XiaoMi-AI文件搜索系统
World File Search SystemGeneralized
EmT：一种用于跨受试者广义脑电图情绪识别的新型 Transformer
摘要 — 将神经生理学的先验知识整合到神经网络架构中可提高情绪解码的性能。虽然许多技术都强调学习空间和短期时间模式，但对捕捉与情绪认知过程相关的重要长期背景信息的重视程度有限。为了解决这一差异，我们引入了一种称为情绪变换器 (EmT) 的新型变换器模型。EmT 旨在在广义跨受试者脑电图情绪分类和回归任务中表现出色。在 EmT 中，脑电图信号被转换成时间图格式，使用时间图构造模块 (TGC) 创建一系列脑电图特征图。然后提出了一种新颖的残差多视图金字塔 GCN 模块 (RMPG) 来学习该系列中每个脑电图特征图的动态图表示，并将每个图的学习到的表示融合成一个标记。此外，我们设计了一个时间上下文变换器模块 (TCT)，它有两种类型的标记混合器来学习时间上下文信息。最后，任务特定的输出模块 (TSO) 生成所需的输出。在四个公开数据集上的实验表明，EmT 在 EEG 情绪分类和回归任务中都取得了比基线方法更高的结果。代码可在 https://github.com/yi-ding-cs/EmT 上找到
具有未表征设备的广义时间箱量子随机数发生器
基于量子力学的随机数生成器 (RNG) 因其安全性和不可预测性而引人注目，与传统生成器（如伪随机数生成器和硬件随机数生成器）相比。这项工作分析了一类半设备独立的量子 RNG 中，随着希尔伯特空间维数、状态准备子空间或测量子空间的增加，可提取随机性的数量的变化，其中限制状态重叠是核心假设，建立在准备和测量方案之上。我们进一步讨论了这些因素对复杂性的影响，并得出了最佳方案的结论。我们研究了时间箱编码方案的一般情况，定义了各种输入（状态准备）和结果（测量）子空间，并讨论了获得最大熵的最佳方案。对几种输入设计进行了实验测试，并分析了它们可能的结果安排。我们通过考虑设备的缺陷，特别是探测器的后脉冲效应和暗计数来评估它们的性能。最后，我们证明这种方法可以提高系统熵，从而产生更多可提取的随机性。
使用机器学习方法预测全身性癫痫发作
摘要 — 近年来，癫痫发作的脑电图 (EEG) 信号识别已发展成为确定癫痫的常规程序。由于由专业神经科医生对癫痫发作进行物理识别是一项劳动密集型、耗时的过程，而且还会产生一些错误。因此，需要高效、计算机化的癫痫发作检测。导致癫痫发作的脑功能紊乱会对患者的病情产生影响。如果在癫痫发作前就能预测到，那么药物可以非常成功地预防癫痫发作。脑电图 (EEG) 信号被用于使用机器学习算法和复杂的计算方法来预测癫痫发作。此外，影响预期时间和真正阳性预测率的两个重大挑战是从 EEG 信号中提取特征和从 EEG 信号中去除噪声。因此，我们提出了一个提供可靠预处理和特征提取技术的模型。为了自动识别癫痫发作，我们使用了多种基于集成学习的分类器从脑电图信号中提取基于频率的特征。我们的算法提供了更高的真实阳性率，并在癫痫发作之前就对其进行了足够的预见性诊断。在 24 名受试者的头皮脑电图 CHB-MIT 数据集上，该建议的框架检测到了发作前状态的开始，即拘留开始前几分钟的状态，导致真实阳性率 (91%) 高于传统方法，最佳估计时间为 33 分钟，平均预测时间为 23 分 36 秒。根据实验结果，本研究的最大准确率、灵敏度和特异性率分别为 91%、98% 和 84%。
广义CHSH不等式的无关设备量子键分布
量子密钥分布（QKD）的目的是给出两个当事方 - Alice＆Bob - 在共享量子通道时产生秘密密钥的可能性。例如，在Ekert [8]提出的实现中，该通道由产生分配给Alice＆Bob的纠缠粒子的来源组成。在每个回合中，爱丽丝和鲍勃的每个粒子都通过在几个测量设置中选择一个粒子来测量一个粒子。主张爱丽丝的测量结果是安全的，即任何第三方 - 夏娃 - 可能控制量子通道的未知，可以通过推断（从爱丽丝和鲍勃的测量结果中）来保证，源源发射的状态接近纯的两部分纠缠状态。这可以确保鲍勃的结果与爱丽丝的结果选择相关，如果他选择了适当的测量设置，即爱丽丝和鲍勃的措施结果可以形成秘密钥匙。
数据分布蒸馏的生成模型，用于广义零拍识别
在零射门学习（ZSL）领域，我们在广义零局学习（GZSL）模型中介绍了偏爱数据的模型。为了解决这个问题，我们引入了一个名为D 3 GZSL的端到端生成GZSL框架。对于更平衡的模型，该框架尊重所见和合成的未见数据分别为分布和分布数据。d 3 GZSL包括两个核心模块：分配双空间蒸馏（ID 2 SD）和分布外批处理蒸馏（O 2 DBD）。ID 2 SD在嵌入和标签空间中的教师学生成果对齐，从而增强了学习连贯性。o 2 dbd在每个批次样本中引入了低维度的低分布表示形式，从而捕获了可见类别和未看到类别之间的共享结构。我们的方法证明了其在既定的GZSL基准测试中的有效性，无缝地集成到主流生成框架中。广泛的例子始终展示D 3 GZSL提高了现有生成GZSL方法的性能，从而低估了其重新零摄入学习实践的潜力。该代码可在以下方面获得：https：//github.com/pjbq/pjbq/d3gzsl.git.git
