XiaoMi-AI文件搜索系统
World File Search System自动编码
面对面：梭状回面部区域的计算模型与有争议的面部刺激之间的对立
数百项研究已经描述了梭状回面部区域 (FFA) 的反应特性，但我们尚未揭示其表征背后的计算机制。一个方法论上的挑战是，不同的计算模型对随机抽样的面部做出的预测可能难以区分。这项 fMRI 研究采用了合成的争议性面部刺激，旨在引出六个候选神经网络模型对 FFA 中面部表征的不同预测。我们展示了对一位参与者进行四次扫描的初步数据。争议性面孔揭示了各模型在预测 FFA 表征相异矩阵 (RDM) 的能力方面存在许多显著差异，而随机抽样的面部无法实现模型之间的可靠裁决。经过逆向渲染（将面部图像映射到 3D 面部模型的潜在空间）训练的神经网络优于具有相同架构但经过识别、分类或自动编码训练的替代模型。我们的研究结果支持了这样的观点：面部识别涉及反映面部物理结构的表现形式，并证明了需要通过神经成像实验来优化有争议的刺激来裁决脑计算模型。
循环一致地嵌入3D大脑，并带有自动...
现代生成的对抗网络（gan）通过从潜在的z（即随机向量）中采样（即随机向量），并将其映射到x中的逼真图像（例如3D MRIS），从而实现了完整的3D脑图像的现实生成。为了解决无处不在的模式集合问题，最近的作品强烈强烈施加了某些特征，例如通过编码将x明确映射到z的先验。但是，这些效果无法将3D脑图像准确地映射到所需的先验中，生成器假定是从中对随机向量进行采样的。另一方面，各种自动编码gan（vae-gan）通过通过两个学习的参数强制执行高斯，但会导致图像中的模糊性。在这项工作中，我们展示了我们的循环一致嵌入GAN（CCE-GAN）如何准确地将3D MRI编码为标准的正常先验，并保持生成的图像的质量。我们在没有基于网络的代码歧视器的情况下通过Wasserstein度量实现了这一目标。我们使用ADNI的健康T1加权MRI进行定量和定性评估嵌入和产生的3D MRI。关键字：自动编码器，潜在空间，生成对抗网络，周期同意，3D MRI
3D-MVP：机器人操纵的3D多视图
最近的作品表明，使用蒙版自动编码器（MAE）在以自我为中心数据集上进行视觉预测可以改善下游机器人技术任务的概括[40，29]。但是，这些方法仅在2D图像上预处理，而许多机器人应用程序需要3D场景的理解。在这项工作中，我们提出了3D-MVP，这是一种使用蒙版自动编码器进行3D多视图预处理的新方法。我们利用机器人视图变压器（RVT），该变压器（RVT）使用多视图变压器来理解3D场景并预测抓地力姿势动作。我们将RVT的多视图变压器拆分为视觉编码器和动作解码器，并在大规模3D数据集（例如Objaverse）上使用蒙版自动编码预处理其视觉编码器。我们在一组虚拟机器人操纵任务上评估了3D-MVP，并证明了基准的性能提高。我们还在真正的机器人平台上显示出令人鼓舞的结果，并具有最小的填充。我们的结果表明，3D感知预处理是提高样品效率和基于视觉机器人操纵策略的概括的有前途的方法。我们将发布3D-MVP的代码和预估计的模型，以促进未来的研究。
3D-MVP：3D Multiview for Anipulation
摘要：最近的作品表明，使用蒙版自动编码器（MAE）在以自我为中心的数据集上进行视觉预处理可以改善下游机器人技术任务的概括[1，2]。但是，这些方法仅在2D图像上预处理，而许多机器人应用程序需要3D场景的理解。在这项工作中，我们提出了3D-MVP，这是一种使用蒙版自动编码器进行3D多视图预处理的新方法。我们利用机器人视图变压器（RVT），该变压器（RVT）使用多视图变压器来理解3D场景并预测抓地力姿势动作。我们将RVT的多视图变压器拆分为视觉编码器和动作解码器，并在大规模3D数据集（例如Objaverse）上使用蒙版自动编码预处理其视觉编码器。我们在一组虚拟机器人操纵任务上评估了3D-MVP，并证明了基准的性能提高。我们还在真正的机器人平台上显示出令人鼓舞的结果，并具有最小的填充。我们的结果表明，3D感知预处理是提高样品效率和基于视力的机器人操纵策略的有前途的方法。我们将发布代码和验证模型，以促进未来的研究。
基于多目标增强学习的同时主题和预测模型...
