XiaoMi-AI文件搜索系统
World File Search SystemAutoEncoder
dario Coscia，Nicola Demo和Gianluigi Rozza
在这项工作中，我们提出了Garom，这是一种基于生成对抗网络（GAN）的订购建模（ROM）的新方法。gan试图使用两个神经网络，即歧视器和生成器，以与数据集的基础分布相同的统计数据生成数据。虽然广泛应用于深度学习的许多领域，但很少对其ROM的申请进行研究，即使用更简单的模型近似高保真模型。在这项工作中，我们结合了GAN和ROM框架，引入了一个数据驱动的生成对抗模型，能够学习参数微分方程的解决方案。在提出的方法中，鉴别器被建模为自动编码器，提取输入的相关特征，并将调理机制应用于指定微分方程参数的生成器和鉴别网络。我们展示了如何将我们的方法应用于推理，提供模型概括的实验证据，并对该方法进行收敛研究。
FinanceGPT实验室 - 大量定量模型
摘要此白皮书介绍了FinanceGpt，这是一种新型的变异自动编码器生成对抗网络（VAE-GAN）框架，旨在解决大语模型（LLMS）和传统预测AI在财务预测和股票价格预测中的局限性。本文引入了大型定量模型（LQM），这是一种针对定量融资应用定制的新型预训练的生成AI模型。lqms捕获了定量关系的复杂性，并从复杂的财务数据中提取见解，解决数据波动的挑战，有限的历史数据，非线性关系和过度拟合。本文探讨了LQM的建筑，培训，应用和优势，以及它们改善AI驱动的财务分析和决策的潜力。它还讨论了FinanceGPT在人工通用情报（AGI）更广泛背景下的作用，从而强调了其对AGI在金融和投资中的发展的潜在贡献。
图1：准确性与CNN模型的时期图
摘要该项目提出了三种用于为EEG Net数据集创建神经网络模型的方法 - 使用CNN，CNN+LSTM和变异自动编码器（VAE）。研究评估并比较了两种方法在分类运动图像中的性能。结果表明，CNN+LSTM方法在准确性方面优于VAE方法。但是，VAE方法具有保留脑电图信号的关键特征的优势，同时降低其尺寸。两种方法都有其各自的优势和局限性，可以根据应用程序的特定要求使用。除了上述两种方法外，我们还为该数据集实施了随机森林，以对ML和DL模型的准确性成就进行比较分析。索引术语：机器学习（ML），深度学习（DL），VAE（变异自动编码器），长期短期存储网络（LSTM），脑电图（EEG）（EEG）
属性引导的复合聚合物 -
图1：聚合物拓扑的变分自动编码器的策略。在训练阶段（顶部），用于计算一组聚合物的分子动力学（MD）模拟来计算一组聚合物的计算典型典型的抄本，例如平均平方循环半径⟨r 2 g⟩。使用人工神经网络（ANN）和图神经网络（GNN），将有关拓扑描述符和聚合物图的信息编码为低维的潜在空间。潜在空间被解码以完成重建，回归和分类任务。这些编码的特征被串联以形成降低的潜在空间，分解器从中重新构造了聚合物结构。在搜索阶段（底部）中，从潜在空间到供应聚合物进行采样，这些聚合物预测将展示目标⟨r 2 g⟩且指定的拓扑。根据MD模拟评估了这些谓词，并在验证后进行了系统分析，可以对拓扑影响如何影响其他特性，例如粘度。
具有不同粒子数量的系统的动力学
在这项工作中，我们提出了一种新的方法，用于使用AutoCododer（AE）（AE）（一种未加权的机器学习技术，具有最少的先验知识）来识别一维量子多体系统中的量子相变。AES的训练是通过在整个驱动参数的整个范围内通过精确的对角线化（ED）获得的减少密度矩阵（RDM）数据进行的，因此不需要对相图的事先了解。使用这种方法，我们通过跟踪AE的重建损失的变化，成功地检测了具有多种类型的多种相变的广泛模型中的相变。AE的学习表示表示，以表征不同量子相的物理现象。我们的方法论展示了一种新的方法，可以使用最少的知识，少量所需数据研究量子相变，并产生量子状态的压缩代表。
![arxiv：2309.01230v1 [cs.lg] 3月3日2023](/simg/g:\will\search\icon\source\d\d2e72203f027be48674d5802dcb409f48cd51138.webp)
arxiv：2309.01230v1 [cs.lg] 3月3日2023
通过动力学系统（LFADS）进行的潜在因子分析是一种基于RNN的变异序列自动编码器，可在降级高维神经活动方面在科学和工程领域的下游应用中实现最先进的性能。最近引入的变体和扩展继续证明了体系结构对神经科学中各种各样的问题的适用性。自从LFAD的原始进化开发以来，已经出现了新技术，这些技术使用动态计算图，最小化样板代码，构成模型配置文件并简化大型训练。在这些现代的Python库中构建，我们引入了LFADS-TORCH，这是LFAD的新开源实现，该实现统一了现有变体，旨在易于理解，配置和扩展。文档，源代码和问题跟踪可在以下网址提供：https：//github.com/arsedler9/lfads-torch。关键字：深度学习，神经科学，动力学系统
