XiaoMi-AI文件搜索系统
World File Search System维空间
2022 年量子飞跃
物理学通常被视为一门令人生畏的抽象学科，其中许多主题都不容易与公众沟通和理解。然而，声音科学及其感知/再现是打破与普通观众僵局的有效方法。尽管音频再现已经存在了一个世纪，但由于缺乏严谨的科学基础，人们对其的了解仍然少得惊人，而且充斥着许多有争议的说法。因此，消费者音频系统通常与现场音乐相去甚远。然而，甚至许多音乐和音频专业人士都不知道，有一种被称为“高端音频”（HEA）的机制，可以在三维空间中实现对乐器的惊人逼真的描绘。Kunchur 博士的研究通过开发敏锐的物理测量、灵敏的心理物理测试以及对听觉神经生理学和记忆层次的定量理解，揭开了 HEA 的神秘面纱。这项工作需要将声学物理学、音乐学、听觉生物学、神经科学、心理学和工程学等多个学科结合起来。
基于数字孪生的起重机的混合现实界面
摘要：数字孪生技术通过不断增加的数据量为工业世界的数字化转型提供了助力，同时也为设计用于操作机器的人机界面 (HMI) 创造了挑战性环境。这项工作旨在为基于数字孪生的服务创建 HMI。以工业起重机平台为例，我们介绍了一款在 Microsoft HoloLens 1 设备上运行的混合现实 (MR) 应用程序。该应用程序由可视化、交互、通信和注册模块组成，允许起重机操作员通过交互式全息图和双向数据通信来监控起重机状态和控制其运动，并通过 MR 环境的空间注册和跟踪增强了移动性。我们按照为标准化测量程序而定义的分步协议，对原型进行了 20 次测量的控制精度定量评估。结果表明，目标位置和实际位置之间的差异在三维空间中在 10 厘米范围内，对于典型的物流起重机操作用例而言，这被认为足够小，并且可以在我们未来的工作中采用强大的配准和跟踪技术来改进。
使用 STFT 和域自适应预测脑电信号中的癫痫发作
癫痫发作预测是治疗耐药性癫痫最常用的辅助策略之一。由于个体间差异，传统方法通常从同一患者身上收集训练和测试样本。然而，不同受试者之间的领域转移这一棘手问题仍未解决，导致临床转化率低。在本文中，提出了一种基于领域自适应 (DA) 的模型来解决这个问题。利用短时傅里叶变换 (STFT) 从原始脑电图数据中提取时频特征，并开发自动编码器将这些特征映射到高维空间。通过最小化嵌入空间中的域间距离，该模型学习了域不变信息，从而通过分布对齐提高了泛化能力。此外，为了增加其应用的可行性，本文模拟了临床采样情况下的数据分布，并在此条件下测试了模型，这是首次采用该评估策略的研究。在颅内和头皮EEG数据库上的实验结果表明，与以前的方法相比，该方法可以有效地最小化域间隙。
直磷酸监测的倾斜和阅读障碍物电化学传感器
DNA2VEC载体。单词嵌入被广泛用于自然语言处理（NLP），可使用固定长度向量有效地将单词映射到高维空间中[19]。这个概念也已应用于DNA序列[20]。在这项研究中，我们利用了预训练的单词向量来嵌入DNA序列。我们通过窗口大小m（m = 3）和步长s（s = 1）进行长度n的DNA样本，然后获得长度m xi∈{x 1，x 2，x 3，...，x n-2}的N-2 DNA序列。每个X I可以在衍生自DNA2VEC的预训练的DNA载体基质中找到[21]。我们使用ei∈Rk来表达缝隙I序列的k（k = 100）维矢量，然后将我们的序列x i转换为e ei∈{e 1，e 2，e 3，...，e n-2}。最后，对于每个长度n的样本，它可以嵌入为：e 1：n -2 = e1⊕e2 e 2 e 2⊕e n -2（1），其中⊕表示串联算子。
驯服维度的诅咒：定量...
