XiaoMi-AI文件搜索系统
World File Search SystemAGCN
自旋涂层促进了2D材料上AGCN微管的外延生长
摘要：预计无机晶体在2D材料上的外延生长有望大大推进纳米版和纳米复合材料。但是，由于2D材料的原始表面是化学惰性的，因此很难在2D材料上表现出无机晶体。以前，仅通过在高温下的蒸气 - 相位沉积来实现成功的结果，而基于溶液的沉积（包括自旋涂层）使外延生长在2D材料上不一致，稀疏或不均匀。在这里，我们表明溶剂控制的自旋涂层可以将密集的外延AGCN微管均匀地沉积在各种2D材料上。将乙醇添加到水溶液中，在自旋涂层期间促进了薄的过饱和溶液层的均匀形成，这促进了在块状溶液中均匀核定的2D材料表面上的异质晶体成核。显微镜分析证实了在石墨烯，MOS 2，HBN，WS 2和WSE 2上外延AGCN微管的高度排列，均匀和密集的生长。的外延微管，是光学上可观察到的，化学上可移动的，可以在毫米大小的多晶石墨烯中对晶粒进行晶粒图，以及对van der waals waals异质结构中扭曲角度（<〜1°）的精确控制。除了这些实际应用外，我们的研究还证明了2D材料作为外延模板的潜力，即使在无机晶体的自旋涂层中也是如此。关键字：自旋涂层，外延生长，范德华外延，氰化银，2D材料，范德华异质结构H
基于脑电图的情绪识别的多域自适应图卷积网络
在所有情感识别任务的解决方案中，脑电图（EEG）是一种非常有效的工具，并受到了研究人员的广泛关注。此外，脑电图中多媒体的信息通常提供了更完整的情感图片。，很少有现有研究同时合并来自时间域，频域和功能性脑连接性的脑电图信息。在本文中，我们提出了一个多域自适应图卷积网络（MD-AGCN），融合了频域和时间域的知识，以充分利用EEG信号的互补信息。md-agCN还通过将通道间相关性与通道内信息相结合，从而考虑了脑电图通道的拓扑，从中可以以自适应方式学习功能性大脑的连接。广泛的实验结果表明，在大多数实验环境中，我们的模型超过了最先进的方法。同时，结果表明，MD-AGCN可以有效地提取互补的域信息，并利用基于EEG的情绪识别的信道关系。
通过基于图形的强化学习来增强联合学习绩效公平
摘要。联合学习最近已发展为一个关键的分离学习范式，其中服务器将众多经过客户培训的模型汇总到全球模型中，而无需访问任何客户端数据。公认的是，统计异质性在客户本地数据中对全球模型收敛速度的影响，但十个低估的，这种异质性也会导致偏见的全球模型，其准确性差异很大。上下文，普遍的解决方案需要修改优化目标。但是，这些解决方案经常忽略隐式关系，例如站点数据分布的成对距离，这使客户模型之间的成对独家或协同优化。这种优化会损害早期方法的功效，从而导致性能失衡甚至负转移。为了解决这个问题，我们提出了一种新颖的聚合策略，称为基于图形图的增强学习（Fedgraphrl）。通过在服务器端部署配备多层自适应图卷积网络（AGCN）配备的增强学习（RL）代理，我们可以从客户端状态向量中学习协作图，从而在优化过程中揭示客户端之间的协作关系。在引入的奖励的指导下，代理商分配了聚合权重，从而促进了自动决策和公平的改进。两个现实世界中多中心医学数据集的实验结果表明了拟议的Fed-GraphRl的有效性和优势。