通用的时键量子量子随机数生成器，带有未表征的设备
基于量子力学的抽象随机数生成器（RNG）由于其安全性和与常规发电机相比的安全性和不可预测性而引人注目，例如pseudo-random编号生成器和硬件随机数字生成器。这项工作分析了可提取量的随机性的演变，并增加了希尔伯特空间维度，状态制备子空间或测量子空间中的一类半脱位独立量子RNG，其中界定状态的重叠是核心假设，是基于准备和测量方案的核心假设。我们进一步讨论了这些因素对复杂性的影响，并在最佳场景上得出结论。我们研究了定义各种输入（状态准备）和结果（测量）子空间的定义各种输入（状态准备）的通用情况，并讨论最佳场景以获得最大的熵。对几种输入设计进行了实验测试，并分析了其可能的结果布置。我们通过考虑设备的缺陷来评估他们的性能，尤其是检测器的后脉冲效果和黑暗计数。最后，我们证明了这种方法可以增强系统熵，从而导致更可提取的随机性。
通过广义相位锁定分析揭示神经回路的组织
抽象的尖峰耦合耦合表征了在两个不同尺度上观察到的神经生理活性之间的关系：一方面，神经元产生的动作电位，另一方面是介绍性的“轨道”信号，反映了subthreshold活性。这提供了有关特定单元在网络动力学中的作用的见解。但是，基于多元数据评估神经回路的5个整体组织需要超越成对方法，并且在很大程度上没有解决。我们开发了广义相位锁定分析（GPLA），作为单变量尖峰耦合的多通道扩展。GPLA估计了场活性和神经合奏的主要时空分布以及它们之间的耦合强度。我们证明了在各种生物物理神经元网络模型和犹他州阵列记录中，这10种方法的统计益处和可解释性。特别是，我们表明GPLA与神经场建模相结合，有助于解开复发相互作用对在多渠道记录中观察到的时空动力学的贡献。
一维广义分裂量子步行
摘要：量子步行不仅仅是构建量子算法的工具。在许多复杂的物理过程中，它们已被有效地用于建模和模拟量子动力学。尤其是，一种被称为分裂量子步行的离散时间量子步行的变体与Dirac Cellular Automata和拓扑绝缘子密切相关，其实现依赖于位置依赖于进化算子的控制。由于操纵多个光子自由度的易于性，我们提供了拆分步骤运算符的光学设置，该设置与位置依赖性硬币（PDC）操作结合使用，可以完成广义分配步行的桌面设置。此外，我们提出了用于PDC操作的光学实现，例如，允许实现电量子步行，控制定位动力学并效仿时空曲率效应。此外，我们提出了一个设置，以实现涉及2个J板，2个可变波形，半波浪板，光学开关和光学延迟线的任何t -step splent量子步行步行。
用于表面码解码的广义信念传播算法
信念传播 (BP) 是一种众所周知的低复杂度解码算法，对重要的量子纠错码类别具有很强的性能，例如随机扩展码的量子低密度奇偶校验 (LDPC) 码类。然而，众所周知，在面对拓扑码（如表面码）时，BP 的性能会下降，其中朴素 BP 完全无法达到低于阈值的状态，即纠错变得有用的状态。之前的研究表明，这可以通过借助 BP 框架之外的后处理解码器来补救。在这项工作中，我们提出了一种具有外部重新初始化循环的广义信念传播方法，该方法可以成功解码表面码，即与朴素 BP 相反，它可以恢复从针对表面码定制的解码器和统计力学映射所知的亚阈值状态。我们报告了独立位和相位翻转数据噪声下的 17% 阈值（与理想阈值 20.6% 相比），以及去极化数据噪声下的 14% 阈值（与理想阈值 18.9% 相比），这些阈值与非 BP 后处理方法实现的阈值相当。
量子广义 Potts-Hopfield 神经网络的相图
摘要 我们介绍并分析了 q 状态 Potts-Hopfield 神经网络 (NN) 的开放量子泛化，这是一种基于多层经典自旋的联想记忆模型。这个多体系统的动力学以 Lindblad 型马尔可夫主方程的形式表示，该方程允许将概率经典和相干量子过程平等地结合起来。通过采用平均场描述，我们研究了由温度引起的经典涨落和由相干自旋旋转引起的量子涨落如何影响网络检索存储的记忆模式的能力。我们构建了相应的相图，在低温状态下，该相图显示的模式检索类似于经典的 Potts-Hopfield NN。然而，当量子涨落增加时，会出现极限环相，而极限环相没有经典对应相。这表明量子效应可以相对于经典模型从质上改变稳态流形的结构，并可能允许人们编码和检索新类型的模式。