![arxiv：2401.17417v2 [CS.CV] 2025年2月7日](/simg/g:\will\search\icon\source\0\0cab6b23a1e86d597c98b15c2232be9c8b4e8596.webp)
arxiv：2401.17417v2 [CS.CV] 2025年2月7日
这项工作提出了一种在整个场景中从WiFi通道状态信息（CSI）中综合IMENES的开创性方法。利用wifi的优势，例如成本效益，照明不变性和墙壁穿透功能，我们的方法可以视觉弥补房间边界以外的室内环境，而无需相机。更一般地，它通过解锁执行基于图像的下游任务（例如视觉活动识别）的选项来提高WiFi CSI的可解释性。为了实现从WiFi CSI到图像的跨模式翻译，我们依赖于适合我们问题细节的多模式变量自动编码器（VAE）。我们通过消融研究结构结构的消融研究以及对重建图像的量词/定性评估，广泛评估了我们提出的方法。我们的结果证明了我们方法的生存能力，并突出了其实用应用的潜力。
基于混合神经网络的运动想象信号分类数据增强
摘要：运动想象作为自发性脑机接口的重要范式，被广泛应用于神经康复、机器人控制等领域。近年来，研究者提出了多种基于运动想象信号的特征提取和分类方法，其中基于深度神经网络（DNN）的解码模型在运动想象信号处理领域引起了广泛关注。由于对受试者和实验环境的严格要求，收集大规模高质量的脑电图（EEG）数据非常困难，而深度学习模型的性能直接取决于数据集的大小。因此，基于DNN的MI-EEG信号解码在实践中被证明是非常具有挑战性的。基于此，我们研究了不同的数据增强（DA）方法在使用DNN对运动想象数据进行分类的性能。首先，我们使用短时傅里叶变换（STFT）将时间序列信号转换为频谱图像。然后，我们评估并比较了不同 DA 方法对该频谱图数据的性能。接下来，我们开发了一个卷积神经网络（CNN）来对 MI 信号进行分类，并比较了 DA 后的分类性能。使用 Frechet 初始距离（FID）评估生成数据（GD）的质量和分类准确率，使用平均 kappa 值探索最佳的 CNN-DA 方法。此外，使用方差分析（ANOVA）和配对 t 检验来评估结果的显著性。结果表明，深度卷积生成对抗网络（DCGAN）比传统 DA 方法：几何变换（GT）、自动编码器（AE）和变分自动编码器（VAE）提供了更好的增强性能（p < 0.01）。使用 BCI 竞赛 IV（数据集 1 和 2b）的公共数据集来验证分类性能。经过 DA 后，两个数据集的分类准确率分别提高了 17% 和 21%（p < 0.01）。此外，混合网络 CNN-DCGAN 的表现优于其他分类方法，两个数据集的平均 kappa 值分别为 0.564 和 0.677。
通过无监督学习以最少的先验知识识别量子相变
在本研究中，我们提出了一种新方法，使用自动编码器 (AE)（一种无监督机器学习技术）在极少先验知识的情况下识别一维量子多体系统中的量子相变。AE 的训练是使用通过精确对角化 (ED) 在整个驱动参数范围内获得的约化密度矩阵 (RDM) 数据进行的，因此不需要相图的先验知识。使用此方法，我们通过跟踪 AE 重构损失的变化，成功地检测到了具有多种不同类型相变的广泛模型中的相变，包括拓扑和 Berezinskii-Kosterlitz-Thouless 相变。学习到的 AE 表示用于表征不同量子相背后的物理现象。我们的方法展示了一种研究量子相变的新方法，只需极少的知识和少量所需数据，并生成量子态的压缩表示。
NETANTICIPATE：终极网络 AI 平台
支持的 ML 算法包括：1. 监督/分类 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、逻辑回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。2. 监督/回归 - AdaBoost、卷积神经网络 (CNN)、决策树、广义线性模型 (GLM)、K-最近邻 (KNN)、线性回归、多层感知器 (MLP)、朴素贝叶斯、随机森林、循环神经网络 (RNN)、支持向量回归 (SVM)、XGBoost。 3. 时间序列/预测 - 自回归综合移动平均线 (ARIMA)、长短期记忆 (LSTM)、Prophet、Seq2Seq、时间卷积网络 (TCN)、NBeats、Autoformer、TCMF。4. 时间序列/异常 - 自动编码器、DBSCAN、椭圆包络、孤立森林、K-Means、一类 SVM。