XiaoMi-AI文件搜索系统
World File Search System新聚类
专题前言：脑科学的物理电子学...
DOI: 10.7498/aps.71.140101 类脑计算技术作为一种脑启发的新型计算技术 , 具有存算一体、事件驱动、模拟并行等特征 , 为 智能化时代开发高效的计算硬件提供了技术参考 , 有望解决当前人工智能硬件在能耗和算力方面的 “ 不可持续发展 ” 问题 . 硬件模拟神经元和突触功能是发展类脑计算技术的核心 , 而支持这一切实现 的基础是器件以及器件中的物理电子学 . 根据类脑单元实现的物理基础 , 当前类脑芯片主要可以分 为数字 CMOS 型、数模混合 CMOS 型以及新原理器件型三大类 . IBM 的 TrueNorth 、 Intel 的 Loihi 、清华大学的 Tianjic 以及浙江大学的 Darwin 等都是数字 CMOS 型类脑芯片的典型代表 , 旨 在以逻辑门电路仿真实现生物单元的行为 . 数模混合型的基本思想是利用亚阈值模拟电路模拟生物 神经单元的特性 , 最早由 Carver Mead 提出 , 其成功案例有苏黎世的 ROLLs 、斯坦福的 Neurogrid 等 . 以上两种类型的类脑芯片虽然实现方式上有所不同 , 但共同之处在于都是利用了硅基晶体管的 物理特性 . 此外 , 以忆阻器为代表的新原理器件为构建非硅基类脑芯片提供了新的物理基础 . 它们 在工作过程中引入了离子动力学特性 , 从结构和工作机制上与生物单元都具有很高的相似性 , 近年 来受到国内外产业界和学术界的广泛关注 . 鉴于硅基工艺比较成熟 , 当前硅基物理特性是类脑芯片 实现的主要基础 . 忆阻器等新原理器件的类脑计算技术尚处于前沿探索和开拓阶段 , 还需要更成熟 的制备技术、更完善的系统框架和电路设计以及更高效的算法等 .
分布式核驱动数据聚类
推导出一种新型的完全分布式联合核学习和聚类框架，该框架能够以无监督的方式确定聚类配置。利用半定规划来量化候选核相似矩阵与特定秩的块对角线结构的接近程度。利用凸函数差和块坐标下降，推导出一种递归算法，该算法联合确定适当的核相似矩阵和聚类因子。以可分离的方式重新表述所涉及的半定程序，我们基于交替方向乘数法，构建一个完全分布式方案，通过协作的相邻代理在自组织网络中实现联合核学习和聚类。收敛声明表明，所提出的算法框架返回有界相似核更新，促进块对角线结构。利用合成数据和真实数据的详细数值示例表明，分布式新方法可以实现接近甚至超过现有集中式替代方案所实现的聚类性能。关键词：分布式学习、内核、聚类、无监督学习、优化
知识经济在群体内级别的聚类
3尽管危机和危机后的时期在经济，社会和领土影响方面取决于空间环境，从经济角度来看，西班牙的危机时期发生在2008年至2012年2013年10月2014年。在这三年中，该国见证了经济复苏的缓慢（如宏观经济数据所示，例如GDP，人均GDP和就业增长）。然而，重要的挑战仍有待解决，例如降低风险保费，公共债务和社会空间不平等（由临时工作的数量，高失业水平和相当大的驱逐率证明）。4，10,000名居民的门槛用于区分农村和城市城市。
使用成人哮喘聚类数据
大规模的数据源，遥感技术和出色的计算能力已极大地受益于环境健康研究。最近，引入了各种机器学习算法，以提供有关与每个哮喘患者症状和潜在环境风险因素有关的聚类数据异质性的机械见解。但是，关于这些机器学习工具的性能的信息有限。在这项研究中，我们比较了十种机器学习技术的性能。使用不平衡采样的高级方法（IS），我们改善了9种常规机器学习技术的表现，可预测暴露水平与室内空气质量的相关性与患者峰值呼气流量（PEFR）的变化之间的变化。然后，我们提出了一种深度学习的转移学习方法（TL），以进一步提高预测准确性。我们选择的最终预测技术（TL1_IS或TL2-IS）的TL1_IS的平衡精度中值（56〜76）％为66（56〜76）％，TL2_IS的68（63〜78）％。TL1_IS和TL2_IS的精确水平为68（62〜72）％和66％（62〜69）％，而敏感性水平为58（50〜67）％和59％（51〜80），来自25名患者的敏感性为1.08（精度，精度，精度），至1.28（敏感性），相比之下。我们的结果表明，使用不平衡采样的转移机学习技术是预测PEFR变化的强大工具，这是由于暴露于室内空气而变化的，包括2.5μm和二氧化碳的物质浓度。此建模技术甚至适用于小型或不平衡的数据集，该数据集代表一个个性化的现实世界设置。
