XiaoMi-AI文件搜索系统
World File Search SystemDecomposition
使用量子算法进行全息特征分解
本文讨论了超维计算（HDC）（又称向量符号架构（VSA））中全息特征向量的分解。HDC 使用具有类似大脑特性的高维向量来表示符号信息，并利用高效的运算符以认知方式构建和操作复杂结构化数据。现有模型在分解这些结构时面临挑战，而分解过程对于理解和解释复合超向量至关重要。我们通过提出 HDC 记忆分解问题来应对这一挑战，该问题捕捉了 HDC 模型中常见的构造模式。为了有效地解决这个问题，我们引入了超维量子记忆分解算法 HDQMF。HDQMF 的方法独特，利用量子计算提供高效的解决方案。它修改了 Grover 算法中的关键步骤来实现超向量分解，从而实现了二次加速。
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
gram root分解多项式环
基于晶格的密码系统（Kiltz等，2018; Bos等，2018; Fouque等，2020）被选为NIST Quantum加密后（PQC）Standards（Alagic等，2022）。Lattice-based schemes, including the PQC standards, are often based on polynomial rings i.e., NTRU (Hoffstein et al., 1998; Fouque et al., 2020), Ring-LWE (Stehl´e et al., 2009; Lyubashevsky et al., 2010) and Module-LWE (Brak- erski et al., 2011; Langlois and Stehl´e, 2015年），以提高效率。离散的高斯概率分布（定义2.2）是晶格cryp-图表中的重要对象，更普遍地是晶格的数学效果。例如，对晶格问题的计算硬度的分析（Regev，2005; Micciancio和Regev，2007; Gentry等，2008; Peikert，2009; Brakerski等，2013）依赖于离散高斯人的有用特性。此外，许多基于高级晶格的Crypsystems，例如基于身份的加密（Gentry等，2008; Agrawal等，2010）和功能
分层加密签名映射勒索软件分类：一种结构分解方法
摘要 - 基于吸附的网络威胁继续发展，利用越来越复杂的加密技术来逃避检测并在受损的系统中持续存在。旨在分析结构加密特性的层次分类框架提供了一种新颖的方法，可将恶意加密与合法的加密操作区分开。通过系统地分解加密工作，分类方法会增强识别跨二经域威胁变体的不同模式的能力，从而降低了对经常不受快速突变威胁的预定签名的依赖。该研究研究了密码学特征映射如何促进分类精度的提高，突出了熵，钥匙交换机制和算法依赖性在区分有害加密活动中的作用。通过实验验证，该框架在多个攻击家族中表现出高度的精度，超过了调用分类技术，同时保持了适合大规模网络安全应用的计算效率。分层的结构分析进一步增强了法医调查，使安全分析师能够解剖加密工作流程，以追踪攻击起源并确定跨不同运动的共同点。该方法论加强了主动的威胁减轻工作，提供了可扩展且适应性的解决方案，该解决方案既是已知和新兴加密的网络威胁。比较评估说明了结构分解在减轻假阳性和负面因素方面的优势，从而增强了在实际安全环境中加密签名分类的可靠性。
使用网格投影仪
X射线成像是一种众所周知的技术，用于对物体的非破坏性成像和表征。基于X射线放射图，可以获得对象的形状，密度和原子数的信息。这些功能使X射线成像高度适用于非破坏性分析和测试。A key technique in non-destructive radiography-based analysis is material de- composition, whose aim is to determine the materials composition of an object.在医学成像中，可以应用材料分解以区分良性和恶性肿瘤[2]。在货物检查中，可以将材料分解构成以识别农产品中的走私商品或杂质[3]。Two main techniques for material decomposition have been described in the literature: Dual Energy Material Decomposition (DEMD) and Single Energy Material Decomposition (SEMD).DEMD利用材料衰减系数的能量依赖性。The linear attenuation coefficient as a function of the energy can be modeled as a linear combination of basis functions, such as those describing the energy dependency of the photoelectric interaction and total cross-section of the Compton scattering.另一种方法是选择依赖能量的基本材料（例如骨和水）作为基础函数[4]。[5]。此技术使衰减中的差异在常规重建中是看不见的。另一种方法是获取物体的高和低能量X光片，从而产生具有独特投影值的X光片[6]。然后，使用查找表将投影值链接到路径长度。基于此信息，可以获得材料厚度。减少暴露需要改编硬件，例如双源单元或光子计数检测器[4]。此外，由于DEMD需要进行两次扫描，因此对物体的辐射暴露可能是一个问题，尤其是在医学成像中[4]。此外，查找表的创建可能很耗时[6]或不准确[7]。单能投影（SEMD）另一方面，通过使用远程长度的知识来估算仅一次扫描的材料组成。这些路径长度可以从CT重建[6]或从3D激光扫描仪获得的对象的表面图像估算[8]。最近，显示路径长度也可以通过将对象的表面网格注册到其扫描的投影中直接从几个X射线投影中恢复[9]。此方法不需要除X射线扫描仪或完整CT扫描以外的其他硬件，它提供了将其集成到材料分解过程中的潜力。我们提出的方法估计了用X射线光扫描的物体的均匀混合物的化学质量分数。CAD-ASTRA工具箱用于计算路径长度和模拟多色X射线射线照相。
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
植物死细胞的分解及其在自我修复中的作用...