[1] Shuo Xu，Liyuan Hao，Guancan Yang，Kun Lu和Xin An。基于主题模型的框架，用于检测和预测新兴技术。技术预测和社会变革，第1卷。162，p。 120366，2021。[2] Xing Yi和James Allan。信息检索的Uti-Lizing主题模型的比较研究。在Mohand Boughanem，Catherine Berrut，Josiane Mothe和Chantal Soule-Dupuy，编辑中，信息检索的进步，pp。29–41，柏林，海德堡，2009年。Springer Berlin Heidel-Berg。[3] Shixia Liu，Michelle X. Zhou，Shimei Pan，Yangqiu Song，Weihong Qian，Weijia Cai和Xiaoxiao Lian。tiara：主动，基于主题的视觉文本摘要和分析。acm trans。Intell。 Syst。 技术。 ，卷。 3，编号 2，2012年2月。 [4] David Blei，Andrew Ng和Michael Jordan。 潜在的dirich-让分配。 在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。 14。 MIT出版社，2001。 [5] Yishu Miao，Edward Grefenstette和Phil Blunsom。 涵盖神经变异性推断的离散潜在主题，2017年。 [6] Akash Srivastava和Charles Sutton。 主题模型的自动编码变量推断，2017年。 [7] Maarten Grootendorst。 bertopic：基于类的TF-IDF程序的神经主题建模，2022。 [8] David M. Blei和John D. La效应。 动态主题模式。Intell。Syst。技术。，卷。3，编号2，2012年2月。[4] David Blei，Andrew Ng和Michael Jordan。潜在的dirich-让分配。在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。14。MIT出版社，2001。[5] Yishu Miao，Edward Grefenstette和Phil Blunsom。涵盖神经变异性推断的离散潜在主题，2017年。[6] Akash Srivastava和Charles Sutton。主题模型的自动编码变量推断，2017年。[7] Maarten Grootendorst。bertopic：基于类的TF-IDF程序的神经主题建模，2022。[8] David M. Blei和John D. La效应。动态主题模式。在第23届机器学习国际会议论文集中，ICML '06，p。 113–120，纽约，纽约，美国，2006年。计算机协会。[9] c´edric f´evotte和j´erˆome idier。算法，用于beta-Divergence，2011年。 [10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。 八八张：对主题模型进行组合和优化很简单！ 在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集算法，用于beta-Divergence，2011年。[10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。八八张：对主题模型进行组合和优化很简单！在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集
人工智能在物联网网络安全应用的挑战及解决方案
Svetlana Cojocaru, Ludmila Peca TeĐhŶiĐalàUŶiǀeƌsitLJàofàMoldoǀa,àϭϲϴ,à“tefaŶàĐelàMaƌeàşià“faŶt Blvd., 基希讷乌, MD-2004, 摩尔多瓦共和国, svetlana.cojocaru@ati.utm.md, ludmila.peca@isa.utm.md, ORCID: 0000-0002-1187-4294, 0000-0002-4394-2933, https://utm.md/ 关键词：人工智能、网络安全、物联网网络、异常检测、网络攻击、机器学习 摘要。本文分析了人工智能如何用于物联网网络安全，强调了其在检测和预防网络攻击方面的应用。本文重点介绍了人工智能在以下方面的新进展：通过机器学习算法检测异常；通过隔离受感染设备减少事件响应时间，实现响应流程自动化；通过加强对攻击的保护来检测可疑活动。最近的研究结果显示了人工智能在物联网安全方面的有效性：使用机器学习算法检测物联网设备上的 DDoS 攻击，实施自动编码以检测僵尸网络，突出不安全的物联网设备的漏洞并将人工智能融入安全，开发基于循环神经网络的物联网入侵检测系统。分析表明，人工智能的实施为检测和预防网络攻击提供了解决方案，但也存在与数据质量、检测错误和实施复杂性相关的挑战。
