告。在此基础上，我通过将我们的引导采样方法与无分类器引导（CFG）进行比较，进一步评估了该方法的性能。我们的结果表明，引导采样优于 CFG，因为它更直接地应用物理约束。该研究[2]已被 NeurIPS 2024 接受。