XiaoMi-AI文件搜索系统
World File Search System稀疏
稀疏时间分解 - arXiv
时间分解是官方统计中常用的一种方法，用于对 GDP 等关键经济指标进行高频估计。传统上，这种方法仅依赖几个高频指标系列来生成估计值。然而，大量且不断增加的行政和替代数据源的盛行促使需要将这种方法调整为高维设置。在本文中，我们提出了一种新颖的稀疏时间分解程序，并将其与经典的 Chow-Lin 方法进行了对比。我们通过模拟研究展示了我们提出的方法的性能，强调了实现的各种优势。我们还探讨了它在英国国内生产总值数据分解中的应用，证明了该方法在潜在指标数量大于低频观测数量时能够发挥作用。
双稀疏量子态制备
状态准备算法可分为精确算法 [2, 3, 4, 5, 6] 和近似算法 [7, 8, 9, 10]。本文主要研究精确状态准备算法。精确状态准备可分为两类：i）准备量子态的算法，将每个模式逐一加载到量子叠加中，计算成本与振幅和量子比特的数量有关 [2, 5, 6]；ii）使用量子态分解来准备状态的算法，计算成本与所需状态的量子比特数呈指数关系 [11, 4, 12]。与量子比特数和输入模式数有关且计算成本呈指数关系的算法效率不高，只能用于生成具有少量量子比特的量子态。计算成本为 O（nM）的算法需要大量 CNOT，不适合 NISQ 设备。本文旨在开发一种算法，将稀疏数据传输到量子设备，经典计算机构建量子电路的计算成本为 O（Mlog（M）+ nM），与文献中以前的算法相比，该算法生成的量子电路具有较少的 CNOT 算子数量。为了实现这一目标，我们优化了连续值 QRAM [6]，定义了 D 中数据呈现的部分顺序。与最近在 [13] 中提出的稀疏量子态准备算法相比，后者使用经典计算机构建量子电路的计算成本为 O（M2 + nM），我们的方法在双稀疏情况下（关于振幅和状态中 1 的数量的稀疏）生成的电路具有较少的 CNOT 门数量。这项工作的其余部分分为 5 个部分。第 2 节介绍了这项工作中使用的量子算子。第 3 节介绍了 CV-QRAM 算法 [6]。第 4 节介绍了本文提出的 CVO-QRAM 算法。第 5 节介绍了实验结果并展示了所提算法所取得的改进。最后，第 6 节是结论。
通过动态稀疏分布式内存
摘要高保证加密术的领域很快就已经成熟，但对于端到端的端到端验证了效果有效的加密实现，仍然缺失了尚未确定的基础框架。为了解决此差距，我们使用COQ证明助手正式连接三个现有工具：（1）Hac-特定的紧密加密规范语言； （2）用于效果，高保证加密实现的茉莉语； （3）模块化加密证明的Ssprove基础验证框架。我们首先将HACSPEC与Ssprove连接起来，通过设计了从HACSPEC规范到命令式Ssprove代码的新译本。我们通过考虑从HACSPEC到纯粹的功能性COQ代码的第二次，更标准的翻译来验证这一翻译，并生成两个翻译产生的代码之间的等价性的证明。我们进一步定义了从茉莉蛋白到ssprove的翻译，这使我们能够在ssprove中正式推理有关茉莉蛋白中有效的加密信息。我们证明，相对于Jasmin的操作语义，在COQ中正确地证明了这一翻译。最后，我们通过给出有效的AES的基础端到端COQ证明，证明了方法的有用性。在此案例研究中，我们从使用硬件加速的AE的现有茉莉实现开始，并证明它符合HACSPEC编写的AES标准的规格。我们使用Ssprove基于AES的Jasmin实施来形式化加密方案的安全性。
生物多样性的稀疏分析测量
虽然稀疏分析是在生态学家研究相对较大的植物和动物时发展起来的，但随着 21 世纪初微生物生态学的出现，这种分析变得势在必行，因此该技术进一步发展。澳大利亚共有 18,448 种维管植物（https://www.dcceew.gov.au/science-research/abrs/publications/other/numbers- living-species/discussion-plants），而一克土壤含有 30,000 至 50,000 个细菌和真菌类群，数量约为 100 亿个。识别微生物的标准方法是对 16S 核糖体进行 DNA 测序。问题是测序时间有多长？答案与较大物种的生物多样性研究一样，在于稀疏分析。如果测序深度超过 1500 个碱基对，那么付出额外的努力和费用将无法获得额外的信息
稀疏分布式表示的可变绑定