5与某些常见的误解相反，深度学习并不主要是降低维度。一个经典的例子是Cover的定理，它通过显示如何在高维空间中嵌入低维数据的方式来激发了内核方法的使用，这使得更容易找到分类的超平面以进行分类（Cover，1965年）。6个经济学家已经在Krusell and Smith（1998）的方法中使用了类似的想法，该方法选择了一个或少数瞬间的异质剂分布的时刻来跟踪分布的演变，或者在遗忘的平衡解决方案概念中，该概念解决了对其他参与者的最佳响应（Weintraub et ev/div。2008，Benkard等。 2015，Weintraub等。 2010）。 深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。2008，Benkard等。2015，Weintraub等。 2010）。 深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。2015，Weintraub等。2010）。深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。
驯服维度的诅咒：深度学习 *
5与某些常见的误解相反，深度学习并不主要是降低维度。一个经典的例子是Cover的定理，它通过显示如何在高维空间中嵌入低维数据的方式来激发了内核方法的使用，这使得更容易找到分类的超平面以进行分类（Cover，1965年）。6个经济学家已经在Krusell and Smith（1998）的方法中使用了类似的想法，该方法选择了一个或少数瞬间的异质剂分布的时刻来跟踪分布的演变，或者在遗忘的平衡解决方案概念中，该概念解决了对其他参与者的最佳响应（Weintraub et ev/div。2008，Benkard等。 2015，Weintraub等。 2010）。 深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。2008，Benkard等。2015，Weintraub等。 2010）。 深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。2015，Weintraub等。2010）。深度学习使代表空间有可能学习和近似，而不是经济学家“设计”。
为有效的超维度计算的HyperVector设计
超维度计算（HDC）已成为具有较小的计算和能量需求的新型轻质学习算法。在HDC中，数据点由高维矢量（高向量）表示，这些矢量映射到高维空间（超空间）。典型地，需要大型的Hypervector维度（≥1000）才能获得与常规替代方案相当的精确度。但是，不一定的大型向量增加了硬件和能源成本，这可能会破坏其收益。本文提出了一种技术，可以最大程度地减少HyperVector维度，同时保持准确性并提高分类器的鲁棒性。为此，我们在文献中首次将HyperVector设计作为多目标优化问题。所采用的方法将HyperVector维度降低了32倍以上，同时维持或提高了常规HDC所达到的准确性。在商业硬件平台上进行的实验表明，所提出的方法可以减少模型大小，推理时间和能耗的数量级以上。我们还展示了噪声的准确性和鲁棒性之间的权衡，并提供帕累托前溶液作为我们HyperVector设计中的设计参数。
人工智能在分段体积上的应用
理由和目标：准确确定宫颈癌和甲状腺癌的诊断和分期对于确定肿瘤的扩散和播散在医疗实践中至关重要，并且涉及最准确和有效的治疗方法。为了准确诊断和分期宫颈癌和甲状腺癌，我们旨在创建一种诊断方法，该方法通过人工智能算法优化，并通过进行临床试验获得准确和有利的结果进行验证，在此期间，我们将使用人工智能 (AI) 算法优化的诊断方法，以避免错误，提高医生对计算机断层扫描 (CT) 扫描、核磁共振成像 (MRI) 的解释理解并改善治疗计划。材料和方法：计算机辅助诊断 (CAD) 方法的优化将包括开发和形成人工智能模型，使用分段体积构造中使用的算法和工具从 MRI/CT 生成 3D 图像。我们提议通过体积渲染技术对“DICOM”图像处理的最新发展进行比较研究，使用传递函数来表示不透明度和颜色，以及在三维空间中投影的“DICOM”图像的灰度。我们还通过生成对抗网络 (GAN) 技术使用人工智能 (AI)，该技术已被证明
利用迭代正则化流进行相空间均匀数据选择
计算和实验能力的提高正在迅速增加日常生成的科学数据量。在受内存和计算强度限制的应用中，过大的数据集可能会阻碍科学发现，因此数据缩减成为数据驱动方法的关键组成部分。数据集在两个方向上增长：数据点的数量和维数。降维通常旨在在低维空间中描述每个数据样本，而这里的重点是减少数据点的数量。提出了一种选择数据点的策略，使它们均匀地跨越数据的相空间。所提出的算法依赖于估计数据的概率图并使用它来构建接受概率。当仅使用数据集的一小部分来构建概率图时，使用迭代方法来准确估计稀有数据点的概率。不是对相空间进行分组来估计概率图，而是用正则化流来近似其函数形式。因此，该方法自然可以扩展到高维数据集。所提出的框架被证明是在拥有大量数据时实现数据高效机器学习的可行途径。
双曲线空间中的增强学习
随着机器学习技术和应用的爆炸性增长，具有转移功率的新范式和模型正在丰富该领域。近年来最引人注目的趋势之一是里曼尼亚几何学和谎言群体理论的显着意义的迅速崛起。根本原因是数据的复杂性上升，激发了更复杂的方法，从而导致广泛认识到大量数据集表现出内在的曲率。换句话说，许多数据集自然代表或忠实地嵌入了非欧几里得空间中。这种明显的例子是机器人技术中的旋转运动。n维空间中的旋转构成谎言组，并且没有矢量空间的结构。但是，非欧盟数据的显着性远远超出了这个特定示例。略有明显，但无处不在的是双曲几何形状中的数据表示。被广泛接受的是，任何具有某些（可能是隐藏的）层次结构的数据集自然地嵌入具有恒定负曲率的Riemannian歧管中[18，19，15]。数据激发系统方法的各种非欧亚人表示的最新进展，从而引起了新兴领域，名为“几何深度学习” [8]。