植物死细胞的作用是一个重要的研究领域，因为这些细胞促进植物组织内营养物质的分解和吸收。这突出了植物生长各个阶段自体有机营养的发生，其过程因植物的年龄和类型而异。程序性细胞死亡 (PCD) 是一种基本生物机制，对于所有生物体的发育、体内平衡和应激反应至关重要。这是一个高度受调控的复杂过程，其失调会产生有害影响。虽然在理解细胞生长和增殖方面取得了重大进展，但 PCD 对植物细胞体内平衡的贡献最近才成为研究重点，揭示了相当大的知识空白。本综述探讨了 PCD 的概念，对比了植物细胞中的发育 PCD (dPCD) 和环境 PCD (ePCD)。它还强调了与 PCD 相关的循环过程的重要性，无论是在发育阶段还是作为对环境压力源的反应。
DNA-eval：通过分解和聚合增强大语模型评估
大型语言模型（LLMS）研究的加速度为评估生成的文本开辟了新的可能性。尽管LLM是可扩展和经济的评估者，但这些评估者的可靠性仍然不足。在法官将LLM的提示限制为单一用途以获得最终评估决定时，在元评估中进行了元评估。 然后，他们计算LLMS的输出和Human标签之间的一致性。 这缺乏理解LLM的评估能力的解释性。 鉴于这一挑战，我们提出了DNA-eval，它将评估过程分解为基于教学实践的分解和聚集阶段。 我们的实验表明，它不仅为LLMS评估的评估提供了一个更容易解释的窗口，而且还可以在各种元评估台上的不同LLM中改善高达39.6％的窗口。在元评估中进行了元评估。然后，他们计算LLMS的输出和Human标签之间的一致性。这缺乏理解LLM的评估能力的解释性。鉴于这一挑战，我们提出了DNA-eval，它将评估过程分解为基于教学实践的分解和聚集阶段。我们的实验表明，它不仅为LLMS评估的评估提供了一个更容易解释的窗口，而且还可以在各种元评估台上的不同LLM中改善高达39.6％的窗口。
通过密度比的正交分解来学习皮质肌肉依赖性
皮质脊髓神经途径对于运动控制和移动执行至关重要，在人类中，通常使用并发的电解质学（EEG）和肌电图（EMG）录音来研究它。但是，当前捕获这些记录之间高级和上下文连接性的方法具有重要的局限性。在这里，我们基于密度比的正交分解来介绍统计依赖估计量的新应用，以模拟皮质和肌肉振荡之间的关系。我们的方法通过学习特征值，特征函数和密度比的投影空间从信号实现的实现，解决皮质 - 肌肉连接性皮质的可解释性，可伸缩性和局部时间依赖性来扩展。我们通过实验证明，从皮质肌肉连通性中学到的本征函数可以准确地对运动和受试者进行分类。此外，它们揭示了确认运动过程中特定脑电图通道激活的通道和时间依赖性。我们的代码可在https://github.com/bohu615/corticomuscular-eigen-coder上找到。
加速核电 - 通过Burer-Monteiro分解
这项工作提出了一种快速的算法BM-Global，用于核总规化的凸和低级别基质优化问题。bm-Global效率通过低成本步骤来降低客观值，从而利用非概念但光滑的居民 - 蒙特利罗（BM）分解，而有效地逃脱了鞍点，并在saddle点上逃脱了鞍点，并以bm的态度来确保快速的核能速率，以确保快速的全局核能核能，以确保全局的核能范围，以确保全局的全局核能，以确保全局的核定速率，以确保界限的全局效率。在其上，多个近端梯度步骤。所提出的方法可以自适应地调整BM分解的等级，并可以通过多种识别工具在优化过程中自动确定BM分解问题的最佳等级。bm-Global因此，与现有矩阵 - 因子化方法相比，在参数调整上花费的时间少得多，这需要详尽的搜索才能查找此最佳等级。在现实世界中的大型建议系统，正规化内核估计和分子构象方面进行了广泛的实验，以确保BM-全球确实可以有效地呈现出潮汐的局部最小值，以使现有的BM的方法与状态级别相比，这是一个范围较高的核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 核 - 均与核能的核能降低了，均匀的核能是 - 正规化程序。根据这项研究，我们在https://www.github.com/leepei/bm-global/上发布了拟议的BM-Global的开源包。