多尺度自动调整半监督深度子空间聚类及其在脑肿瘤聚类中的应用
在本文中，我们介绍了一种新颖的多尺度和自动调整的半监督深度子空间聚类（MAS-DSC）算法，旨在解决高维现实世界数据（特别是在医学成像领域）中深度子空间聚类的挑战。传统的深度子空间聚类算法大多是无监督的，其有效利用医学图像中固有的先验知识的能力有限。我们的 MAS-DSC 算法结合了半监督学习框架，使用少量标记数据来指导聚类过程，从而增强了特征表示的判别能力。此外，多尺度特征提取机制旨在适应医学成像数据的复杂性，从而实现更准确的聚类性能。为了解决深度子空间聚类中超参数选择的困难，本文采用贝叶斯优化算法来自适应调整与子空间聚类、先验知识约束和模型损失权重相关的超参数。在ORL、Coil20、Coil100等标准聚类数据集上进行的大量实验验证了MAS-DSC算法的有效性。结果表明，通过多尺度网络结构和贝叶斯超参数优化，MAS-DSC在这些数据集上取得了优异的聚类结果。此外，在脑肿瘤数据集上的测试证明了该算法的鲁棒性，以及其在半监督学习框架下利用先验知识进行高效特征提取和增强聚类性能的能力。
神经形态在线聚类和分类
神经形态架构的底部两层经过设计，并被证明能够进行在线聚类和监督分类。使用主动脉冲树突模型，单个树突段执行的功能与经典的积分和激发点神经元基本相同。然后，单个树突由多个段组成，并能够进行在线聚类。虽然这项工作主要侧重于树突功能，但可以通过组合多个树突来形成多点神经元。为了展示其聚类能力，树突被应用于脉冲分类——脑机接口应用的重要组成部分。监督在线分类被实现为由多个树突和简单投票机制组成的网络。树突独立且并行地运行。网络以在线方式学习，并能适应输入流中的宏观变化。
有向图和无向图的广义谱聚类
谱聚类是聚类无向图的一种常用方法，但将其扩展到有向图（有向图）则更具挑战性。一种典型的解决方法是简单地对称化有向图的邻接矩阵，但这可能会导致丢弃边方向性所携带的有价值信息。在本文中，我们提出了一个广义的谱聚类框架，可以处理有向图和无向图。我们的方法基于一个新泛函的谱松弛，我们将其引入为图函数的广义狄利克雷能量，关于图边上的任意正则化测度。我们还提出了一种由图上自然随机游走的迭代幂构建的正则化测度的实用参数化。我们提出了理论论据来解释我们的框架在非平衡类别的挑战性设置中的效率。使用从真实数据集构建的有向 K-NN 图进行的实验表明，我们的图分区方法在所有情况下均表现良好，并且在大多数情况下优于现有方法。
量子密度峰聚类算法
聚类分析起源于分类学，是人类掌握的一门古老技能。过去，人们依据经验和专业知识对商品进行分类。随着现代社会的发展，人们对分类的要求越来越高[1,2]，仅依据经验和专业知识的分类已逐渐被淘汰，现在计算机技术被用于聚类分析，使用算法解决庞大而复杂的聚类任务[3,4]。因此，聚类算法已被提出并应用于各种场合[5,6]。此外，我们生活的海量数据世界也使得聚类过程不可或缺。许多研究领域都面临着海量数据的问题[7,8]。如果没有聚类或数据降维等预处理，很难进行后续分析[9–11]。例如在机器学习领域，几乎所有重要算法的原始入口都是大量的大规模数据，如果不进行聚类或降维，这些数据很难得到利用[12–14]。在量子通信领域，量子通信设备仅供应给少数几家大公司，量子通信中的很多方可能都是经典的，聚类算法可以帮助通信方更便捷地处理传输的信息[15–17]。在数据降维方面，我们熟悉的主成分分析算法（PCA）[18]、多维缩放（MDS）、线性判别（LDA）、局部线性嵌入（LLE）等[19–22]。但降维算法不可避免地会降低数据的属性值，如果操作不当，数据就会失去准确性，结果就会出现偏差，而使用聚类算法可以避免此类问题。目前，聚类算法可以按以下方式划分。基于分区的聚类算法包括 K 均值 [23]、K 中值 [24] 和核 K 均值算法 [25]。基于层次的聚类算法包括 BIRCH、CURE 和 CHAMELEON 算法 [26]。基于密度的聚类算法包括 DBSCAN、均值漂移 (MS) [27] 和密度峰值聚类算法 (DPC) [28]。每种算法都具有不同的分类能力。