摘要 - 可变性的绑定是象征性的和认知的基石。但是，在连接主义模型中如何实现约束力使神经科学家，认知心理学家和神经网络研究人员困惑。自然包含绑定操作的一种连接主义模型是向量符号体系结构（VSA）。与其他有关可变结合的建议相反，VSA中的结合操作是维度具有维护性的，它可以代表复杂的层次数据结构，例如树，同时避免尺寸的组合扩展。经典的VSA通过密集的随机矢量编码符号，其中信息分布在整个神经元种群中。相比之下，在大脑中，特征在单个神经元或小组神经元的活性中更局部编码，通常形成神经激活的稀疏载体。遵循Laiho等人。（2015），我们探索了符号推理，并具有稀疏分布式表示的特殊情况。使用来自压制感应的技术，我们首先表明经典VSA中的可变结合在数学上等同于稀疏特征向量之间的张量产品结合，这是另一个众所周知的结合操作，从而增加了维度。这种理论上的结果促使我们研究了二维保护的结合方法，其中包括将张量矩阵减少到单个稀疏向量中。一种通用稀疏矢量的一种结合方法使用随机投影，另一种块状圆形卷积，对于具有块结构，稀疏块编码的稀疏向量定义。我们的实验表明，块 - 本地卷积卷积结合具有理想特性，而基于随机投影的结合也有效，但是有损的。我们在示例应用中证明了具有块圆形圆形卷积和稀疏块码的VSA的性能与经典VSA相似。最后，我们在神经科学和神经网络的背景下讨论了我们的结果。
有限速率稀疏量子代码
我们引入了一种基于在随机两部分图上解决约束满意度问题（CSP）的生成随机多量稳定器代码的方法。此框架使我们能够在CSP中同时执行X/z平衡，X/z平衡，有限速度，稀疏性和最大程度的结合，然后我们可以在数值上解决。使用状态的CSP求解器，我们获得了令人信服的证据，证明存在着满意的阈值。此外，可满足相的范围随量子的数量而增加。在该阶段，发现稀疏代码成为一个简单的问题。此外，我们观察到在满足相的相中发现的稀疏代码实际上实现了擦除噪声的通道容量。我们的申请表明，中间大小的有限速率稀疏量子代码很容易找到，同时还展示了一种具有自定义properties的良好代码的功能可靠方法。因此，我们建立了一个完整且可自定义的管道，以进行随机Quantum code Discovery。
分解方法的稀疏时空脑 -
摘要 - 准确的技术在解决大量数据的各种问题方面具有无限的作用。但是，这些技术尚未显示出处理脑信号的脑部计算机界面（BCIS）的竞争性能。基本上，脑信号很难大量收集，特别是在自发的BCI中，信息量将很少。此外，我们猜想任务之间的高空间和时间相似性增加了预测的困难。我们将这个问题定义为稀疏条件。为解决此问题，引入了分解方法，以允许该模型从潜在空间中获得不同的表示。为此，我们提出了两个特征提取器：通过对抗性学习作为发电机的对抗性学习进行训练；特定于类的模块利用分类产生的损失函数，以便使用传统方法提取功能。为了最大程度地减少班级和类别特征共享的潜在空间，该模型是在正交约束下训练的。因此，将脑电图分解为两个独立的潜在空间。评估是在单臂运动图像数据集上进行的。从结果中，我们证明了分解脑电图信号允许模型在稀疏条件下提取富裕和决定性的特征。
稀疏人工神经网络：自适应性能 - ...
人工神经网络是强大的机器学习系统。然而，如果权重数量过多，接近于零，网络就会变得不必要地庞大和沉重。稀疏模型会删除冗余权重，旨在以最小的准确度损失减少参数数量。稀疏进化训练过程会自适应地进化人工神经网络拓扑的权重。事实证明，这种技术可以删除大量权重，并实现比非进化或密集连接的对应技术更高的准确度，尽管连接的添加和删除遵循相对简单的算法。受人类大脑突触修剪的启发，我们提出了一种稀疏进化训练算法中权重进化的高级方法。我们建议在训练阶段随着准确度的提高逐渐删除连接。我们表明，参数数量可以显著减少，而准确度几乎不会损失，额外的计算复杂性可以忽略不计。我们在基准图像和表格数据集上训练的多层感知器上展示了该算法的性能。这项研究有助于理解稀疏人工神经网络，并朝着更高效的模型迈出了一步。
基于稀疏扫描范围数据的建筑建模
我们提出了一种流程，从稀疏范围激光扫描获得的点云中重建建筑物的完整几何形状。由于室外环境的可达性有限，对建筑物的每个面进行完整、充分的扫描往往是不可能的。我们的流程处理由平面构成的建筑，并根据不完整的扫描忠实地构建一个低复杂度的多面体。该流程首先根据点云识别平面区域，然后继续计算平面交点和角 1 ，最后生成完整的多面体。在流程中，设计了几种基于多面体几何假设的算法来执行数据聚类、边界检测和面提取。我们的系统提供了一个方便的用户界面，但最大限度地减少了用户干预的必要性。我们通过模拟真实的建筑物来展示我们系统的能力和优势。