XiaoMi-AI文件搜索系统
World File Search System鲁棒性
通过图探索神经网络的鲁棒性...
深度研究深度人工神经网络（DANN）的体系结构以提高其预测性能。但是，探索了丹恩的架构与噪声和对抗性攻击之间的稳健性之间的关系。我们调查了丹尼斯的鲁棒性与它们的基础图架构或结构之间的关系。这项研究：（1）首先使用图理论鲁棒性测量探索Danns架构的设计空间； （2）将图形转换为DANN体系结构，以训练/验证/测试各种图像分类任务； （3）探讨了训练有素的丹尼斯针对噪声和对抗性攻击的鲁棒性与通过图理论测量估计的基础体系结构的鲁棒性之间的鲁棒性之间的关系。我们表明，底层图的拓扑熵和olivier-Ricci曲率可以量化DANN的稳健性性能。上述关系对于复杂的任务和大型丹恩来说更牢固。我们的工作将使汽车和神经架构搜索社区能够探索强大而准确的Danns的设计空间。
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络
光合作用系统I能量传递复杂网络对目标节点攻击和随机节点失效的鲁棒性
在本文中，我们对豌豆植物（Pisum sativum）的光系统 I (PSI) 复杂网络实施并比较了文献中的 10 种节点移除（攻击）策略，代表了其节点/发色团之间的 FRET 能量转移。我们用四个指标来衡量网络稳健性（功能）。节点攻击策略和网络稳健性指标同时考虑了网络的二元拓扑和加权结构。首先，我们发现众所周知的节点中介中心性攻击在 PSI 网络上无效，这种攻击已被证明可有效拆除大多数现实世界网络的拓扑连通性。其次，PSI 较高的网络连接水平导致节点属性的退化，即使根据特定的节点中心性度量移除节点，也会导致类似随机的节点移除。即使受到节点攻击，这种现象也会导致 PSI 网络功能的下降非常小。这种结果表明，基于经典节点属性（例如度或中介中心性）的节点攻击策略在拆除具有非常高连接水平的现实世界网络时可能效率低下。最后，可以通过调整截止距离 (CD) 来构建 PSI 网络，该距离定义节点/发色团之间的可行能量传输，并逐步丢弃远距离节点/发色团之间的较低能量传输链接。这代表了一种“权重阈值”程序，使我们能够在从 PSI 中逐步修剪较低权重的链接时调查节点攻击策略的有效性
对长期振幅漂移具有鲁棒性的量子门
量子门通常容易受到驱动门的物理量子位所施加的经典控制场的缺陷的影响。减少这种错误源的一种方法是将门分成几部分，称为复合脉冲，通常利用错误随时间的恒定性来减轻其对门保真度的影响。在这里，我们扩展了这种技术来抑制拉比频率的长期漂移，通过将它们视为幂律漂移的总和，其对状态向量的过度或不足旋转的一阶效应呈线性相加。幂律漂移的形式为 tp，其中 t 是时间，常数 p 是其幂。我们表明，抑制所有幂律漂移（p ⩽ n）的复合脉冲也是滤波器阶数为 n + 1 的高通滤波器[H. Ball 和 MJ Biercuk，《用于量子逻辑的 Walsh 合成噪声滤波器》，EPJ Quantum Technol。 2,11（2015）]。我们给出了用该技术获得的满足我们提出的幂律幅度标准 PLA(n) 的序列，并将其在时间相关幅度误差下的模拟性能与一些传统的复合脉冲序列进行了比较。我们发现，在一系列噪声频率下，PLA(n) 序列比传统序列提供更多的误差抑制，但在低频极限下，非线性效应对门保真度的影响比频率滚降更为重要。因此，先前已知的 F1 序列是 PLA(1) 标准的两个解之一，可以抑制线性长期漂移和一阶非线性效应，在低频极限下，它是比任何其他 PLA(n) 序列更清晰的噪声滤波器。
评估ERN和FRN鲁棒性对跨课程可变性
简介：大脑计算机界面（BCI）是允许用户明确或隐式与计算机相互作用的设备（Clerc等，2016）。许多BCI是基于脑电图（EEG）的，在神经基础学中，BCI可用于检测用户的心理状态。然而，基于脑电图的精神状态估计管道仍未达到具有信号非平稳性的理想分类率，包括跨课程可变性（Saha＆Baumert，2020）。因此，提出了使用与EEG提取的错误相关电位（ERRP）通过一种反馈回路来帮助改善BCI算法的（Chavarriaga等，2014）。事件相关电位（ERP）已显示出比光谱特征更强大的时间效应（Roy等，2016），并且误差势（ERRP）也可能证明是如此。