XiaoMi-AI文件搜索系统
World File Search SystemFeature
Hopsworks功能商店用于机器学习
数据管理是建筑物学习（ML）系统的最具挑战性的方面。ML系统可以在培训模型时读取大量历史数据，但是推理工作负载更加多样，具体取决于它是批处理还是在线ML系统。ML的功能存储最近已成为一个单个数据平台，用于管理整个ML生命周期中的ML数据，从功能工程到模型培训到推理。在本文中，我们将HOPSWORKS功能商店提供用于Ma-Chine学习，作为一个高度可用的平台，用于管理使用API支持柱状，面向行的和模拟搜索查询工作负载的API支持。我们介绍和解决由功能存储所解决的，由功能存储与功能重复使用，如何组织数据转换以及如何确保功能工程，模型培训和模型推理之间的正确和一致的数据。我们提出了为功能商店构建高性能查询服务的工程挑战，并展示了Hopsworks如何优于现有的云功能存储，用于培训和在线推理查询工作负载。
公平功能选择：因果观点
用于分类决策任务的公平特征选择最近引起了研究人员的显着关注。然而，现有的公平特征选择算法无法完全解释特征和敏感属性之间的因果关系，从而有可能影响公平特征识别的准确性。为了解决此问题，我们提出了一种公平的因果特征选择算法，称为FAIRCFS。从特定上讲，FAIRCFS构建了一个局部因果图，该图形标识了类和敏感变量的Markov毯子，以阻止敏感信息的传输以选择公平的因果特征。对七个公共现实世界数据集进行了广泛的实验，验证了FaiRCFS与八种最先进的特征选择算法相比具有可比性的精度，同时呈现出更高的公平性。
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。
一种利用深度特征聚类进行情绪识别特征选择的创新多模型神经网络方法
摘要：情绪意识感知是一个正在迅速发展的领域，它可以实现人与机器之间更自然的互动。脑电图 (EEG) 已成为一种测量和跟踪用户情绪状态的便捷方式。EEG 信号的非线性特性会产生高维特征向量，从而导致高计算成本。本文使用深度特征聚类 (DFC) 结合多个神经网络的特征来选择高质量属性，而不是传统的特征选择方法。DFC 方法通过省略不可用的属性来缩短网络的训练时间。首先，将经验模态分解 (EMD) 作为一系列频率应用来分解原始 EEG 信号。在使用解析小波变换 (AWT) 进行特征提取过程之前，将分解后的 EEG 信号的时空分量表示为二维频谱图。使用四个预训练的深度神经网络 (DNN) 来提取深度特征。利用基于差分熵的 EEG 通道选择和 DFC 技术实现降维和特征选择，该技术使用 k 均值聚类计算一系列词汇。然后从一系列视觉词汇项目中确定直方图特征。SEED、DEAP 和 MAHNOB 数据集的分类性能与 DFC 的功能相结合表明，所提出的方法在短处理时间内提高了情绪识别的性能，并且比最新的情绪识别方法更具竞争力。
基于动态-feature的深度增强学习学习 -
本研究提出了一种自学习算法，用于闭环缸唤醒控制，靶向较低的阻力和较低的升力弹力，并带有稀疏传感器信息的额外挑战，以深度加固学习（DRL）为起点。通过将传感器信号提升为动态特征（DFS），DRL性能可显着改善，该功能可以预测未来的流量状态。所得的基于DF的DRL（DF-DRL）自动在没有动态模型的情况下在工厂中学习反馈控制。结果表明，DF-DRL模型的阻力系数比基于直接传感器反馈的香草模型低25％。更重要的是，DF-DRL仅使用一个表面压力传感器，可以将阻力系数降低到雷诺数（RE）= 100时的最先进性能，并显着减轻了提升系数。因此，DF-DRL允许在不降低控制性能的情况下部署流量的稀疏感应。该方法在更复杂的流动场景下还表现出强大的鲁棒性感染，在RE = 500和1000时分别将阻力系数分别降低了32.2％和46.55％。此外，在三维湍流中，拖动系数在RE = 10 000的三维湍流中降低了28.6％。由于表面压力信息在现实情况下比流速信息更为直接，因此本研究为
