XiaoMi-AI文件搜索系统
World File Search System多变
多变量量子信号处理（M-QSP）
最近的研究表明，量子信号处理 (QSP) 及其多量子比特提升版本量子奇异值变换 (QSVT) 统一并改进了大多数量子算法的表示。QSP/QSVT 通过交替分析，用多项式函数无意识地变换酉矩阵子系统的奇异值的能力来表征；这些算法在数值上是稳定的，在分析上很容易理解。也就是说，QSP/QSVT 需要对单个 oracle 进行一致访问，更不用说计算两个或多个 oracle 的联合属性；如果能够将 oracle 连贯地相互对立，那么确定这些属性的成本就会低得多。这项工作引入了多变量 QSP 的相应理论：M-QSP。令人惊讶的是，尽管多元多项式的代数基本定理并不存在，但存在必要和充分条件，在这些条件下，理想的稳定多元多项式变换是可能的。此外，QSP 协议使用的经典子程序由于不明显的原因在多变量设置中仍然存在，并且保持数值稳定和高效。根据一个明确定义的猜想，我们证明可实现的多变量变换系列的约束尽可能松散。M-QSP 的独特能力是无意识地近似多个变量的联合函数，从而带来了与其他量子算法不相称的新型加速，并提供了从量子算法到代数几何的桥梁。
ENIGMA 脑损伤的多变量分析结果
资金信息神经创伤慢性影响联盟，资助/奖励编号：PT108802-SC104835；国防和退伍军人脑损伤中心；荷兰国防部；汉森-托雷尔研究奖学金；医学研究与物资司令部；国家神经疾病和中风研究所，资助/奖励编号：R01NS086885，R01NS100973；国立卫生研究院，资助/奖励编号：U54 EB020403；美国国防部，资助/奖励编号：W81XWH-18-1-0413，W81XWH08-2-0159；美国退伍军人事务部，拨款/奖励编号：I01CX001820、I01CX002293、I01RX002174、I21RX001608、IK2RX002922-01A1
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
一种新的孟德尔随机化方法来估计多变量脑成像暴露的因果效应
大型研究队列中同时收集的成像遗传学数据的出现提供了前所未有的机会，通过将遗传变异作为工具变量来评估大脑成像特征对外部测量的实验结果（例如认知测试）的因果关系。然而，经典的孟德尔随机化方法在处理高通量成像特征作为识别因果关系的暴露时受到限制。我们提出了一个新的孟德尔随机化框架来联合选择工具变量和成像暴露，然后估计多变量成像数据对结果的因果关系。我们通过大量数据分析验证了所提出的方法，并将其与现有方法进行了比较。我们进一步应用我们的方法来评估白质微结构完整性（WM）对认知功能的因果关系。研究结果表明，与单独评估单次暴露的因果效应和联合评估多次暴露的因果效应（未进行降维）相比，我们的方法在灵敏度、偏差和错误发现率方面取得了更好的表现。我们的应用结果表明，不同区域的 WM 测量具有联合因果效应，对英国生物库参与者的认知功能有显著影响。
在多变的交通和天气条件下实现自动驾驶：AI-SEE 项目启动
合作实现安全自动驾驶：在 AI-SEE 项目中，PENTA EURIPIDES² 资助的研究项目在能见度低的情况下安全出行是关键。21 个合作伙伴包括 OEM（原始设备制造商）和供应商层面的世界级参与者，将在三年内联手打造一个由人工智能支持的新型、强大的传感器系统，用于低能见度条件。结果将是一个强大的、容错的多传感器感知系统。它将在 24 小时/365 天模式下在几乎所有照明和天气条件下运行，实现 SAE 4 级安全自动驾驶。由梅赛德斯奔驰股份公司牵头的项目于 2021 年 6 月 10 日以虚拟会议的形式启动。
在多变的交通和天气条件下实现自动驾驶：AI-SEE 项目启动
合作实现安全自动驾驶：在 AI-SEE 项目中，PENTA EURIPIDES² 资助的研究项目在能见度低的情况下安全出行是关键。21 个合作伙伴包括 OEM（原始设备制造商）和供应商层面的世界级参与者，将在三年内联手打造一个由人工智能支持的新型、强大的传感器系统，用于低能见度条件。结果将是一个强大的、容错的多传感器感知系统。它将在 24 小时/365 天模式下在几乎所有照明和天气条件下运行，实现 SAE 4 级安全自动驾驶。由梅赛德斯奔驰股份公司牵头的项目于 2021 年 6 月 10 日以虚拟会议的形式启动。
在多变的交通和天气条件下实现自动驾驶：AI-SEE 项目启动
合作实现安全自动驾驶：在 AI-SEE 项目中，PENTA EURIPIDES² 资助的研究项目在能见度低的情况下安全出行是关键。21 个合作伙伴包括 OEM（原始设备制造商）和供应商层面的世界级参与者，将在三年内联手打造一个由人工智能支持的新型、强大的传感器系统，用于低能见度条件。结果将是一个强大的、容错的多传感器感知系统。它将在 24 小时/365 天模式下在几乎所有照明和天气条件下运行，实现 SAE 4 级安全自动驾驶。由梅赛德斯奔驰股份公司牵头的项目于 2021 年 6 月 10 日以虚拟会议的形式启动。
在多变的交通和天气条件下实现自动驾驶：AI-SEE 项目启动
合作实现安全自动驾驶：在 AI-SEE 项目中，PENTA EURIPIDES² 资助的研究项目在能见度低的情况下安全出行是关键。21 个合作伙伴包括 OEM（原始设备制造商）和供应商层面的世界级参与者，将在三年内联手打造一个由人工智能支持的新型、强大的传感器系统，用于低能见度条件。结果将是一个强大的、容错的多传感器感知系统。它将在 24 小时/365 天模式下在几乎所有照明和天气条件下运行，实现 SAE 4 级安全自动驾驶。由梅赛德斯奔驰股份公司牵头的项目于 2021 年 6 月 10 日以虚拟会议的形式启动。
在多变的交通和天气条件下实现自动驾驶...
合作实现安全自动驾驶：在 AI-SEE 项目中，PENTA EURIPIDES² 资助的研究项目在能见度低的条件下安全出行是关键。21 个合作伙伴包括 OEM（原始设备制造商）和供应商层面的世界级参与者，将在三年内联手打造一个由人工智能支持的新型、强大的传感器系统，用于低能见度条件。结果将是一个强大的、容错的多传感器感知系统。它将在 24 小时/365 天的模式下在几乎所有照明和天气条件下运行，从而实现 SAE 4 级安全自动驾驶。由梅赛德斯奔驰股份公司牵头的项目于 2021 年 6 月 10 日以虚拟会议的形式启动。
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。