XiaoMi-AI文件搜索系统
World File Search System深度
深度量子纠错
量子纠错码 (QECC) 是实现量子计算潜力的关键组件。与经典纠错码 (ECC) 一样，QECC 通过将量子逻辑信息分布在冗余物理量子比特上，从而可以检测和纠正错误，从而能够降低错误率。在这项工作中，我们高效地训练了新型端到端深度量子错误解码器。我们通过增强综合征解码来解决量子测量崩溃问题，以预测系统噪声的初始估计值，然后通过深度神经网络对其进行迭代细化。通过可微分目标直接优化在有限域上计算出的逻辑错误率，从而能够在代码施加的约束下实现高效解码。最后，通过高效解码重复综合征采样，我们的架构得到扩展，以支持有故障的综合征测量。所提出的方法展示了神经解码器用于 QECC 的强大功能，它实现了最先进的精度，对于小距离拓扑码，其性能优于现有的端到端神经和经典解码器，而后者通常在计算上是无法实现的。
无监督深度学习
该论文探讨了自动货运列车的环境监测和异常检测（特别是障碍物）所面临的挑战。尽管铁路运输传统上一直处于人类监督之下，但自动驾驶列车在成本、时间和安全性方面具有优势。然而，它们在复杂环境中的操作会带来重大的安全问题。本研究采用的不是需要昂贵且有限的注释数据的监督方法，而是采用无监督技术，依靠能够识别非典型行为的技术，使用未标记的数据来检测异常。提出了两种环境监测模型：第一种基于卷积自动编码器（CAE），用于识别主轨道上的障碍物；第二个版本是结合了 Vision Transformer (ViT) 的高级版本，专注于一般环境监测。两者都利用无监督学习技术进行异常检测。结果表明，所提出的方法为自主货运列车的环境监测提供了相关要素，有潜力增强其可靠性和安全性。因此，无监督技术的使用证明了其在自动列车应用环境中的实用性和相关性。
第 3 章 深度测定
深度测定 1.简介 深度测定是水文测量员的一项基本任务，需要对介质、水下声学、可用于深度测量的大量设备、用于姿态和升沉测量的互补传感器以及适当的程序有具体的了解，以实现并满足国际推荐的精度和覆盖标准，如 IHO 出版物 S-44 第 5 版所述。铅垂线和测深杆是最早用于直接测量水深的方法。它们的简单操作原理确保了它们在许多世纪中持续使用。源自军用声纳的单波束回声测深仪是一项重大发展，自 20 世纪中期以来一直用于水文测量。在过去十年中，水文测量在深度测量技术和方法方面经历了概念上的转变。多波束回声测深仪 (MBES) 和机载激光测深系统 (ALS) 现在几乎可以覆盖整个海底并进行深度测量。高数据密度和高采集率产生了巨大的测深数据集和大量辅助数据。1998 年，编写第 4 版的 S-44 工作组对深度测量设备的最新技术进行了评估，结果如下：“单波束回声测深仪在浅水中的精度已达到亚分米级。市场上有各种不同频率、脉冲率等的设备。可以满足大多数用户，尤其是水文学家的需求。(…) 多波束回声测深仪技术正在迅速发展，如果使用适当的程序，并且系统的分辨率足以正确检测航行危险，则多波束回声测深仪技术具有进行准确和全面海底搜索的巨大潜力。机载激光测深是一项新技术，可以为浅水清澈水域的调查提供显着的生产力提升。机载激光系统能够测量 50 米或更深的深度。”尽管有这些新技术，但单波束回声测深仪 (SBES) 目前仍然是全球水文调查中使用的传统设备。这些回声测深仪也从模拟记录发展到数字记录，具有更高的精度和准确性，并具有可满足各种目的的特定功能。当需要全海底声波探测时，MBES 已成为深度测定的宝贵工具。数字回声测深仪与运动传感器、卫星定位系统（如 GPS）和数据采集软件的使用相结合，优化了生产效率，并相应减少了测量操作人员。越来越多的国家水文局 (NHO) 采用多波束技术作为收集新海图制作的水深数据的首选方法。
使用深度学习
