XiaoMi-AI文件搜索系统
World File Search System误差分布
量子搜索LWE问题的减少降低
总结错误的学习（LWE）问题是密码学中的基本问题之一，并且在量词后加密术中有许多应用。问题有两个变化，决定性销售问题和搜索问题。lwe搜索降低的降低表明，搜索网络问题的硬度可以减少到决定性验证问题的硬性问题。还可以将还原的效率视为概率之间难度的差距。我们启动了针对LWE问题的量子搜索减少的研究，并提出了一种满足样本的减少。在降低样本的降低中，它甚至可以为实例数量提供所有参数。尤其是，我们的量子还原仅调用区分程序2次来解决搜索问题，而经典减少则需要多项式的调用数量。此外，我们给出了放大还原算法的成功概率的方法。在样品复杂性和查询复杂性方面，我们放大的还原与经典减少无与伦比。我们的还原算法支持广泛的误差分布，并且还为与噪声问题的学习平价提供了搜索降低。在构造搜索决策还原的过程中，我们在z q上给出了量子goldreich-levin定理，其中q是素数。简而言之，该定理指出，如果相对于均匀随机的A∈Zn Q，可以用概率明显大于1 /Q来预测硬核较大的A（mod Q），则可以确定S∈ZZ n Q。关键词：错误学习，学习噪音，搜索降低，戈德里希·莱文定理，Quantum降低，查询复杂性，样本复杂性
艾克斯-马赛大学 - Théses.fr
图 6-5：使用行为数据集、驾驶时间和参与者信息训练的模型的实际时间和估计时间之间的误差分布（左图）和相关性（右图）的频率直方图。................................................ . ................................................. ................................... 119 图 6-6：训练模型的实际时间和估计时间之间的误差分布频率直方图（左图）和相关性（右图）具有行为、汽车和生理数据集。................................................ . ................................................. ...................................................... 119 图 7-1 :用于新驾驶员疲劳驾驶检测和预测模型泛化的数据集划分（训练/验证/测试）...... 129 图 7-2：检测模型泛化的数据源并预测新驾驶员驾驶时的困倦................................................................ ................................................... 130 图 7-3：REQM用于检测困倦程度的不同数据源的验证集和测试集。星号代表重要性程度（NS：p>0.05；*：p<0.05；**：p<0.01；***：p<0.001）。................................................ . ...................................................... 132 图 7-4：验证集和测试集的 REQM用于检测睡意水平的不同数据源。星号代表重要性程度（NS：p>0.05；*：p<0.05；**：p<0.01；***：p<0.001）。................................................ . ................................................... 133 图 8-1：传统机器学习与迁移之间的说明图学习（改编自 Pan & Yang，（2010））....................................... ……………………………… ...................................... 140 图 8-2：数据集划分。 ……………………………… ...................................................... 143 图 8-3：用于调整模型以进行检测和处理的数据源预测新驾驶员驾驶时的困倦...................................................... ......................... 143 图 8-4：Oktal® 的静态驾驶模拟器。A 代表 3 个视频屏幕上显示的道路场景。B 代表仪表板。C 是faceLAB® 硬件。D 是用于心电图的三个电极中的两个，E 是呼吸带。。F 是 EDA 的电极（由于信号损失严重，本研究中未使用）。........................................................................................................... 149 图 8-5：具有不同类型道路和相关交通的场景图 ................................ 150 图 8-6：用于调整 ANN 的训练方法。圆柱体代表不同的数据集。小数字圆圈代表第 2.7 部分使用 ANN 进行自适应学习的方法中定义的流程步骤。矩形代表流程中的步骤。.................................................................... 155 图 8-7：基于 AdANN 验证数据集，针对不同信息源，在调整前后检测到的困倦程度的均方根误差 (RMSE) 和标准误差。星号代表显著性水平（NS：p>.05；*：p<.05；**：p<.01；***：p<.001）。158 图 8-8：基于 AdANN 验证数据集，针对不同信息源，在适应前后预测的嗜睡等级 1.5 发生时间的 RMSE 和 SD 平均值。星号表示均值差异的显著性水平（NS：p>.05；*：p<.05；**：p<.01；***：p<.001）。................................................................................................................................................ 159 图 8-9：检测：不同数据集（ANN 训练集、ANN 验证集、AdANN 训练集、AdANN 验证集）的 RMSE 平均值和 SD，作为用于调整 ADANN 训练数据集的数据量（τ，以分钟为单位）的函数。................................................................................................ 160 图 8-10：调整后，Ad-ANN 验证数据集的不同 τ 之间的 RMSE 均值 P 值比较。.................................................................................................................... 161 图 8-11：预测：不同数据集（ANN 训练集、ANN 验证集、AdANN 训练集、AdANN 验证集）的 RMSE 平均值和 SD 作为用于调整 AdANN 训练数据集的数据量（τ，以分钟为单位）的函数。............................................................................................. 162 图 8-12：调整后，将 AD-ANN 验证数据集中每个 τ 与另一个 τ 进行比较的 RMSE 平均值的 P 值。................................................................................................................... 163 图 8-13：困倦程度检测：用于适应的参与者（A）和 ANN 从未遇到过的其他参与者（B）的 RMSE 平均值和 SD，前后
引用发布版本（APA）：Che，Y.，Zheng，Y.，Sui，X。，＆Teodorescu，R。（2023）。基于自我
健康状态（SOH）估计在智能电池健康预后和管理中起关键作用。然而，泛化，缺乏标记的数据以及老化期间未使用的测量仍然是准确的SOH估计的主要挑战。为此，本文提出了一个自制的学习框架，以提高电池SOH估计的性能。与传统数据驱动的方法不同，这些方法依赖于从众多电池单元中获得的相当大的训练数据集，使用有限的标记数据可以实现准确且可靠的估计。首先应用了基于过滤器的数据预处理技术，该技术能够在动态充电专用条件下提取部分容量 - 电压曲线。无监督的学习用于通过自动编码器解码器从未标记的数据中学习老化特征。学习的网络参数被转移到下游SOH估计任务，并以很少的稀疏标记数据进行了调整，从而提高了估计框架的性能。所提出的方法已在不同的电池化学，格式，操作条件和环境中进行了验证。只能通过最初20％的生命周期中的三个标记数据来保证估计精度，总体错误小于1.14％，并且所有测试场景的误差分布保持少于4％，并且随着老化的增长而鲁棒性增加。与其他纯监督的机器学习方法进行比较证明了该方法的优越性。2023作者。在各种情况下，这个简单且数据效果的估计框架在现实世界应用中有承诺。科学出版社和达利安化学物理研究所，中国科学院。由Elsevier B.V.和Science Press发布，这是CC下的开放访问文章（http：//creativecommons.org/licenses/by/4.0/）。