XiaoMi-AI文件搜索系统
World File Search System随机性
随机性作为过度拟合的解决方案——一种新的模型和非侵入性脑电图前景的比较研究
内在语言的潜力和实用性对于开发实用的日常脑机接口 (BCI) 应用至关重要，因为它代表了一种独立于外部刺激运行的大脑信号，但由于在解读其信号方面面临挑战，它在很大程度上尚未得到充分开发。在本研究中，我们在公开可用的数据集上评估了各种机器学习 (ML) 和深度学习 (DL) 模型的行为，采用流行的预处理方法作为特征提取器来增强模型训练。我们面临着重大挑战，例如受试者相关的变异性、高噪声水平和过度拟合。为了特别解决过度拟合问题，我们建议使用“BruteExtraTree”：一种依赖于从其基础模型 ExtraTreeClassifier 继承的中等随机性的新分类器。该模型不仅在我们的实验中与最佳深度学习模型 ShallowFBCSPNet 相匹配，在主题无关场景中达到 32% 的准确率，而且在主题相关情况下达到 46.6% 的平均主题准确率，超越了最先进的模型。我们在主题相关情况下的结果显示，使用受 LLM 预训练启发的内部语音数据的新范式是可能的，但我们也强调，迫切需要彻底改变数据记录或噪声消除方法，以便在主题无关情况下实现更实际的准确率。
基于变分测量的生成建模量子计算
基于测量的量子计算 (MBQC) 为设计量子算法提供了一种独特的范式。事实上，由于量子测量固有的随机性，MBQC 中的自然操作不是确定性和单一的，而是增加了概率副产品。然而，到目前为止，MBQC 的主要算法用途是完全抵消这种概率性质，以模拟电路模型中表达的单一计算。在这项工作中，我们建议设计包含这种固有随机性的 MBQC 算法，并将 MBQC 中的随机副产品视为计算资源。作为随机性可以带来好处的自然应用，我们考虑生成建模，这是机器学习中以生成复杂概率分布为中心的任务。为了完成这项任务，我们提出了一种变分 MBQC 算法，该算法配备了控制参数，允许人们直接调整计算中允许的随机性程度。我们的代数和数值结果表明，这种额外的随机性可以显著提高某些生成建模任务的表达能力和学习性能。这些结果凸显了利用 MBQC 固有随机性的潜在优势，并激发了对基于 MBQC 的算法的进一步研究。
![arXiv:2309.05253v1 [quant-ph] 2023 年 9 月 11 日](/simg/g:\will\search\icon\source\a\a918c2678eeb47b4e561d6dda5a0cf6c67c0d39f.webp)
arXiv:2309.05253v1 [quant-ph] 2023 年 9 月 11 日
我们探索量子信息中对称性和随机性之间的相互作用。采用几何方法，如果状态与以群 H 为特征的对称变换相关，则我们认为状态是 H 等价的。然后，我们在均匀空间 U /H 上引入哈尔测度，以表征 H 等价系统的真正随机性。虽然数学家对这种数学机制进行了深入研究，但它在量子信息中的应用有限：我们相信我们的工作是利用均匀空间来表征量子信息中对称性的第一个例子。接下来讨论了真正随机性的近似，从 t 独立近似开始，并定义 U /H 和 H 等价状态的 t 设计。进一步过渡，我们探索伪随机性，在均匀空间内定义伪随机幺正和状态。最后，作为我们研究成果的实际证明，我们研究了均匀空间中量子机器学习假设的可表达性。我们的工作为量子世界中随机性和对称性的关系提供了新的视角。
![arXiv:1912.01270v3 [quant-ph] 2023 年 3 月 1 日](/simg/g:\will\search\icon\source\b\b8925800e98a19fb58f4c3c02d4e353d3a9dd58f.webp)
arXiv:1912.01270v3 [quant-ph] 2023 年 3 月 1 日