摘要：有关左心的解剖结构的知识，特定于中庭（LA）和心室（即心内膜外 - 伏托（Vendo）和表心外 - lvepi）对于评估心脏功能是必不可少的。超声心动图的心脏结构的手动分割是基线参考，但结果是用户依赖性且耗时的。为了支持临床实践，本文提出了一种新的深入学习（DL）工具，用于从超声心动图图像中分割左心的解剖结构。特别是设计为两个卷积神经网络，Yolov7算法和一个U-NET的组合，其目的是将超声心动图像自动分为Lvendo，Lvepi和La。基于DL的工具接受了对心脏习得的培训和测试。对于每位患者，临床医生收购并注释了末端和末端末端的顶部两次和四室视图。在全球范围内，我们的基于DL的工具能够分割Lvendo，Lvepi和La，提供了等于92.63％，85.59％和87.57％的骰子相似性系数。总而言之，所提出的基于DL的工具被证明是可靠的，可以自动分割左心的解剖结构并支持心脏病临床实践。
基于深度学习的多摩斯
目的：三阴性乳腺癌（TNBC）由于其侵略性而构成了重大诊断挑战。这项研究基于最新的多摩学数据开发了创新的深度学习（DL）模型，以增强TNBC亚型和预后预测的准确性。该研究重点是通过展示一个模型，该模型在数据集成，统计性能和算法优化方面取得了重大进步，以解决先前研究的限制。方法：与乳腺癌相关的分子特征数据，包括mRNA，miRNA，基因突变，DNA甲基化和磁共振成像（MRI）图像（MRI）图像，从TCGA和TCIA数据库中获取。本研究不仅将单词词与多摩斯机器学习模型进行了比较，还将贝叶斯优化应用于创新的多摩学数据的DL模型的神经网络结构。结果：多摩管数据的DL模型在亚型预测中显着优于单词模型，在跨验证中达到了98.0％的精度，在验证集中达到97.0％，在外部测试集中达到91.0％。此外，MRI放射素学模型显示出令人鼓舞的性能，尤其是在训练集的情况下。但是，转移测试期间的性能下降强调了DL模型在数据一致性和数字处理方面的多态数据模型的优势。结论：我们的多态DL模型在统计绩效和转移学习能力方面介绍了显着的创新，对TNBC分类和预后预测具有显着的临床相关性。虽然MRI放射线学模型被证明有效，但它需要进一步优化跨数据库的应用，以提高准确性和一致性。我们的发现提供了通过多词数据和DL算法改善TNBC分类和预后的新见解。
使用深度学习
经颅磁刺激（TMS）是一种非侵入性神经刺激技术，越来越多地用于治疗神经精神疾病和神经科学研究。由于大脑的复杂结构和受试者之间的电导率变化，对TMS的受试者特异性大脑区域的鉴定对于提高治疗功效和了解治疗反应的机制很重要。数值计算已用于估计脑组织中TMS刺激的电场（E-FIELD）。，但是相对长的计算时间限制了这种方法的应用。在本文中，我们提出了一种基于深神经网络的方法，通过使用名为3D-msre-Sunet和多模式成像数据的神经网络体系结构来加快全脑电子场地的估计。3D-MSResunet网络集成了3D U-NET体系结构，残差模块和结合多尺度特征图的机制。它是使用具有有限元方法（FEM）的E-Field和扩散磁共振成像（MRI）基于各向异性量电导率或解剖图像的大型数据集（FEM）训练的。使用几个评估指标以及成像方式和线圈的不同组合评估3D-MSResunet的性能。实验结果表明，3D-MSResunet的输出电子田提供了可靠的估计由最先进的FEM方法估计的电子场的估计，预测时间大幅下降至约0.24秒。因此，这项研究表明，神经网络是加速对TMS靶向的E-Field预测的潜在有用的工具。
解释深度神经网络及其他
摘要 — 随着机器学习在工业和科学领域得到更广泛和高度成功的应用，对可解释人工智能的需求日益增长。因此，可解释性和解释方法正受到越来越多的关注，以便更好地理解非线性机器学习（特别是深度神经网络）的解决问题的能力和策略。在这项工作中，我们的目标是 (1) 及时概述这一活跃的新兴领域，重点关注“事后”解释，并解释其理论基础；(2) 使用大量模拟从理论和比较评估的角度对可解释性算法进行测试；(3) 概述最佳实践方面，即如何最好地将解释方法纳入机器学习的标准使用中；(4) 在具有代表性的应用场景中展示可解释人工智能的成功使用。最后，我们讨论了这一令人兴奋的机器学习基础领域面临的挑战和未来可能的方向。