XiaoMi-AI文件搜索系统
World File Search System图形
分布稳健图形的图形
通过优化模型的最坏情况性能，基于分布的强大优化（DRO）图形网络方法改善了建议系统的脱离（OOD）概括。但是，这些研究未能考虑嘈杂样本在训练数据中的影响，这导致概括能力降低和准确性降低。通过实验和理论分析，本文表明，当前基于DRO的图形建议方法为噪声分布分配了更大的权重，从而导致模型参数学习由其主导。当模型过于关注训练数据中的噪声样本时，它可能会学习无关紧要或含义的较小功能，这些功能无法推广到OOD数据。为了应对这一挑战，我们为O OD推荐（DRGO）设计了D iStribution Rubust G Raph模型。具体来说，我们的方法首先采用简单有效的扩散范式来减轻潜在空间中的嘈杂效应。此外，在DRO目标函数中引入了熵常规项，以避免在最坏情况下分布中的极端样品权重。最后，我们提供了DRGO的概括误差结合的理论证明，以及对我们的方法如何对嘈杂的样本效应的理论分析，这有助于从理论角度更好地理解所提出的框架。我们在四个数据集上进行了广泛的实验，以评估我们的框架的有效性，以针对三个典型的分布变化进行评估，结果证明了其在独立和相同分布分布（IID）和OOD中的优势。我们的代码可在https://anonymon.4open.science/r/drgo-fed2上找到。
图形神经网络的图形聚类
图形神经网络（GNNS）已在许多图分析任务（例如节点分类和链接预测）上实现了最新结果。然而，图形群集等图形上的重要无监督问题已证明对GNN的进步具有更大的抵抗力。图形聚类的总体目标与GNN中的节点合并相同 - 这意味着GNN池方法在聚类图方面做得很好？令人惊讶的是，答案是否 - 在简单的基准（例如应用于学习的表示上的K均值）良好工作的情况下，循环的GNN合并方法通常无法恢复群集结构。我们通过仔细设计一组实验来进一步研究，以研究图形结构和属性数据中不同的信噪情景。为了解决这些方法在聚类中的性能不佳，我们引入了深层模块化网络（DMON），这是一种受群集质量模块化量度启发的无监督的汇总方法，并显示了它如何处理现实世界图的挑战性聚类结构的恢复。同样，在现实世界数据上，我们表明DMON产生的高质量群集与地面真相标签密切相关，从而获得了最先进的结果，比各个不同指标的其他合并方法提高了40％以上。关键字：图形聚类，图形神经网络，随机块模型
图形摘要
我们的目的是将离散事件模拟作为晶粒生长的细胞自动机模型的有效和数值准确的计算方法。为此，我们为两个知名模型开发了两个简单但相关的模拟器。我们的第一个模拟器实现了Raabe [1，2]以离散事件形式引入的概率细胞自动机。此细胞自动机以过渡概率模拟生长速率，如果计算以固定步骤进行，则构成伯努利过程。由于步长趋于零，因此此伯努利过程趋向于泊松过程。在此示例中，我们展示了离散事件模拟如何以其极限（即作为泊松过程）实现该模型，从而消除了Bernoulli近似中的数值错误。同时，我们在时间步进模型中演示了一个加速度，该模型随着时间阶梯式模型的缩小而增加。我们的第二次模拟是晶粒生长的偏心平方模型的离散事件实现[3，4]。通常会通过离散的时间模拟实现此模型，为此，必须选择时间步。一个大的时间步骤以增加错误的成本来改善执行时间，这表现为同时捕获事件的形式，这些事件不会发生在物理
计算机和图形
本文介绍的系统背后的主要目标是研究使用虚拟现实（VR）展示相当大的医疗设备的功效。具体来说，我们专注于安装在卡车拖车上的移动磁共振成像（MRI）扫描仪。后者是移动MRI设置不可或缺的一部分，必须作为身临其境体验的一部分呈现。因此，我们不仅必须描绘医疗机构，而且还提供了理解周围环境的手段。这对放射科医生和其他医务人员尤其重要，以确定给定的移动医疗机构是否满足了他们的需求和需求。此外，尽管使用此类MRI设备设计用于机动性，但它们的长途运输可能会耗时，麻烦且昂贵。因此，我们可以观察到需要展示此类移动MRI单元而没有与运输相关的额外费用和负担。为了实现这一目标，我们设计了一个沉浸式的环境，在该环境中，用户可以与移动MRI的现实生活量表3D模型进行交互。此外，我们还使用已建立的启发式方法验证了系统的可用性和表现力。
图形摘要
安全加强学习（SRL）旨在优化最大程度地提高长期奖励的控制政策，同时遵守安全限制。SRL具有许多现实世界的应用，例如自动驾驶汽车，工业机器人技术和医疗保健。离线增强学习（RL）的最新进展 - 代理商在不与环境互动的情况下从静态数据集中学习政策 - 已成为一种有希望的方法来得出安全控制策略。但是，离线RL面临着重大挑战，例如数据中的协变量转移和离群值，这可能导致次优政策。同样，在线SRL通过实时环境互动得出安全的政策，与异常值进行斗争，并且通常依靠不切实际的规律性假设，从而限制了其实用性。本文通过提出一种混合访问线路方法来解决这些挑战。首先，离线学习指南在线探索的先验知识。然后，在在线学习过程中，我们用Student-T的流程（TP）替换流行的高斯流程（GP），以增强协变速器和异常值的鲁棒性。
计算机与图形
在多发性硬化症 (MS) 中，脑损伤程度、解剖位置、形状和变化是帮助医学研究人员和临床医生了解疾病时间模式的重要方面。纵向 MS 数据的交互式可视化可以支持旨在探索性分析病变和健康组织拓扑的研究。现有的可视化包括条形图和汇总指标，例如绝对数字和体积，以总结病变随时间的变化轨迹，以及体积变化等汇总指标。这些技术可以很好地用于具有双时间点比较的数据集。对于频繁的后续扫描，如果没有合适的可视化方法，很难从多模态数据中理解模式。作为一种解决方案，我们提出了一个可视化应用程序，其中我们通过适用于大型时间序列数据的交互式可视化来展示病变探索工具。除了各种体积和时间探索设施外，我们还包括一个交互式堆叠面积图，其中包含其他集成功能，可以比较病变特征，例如强度或体积变化。我们从自动病变跟踪中获取纵向可视化的输入数据。对于有大量随访的病例，我们的可视化设计可以提供有用的摘要信息，同时允许医学研究人员和临床医生研究较低粒度的特征。我们通过与领域专家的评估展示了我们的可视化在模拟数据集上的实用性。© 2022 作者。由 Elsevier Ltd. 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/）。
图形摘要
在基于等离子的设备中，纳米结构的金属选择通常会导致AG的出色性能或AU稳定性之间的不良权衡。以一种保留其有利特性的方式将AU和AG组合在一起，同时还利用协同效应来增强表面增强的拉曼散射（SERS）性能，超出了单个金属的能力。为了解决这个问题，使用基于电流替代的大区域纳米制造程序来创建具有多种形态和高度可调（通过可见的NIR）等离子体共振的混合体Au-ag纳米岛。他们的稳定性进行了全面研究，并证明是复杂的。但是，在正确的条件下，制造了具有银色等离子特性的Au-Ag纳米群岛，并在至少5个月内显示出稳定。此外，他们的SER效率甚至超过了Ag纳米群岛的效率。计算调查帮助解释了有利的属性，并为将来的传感器设计提供了见解。在纳摩尔范围内和轻度条件（低激光功率）中实现了模型分子的检测，这表明生物医学传感的潜力很大。超越