超不可控性是一种特殊的空间量子相关性，可以在存在有限共享随机性的转向场景中观察到。在这项工作中，我们在转向场景中定义了一个可通过实验测量的量来证明超不可控性。在这种场景的随机性认证背景下，我们证明了这种超不可控性的认证为真正的随机性生成量提供了界限。另一方面，超局部性是另一种空间量子相关性，可以在存在有限共享随机性的贝尔场景中观察到。我们确定了不等式来证明贝尔场景中的超局部性，可以采用这些不等式来实现 2 对 1 和 3 对 1 随机访问码。我们观察到，在存在有限共享随机性的情况下，这种超局部性的认证可作为随机访问码的资源。作为我们对超不可控性和超局域性认证的副产品，我们确定了具有量子性的可分离状态的新分类。
CS687 2023-24 II
此外，我们将表明，不可压缩的对象包含许多我们期望从随机对象中的正确物体。[4个讲座]我们将引入经典信息The-Ory的一些基本不平等。[3个讲座]课程的后半部分将集中在列内物体的随机性上。我们将使用结构度量[5个讲座]引入Martin-Lof随机性的概念，并涵盖相对随机性的符号的重要特性，即van lambalgen定理[5个讲座]和kucera-gacs定理[5个讲座]。
用于解决 MAXCUT 的随机神经形态电路
摘要 — 寻找图的最大割点 (MAXCUT) 是一个经典的优化问题，它推动了并行算法的开发。虽然 MAXCUT 的近似算法提供了有吸引力的理论保证并展示了令人信服的经验性能，但这种近似方法可能会将主要的计算成本转移到随机采样操作上。神经形态计算利用神经系统的组织原理来启发新的并行计算架构，提供了一种可能的解决方案。自然大脑的一个普遍特征是随机性：生物神经网络的各个元素都具有内在的随机性，这是实现其独特计算能力的资源。通过设计利用与自然大脑类似的随机性的电路和算法，我们假设微电子设备中的内在随机性可以转化为神经形态架构的宝贵组成部分，从而实现更高效的计算。在这里，我们展示了神经形态电路，它将一组随机设备的随机行为转化为有用的相关性，从而为 MAXCUT 提供随机解决方案。我们表明，与软件求解器相比，这些电路的性能更佳，并认为这种神经形态硬件实现提供了扩展优势的途径。这项工作展示了将神经形态原理与内在随机性相结合作为新计算架构的计算资源的实用性。
![arXiv:2108.13329v1 [quant-ph] 2021 年 8 月 30 日 - SFB 876](/simg/g:\will\search\icon\source\e\e809d26872a3b281f33700ed673156ae35cf0ec5.webp)
arXiv:2108.13329v1 [quant-ph] 2021 年 8 月 30 日 - SFB 876
实用量子计算的最新进展催生了各种基于云的量子计算平台，使研究人员能够在嘈杂的中型量子 (NISQ) 设备上评估他们的算法。量子计算机的一个共同特性是它们表现出真正的随机性，而不是从经典系统获得的伪随机性。在机器学习的背景下研究这种真正的量子随机性的影响很有吸引力，最近的结果模糊地表明，使用量子随机数确实可以带来好处。为了进一步阐明这一主题，我们在数值实验中实证研究了硬件偏置量子随机数对人工神经网络权重初始化的影响。我们发现与无偏量子随机数以及来自经典伪随机数生成器的有偏和无偏随机数相比，没有统计学上的显着差异。我们实验中的量子随机数是从真实的量子硬件中获得的。
非确定性和机器学习代码的违法行为
有关机器学习（ML）的法律文献倾向于关注危害，因此倾向于推理个人模型结果和摘要错误率。这种重点掩盖了ML的重要方面，这些方面源于其依赖随机性（即随机性和非确定性）。尽管最近的一些工作已经开始推论随机性与法律背景下的任意性之间的关系，但非确定主义的作用更加广泛。在本文中，我们阐明了这两个概念之间的重叠和差异，并表明非确定性的影响及其对法律的影响，从关于ML输出作为分布的推理的角度来看，将其作为对可能结果的分布而变得更加明显。通过强调ML的可能结果来解释随机性。重要的是，这种推理并不是当前法律推理的排他性；它补充了有关特定自动化决策的个人，具体结果的分析（实际上可以加强）分析。通过阐明非确定性的重要作用，我们证明了ML代码属于网络劳劳的“代码为法律”的框架，因为该框架假定代码是确定性的。我们简要讨论了ML可以采取什么措施来限制非确定性造成危害的影响，并指出法律必须在何处弥补其当前个人结果重点与我们建议的分配方法之间的差距。