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。
光学与大脑简介2023 专题
我们推出《生物医学光学快报》光学与大脑专题，该专题将于 2023 年 4 月 24 日至 27 日在加拿大温哥华举行的 Optica 生物光子学大会：生命科学中的光学部分举行。这次会议是讨论现有和新兴技术以及未来方向的论坛，以揭示健康和患病大脑的新亮点。光学提供了一个独特的工具包，用于从微观到宏观尺度对活体和完整大脑进行多尺度成像。同时，基因标记策略为图像神经功能提供了光学对比，而光遗传学允许用光控制细胞功能。为了涵盖实现这些不同目标所需的专业知识，会议汇集了工程师、光学和医学科学家、生物学家、化学家和医生。本期特刊中的文章代表了参与《光学与大脑》的社区的广泛范围。漫射光学器件可以利用近红外光探测人体组织中厘米深处，从而无创地到达活体大脑。一篇评论文章 [ 1 ] 强调了使用近红外光谱 (NIRS) 的非侵入性光学成像方法在成人和新生儿中测量氧化细胞色素-c-氧化酶。另一项使用传统血红蛋白 NIRS 的研究 [ 2 ] 表明，虚拟现实游戏任务可以比简单的抓握动作更好地调节大脑功能网络。这一发现对于中风后手部麻痹患者恢复抓握能力具有重要意义。光学方法还可以阐明脑组织的结构和生化组成。在癌症诊断中，另一项研究 [ 3 ] 调查了激光诱导击穿光谱 (LIBS) 和电火花辅助激光诱导击穿光谱 (SA-LIBS) 在区分胶质母细胞瘤 (GBM) 和少突胶质细胞瘤 (OG) 与非肿瘤浸润脑组织中的应用。作者展示了 SA-LIBS 在区分肿瘤组织以及多参数表征方面的优势。在另一项工作 [ 4 ] 中，展示了一种用于立体定向神经外科无标记成像的双光子微内窥镜。该装置足够小，可以放入手术套管中。另一项工作 [ 5 ] 使用连续切片偏振敏感光学相干断层扫描展示了人类脑组织块中髓鞘的无标记成像
Snapchat“我的 AI 功能”——它是什么，它安全吗？
Snapchat 最近向全球所有用户推出了新的人工智能聊天机器人“My AI”。这款聊天机器人被设计成一个朋友，可以回答问题并立即给用户回复。用他们自己的话说，“My AI”可以回答一个迫切的琐事问题，为你的闺蜜生日提供完美的礼物建议，帮助计划一个长周末的徒步旅行，或者建议晚餐做什么。”
图形神经网络的量子特征嵌入
量子计算提供了一种有希望的途径，可根据大型语言模型和天气预报，财务预测或工程的模拟模型中的要求减少生长的机器学习模型复杂性。图形神经网络是一种特定类别的机器学习模型，它们能够很好地处理结构化数据。我们研究了如何增强现有的GNN，并通过电感偏差找到量子电路最适合编码节点特征的偏差。所提出的量子特征嵌入（QFE）将原始输入特征转换为量子状态，从而实现非线性和纠缠表示。尤其是，QFE在指数较大的特征空间中提供了归一化的，非冗余的重量矩阵，并且比完全量子图神经网络所需的量子量要少得多。在标准图基准数据集中，我们展示的是，对于相同的参数计数，QFE的性能优于其经典对应物，并且能够匹配指数较大的模型的性能。最后，我们研究了在混凝土用例，激光切割上使用混合量子图神经网络的潜在优势。我们发现所提出的模型具有提高这些业务应用程序的绩效，因此具有近期潜力。
用于特征选择的新型混合求解器插件...
D-WAVE 在线资源：探索高管和开发人员的资源。视频、白皮书等。https://www.dwavesys.com/learn/resource-library