这些错误的形状为两个额中央ERP：错误委员会和反馈相关的消极情绪的与错误相关的负面关系（ERN）（FRN，又称奖励积极性-REWP）用于负反馈观察。阳性顶部成分伴随着这些峰：分别是误差阳性（PE）和P300（Chavarriaga等，2014）。这些潜力也通过观察出人意料和/或错误的系统作用引起（Somon等，2018）。Chavarrigia和Millán（2010）开始研究ERN和FRN的稳定性，并表明它们会随着时间的流逝而保持稳定。但是，没有研究某些因素。这项研究的初步结果打算通过两种方式扩展这些结果：首先，我们评估了在三个单独的课程中呈现ERN和FRN对ERN和FRN的一致性的影响，相隔一周；然后，我们观察到执行和反馈相关的错误随着时间的推移的稳定性。
关于脑电图张量补全方法的鲁棒性
1 南开大学人工智能学院，天津 300350，中国；2 斯科尔科沃科学技术学院，莫斯科 121205，俄罗斯；3 杭州电子科技大学计算机学院，杭州 310018，中国；4 哥白尼大学信息学系，托伦 87-100，波兰；5 波兰科学院系统研究所，华沙 01-447，波兰；6 南开大学计算机学院，天津 300350，中国；7 阿根廷射电天文学研究所 IAR-CCT 拉普拉塔，CONICET / CIC-PBA / UNLP，Villa Elisa 1894，阿根廷；8 日本理化学研究所信息系统与网络安全总部计算工程应用部，和光市 351-0106，日本； 9 英国剑桥大学精神病学系，剑桥 CB2 8AH；10 西班牙加泰罗尼亚维多利亚中央大学数据与信号处理研究组，加泰罗尼亚 08500
测量基于深度学习的压缩感中的鲁棒性
抽象的深神经网络为重建少量和嘈杂测量的图像重建图像提供了最新的准确性，例如在加速磁共振成像（MRI）中引起的问题。然而，最近的作品引起了人们的担忧，即基于学习的图像重建方法对扰动很敏感，并且比传统方法不那么易用：神经网络（i）可能对小而却对对抗性的扰动敏感，（ii）可能会在分配中表现不佳，并且（iii）可能会在覆盖小型的图像中表现出色，但可能会在一个图像中覆盖重要特征。为了理解对此类范围的敏感性，在这项工作中，我们测量了图像重建的不同方法的鲁棒性，包括训练有素和未经训练的神经网络以及传统的基于稀疏的方法。我们发现，与先前的作品相反，训练和未经训练的方法都容易受到副本扰动的影响。此外，针对特定数据集调整的经过训练和未经训练的方法都在分配转移中遭受的损失非常相似。fi-Nelly，我们证明了一种实现更高重建质量的图像重构方法在准确恢复细节方面的性能也更好。我们的结果表明，基于最新的深度学习图像重新构造方法比没有构成鲁棒性的传统方法提供了改进的穿孔方法。
近100％份额的电力系统的鲁棒性...
摘要一些研究表明，未来的可持续电力系统主要基于可再生的生成和存储，对于当今的技术和成本是可行的。然而，最近的极端天气条件发作，可能与气候变化有关，对产生的一代投资组合是否足够强大，以确保在面对不良条件时发电和需求之间的适当平衡。为了解决这个问题，这项工作详细阐述了一种方法，旨在确定可以忍受可能发生的极端天气状况的可持续电力系统。首先，使用过去十年中的小时生产和需求数据，以及估计电力的新用途，构建了最坏情况的情况，包括存储容量和额外的光伏电源，这些功率是每小时满足需求的所需的。接下来，考虑了可能对LCOE产生重大影响的几个关键参数，并进行灵敏度分析以确定它们的实际影响，重要性和潜在趋势。然后将所提出的方法应用于西班牙系统。结果表明，在本文考虑的假设和条件下，可以设计一种脱碳电力系统，利用现有的可持续资产，通过以平均成本高于当前市场价格的平均成本可靠，满足了长期需求。
生物启发的对抗性鲁棒性的机制
尚未证明卷积神经网络在合理的计算和性能成本下对对抗性扰动非常强大。灵长类动物的视觉腹流似乎对视觉刺激中的小扰动是可靠的，但是引起这种强大感知的基本机制尚不清楚。在这项工作中，我们研究了两个生物学上合理的机制在对抗鲁棒性中的作用。我们证明，灵长类动物视网膜进行的非均匀采样以及在每个偏心率下具有一系列接受型尺寸的多个接受场的存在，可以改善神经网络对小型对抗性扰动的稳健性。我们验证了这两种机制不会遭受梯度混淆，并通过消融研究研究了它们对对抗性鲁棒性的贡献。
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。