![arXiv:2205.09829v1 [q-bio.NC] 2022 年 5 月 19 日 - Justin Jude](/simg/g:\will\search\icon\source\a\aa8f15f482488c0fdebafe05c6a479e23e11755b.webp)
arXiv:2205.09829v1 [q-bio.NC] 2022 年 5 月 19 日 - Justin Jude
从记录的神经活动中解码刺激或行为是研究中研究大脑功能的常用方法，也是脑机接口和脑机接口的重要组成部分。即使是从小的神经群体中也能进行可靠的解码，因为高维神经群体活动通常占据低维流形，而这些流形可以用合适的潜在变量模型发现。然而，随着时间的推移，单个神经元活动的漂移和神经记录设备的不稳定性可能会很大，使得几天和几周的稳定解码变得不切实际。虽然这种漂移无法在单个神经元层面上预测，但当底层流形随时间稳定时，连续记录会话中的群体水平变化（例如不同的神经元组和记录数据中一致神经元的不同排列）可能是可以学习的。在会话中对一致和不熟悉的神经元进行分类，并考虑在记录会话中记录数据集中一致记录神经元顺序的偏差，可以保持解码性能。在这项工作中，我们表明深度神经网络的自监督训练可用于补偿这种会话间变异性。因此，连续自动编码模型可以在未来几天内为完全未见过的记录会话保持最先进的行为解码性能。我们的方法只需要一个记录会话来训练模型，这是朝着可靠、无需重新校准的脑机接口迈出的一步。
通过生成人工智能自动化的话语分析
[5]，教师反馈[17]和学习产品（例如论文）。为了标记这些数据，研究人员可以使用手动技术，自动化技术或其组合[20]。手动编码话语数据昂贵，耗时且容易出错，因此需要在编码过程中遵守编码器的详细框架[9]。解决这些挑战的一种方法是利用自动编码数据的方法。传统解决方案涉及自然语言处理，机器学习以及最近的深度学习方法，所有这些方法都产生了有希望的结果[21]。但是，这种技术通常需要相对技术背景来实施和理解，从而限制了它们在教育环境中的用处。最近出现人工智能（GAI）的出现，例如生成预训练的变压器（GPT）模型类别[2]，现在使用户可以相对轻松地自动编码其数据。编码工作流程通过引入基于LLM的聊天机器人（例如ChatGpt及其相关的API）来简化，这些聊天机器人提供了使用最新模型的可访问手段。虽然已经探索了各种基准语言任务的GAI能力[15]，但它们在教育环境中编码话语时的可靠性相对尚未探索。为了解决这一研究差距，我们评估了GPT模型使用各种提示策略和培训方法自动从教学人员中收集的数据自动编码数据的能力。我们的研究还提供了在自动话语编码的背景下使用GAI的技术建议。
长摩根的关联学习解释了人类对听觉序列中统计和网络结构的敏感性
网络是捕获世界复杂性的有用数学工具。在先前的行为研究中，我们表明人类成年人对听觉序列的高级网络结构敏感，即使在提供了全部信息。基于与相邻元素和非附近元素之间的过渡概率与内存衰减之间的过渡概率的集成，最好通过与关联学习原理兼容的数学模型来解释其性能。在本研究中，我们通过磁脑电图（MEG）探讨了该假设的神经相关性。参与者（n = 23，16位女性）被动地听取了在稀疏的社区网络结构中组织的色调序列，其中包括两个社区。在大脑对具有相似过渡概率的音调过渡的反应中观察到了早期差异（〜150 ms），但在社区内或之间发生了 - 发生。此结果意味着序列结构的快速自动编码。使用时间分辨解码，我们估计了每种音调表示的持续时间和重叠。解码性能表现出指数衰减，从而在连续音调的表示之间显着重叠。基于这种扩展的衰减预示，我们估计了每个过渡的长摩根关联学习新颖性指数，并发现该度量与MEG信号的相关性。总体而言，我们的研究阐明了人类对网络结构敏感性的神经机制，并突出了HEBBIAN样机制在支持各种时间尺度学习中的潜在作用。
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。