XiaoMi-AI文件搜索系统
World File Search SystemGeneralized
PSIPRED蛋白质分析工作台的深度学习
摘要 - 在机器人技术和自动化等许多现实世界中，高度要求注册。注册在某种程度上挑战，因为获得的数据通常很吵，并且有很多异常值。此外，在许多实际应用中，一个点集（PS）通常仅涵盖另一个PS的部分区域。因此，大多数现有的注册算法无法保证理论融合。本文介绍了一种新颖，健壮和准确的三维（3D）刚性点集（PSR）方法，该方法是通过将最先进的（SOTA）贝叶斯相干点漂移（BCPD）理论推广到场景中来实现的，以使高维点集（PSS）位于AniSAlIniSAIS噪声中。高维点集通常由位置向量和正常向量组成。一方面，使用正常向量，提出的方法对噪声和离群值更为强大，并且可以更准确地找到点对应关系。另一方面，将注册纳入BCPD框架将保证该算法的理论收敛。我们在本文中的贡献是三倍。首先，将两个一般PS与正常向量对齐的问题纳入了变异的贝叶斯推理框架中，该框架可以通过概括BCPD方法来解决，同时考虑了各向异性位置噪声。第二，算法迭代期间的更新参数以封闭形式或迭代解决方案给出。第三，进行了广泛的实验，以验证提出的方法及其对BCPD的显着改进。
学习空间和时间中的自相似性作为视频动作识别的广义运动
时空卷积通常无法学习视频中的运动动态，因此需要一种有效的运动表示来理解自然界中的视频。在本文中，我们提出了一种基于时空自相似性（STSS）的丰富而鲁棒的运动表示。给定一系列帧，STSS 将每个局部区域表示为与空间和时间中邻居的相似性。通过将外观特征转换为关系值，它使学习者能够更好地识别空间和时间中的结构模式。我们利用整个 STSS，让我们的模型学习从中提取有效的运动表示。我们所提出的神经块称为 SELFY，可以轻松插入神经架构中并进行端到端训练，无需额外监督。通过在空间和时间上具有足够的邻域体积，它可以有效捕捉视频中的长期交互和快速运动，从而实现鲁棒的动作识别。我们的实验分析表明，该方法优于以前的运动建模方法，并且与直接卷积的时空特征互补。在标准动作识别基准 Something-Something-V1 & V2、Diving-48 和 FineGym 上，该方法取得了最佳效果。
基于重量分解的渐进学习在广义上很少的镜头分割
摘要：通用的很少的语义分割（GFSS）目标在学习一组基本类别的分割后，使用一些带注释的示例将新颖对象类别进行分割。典型的GFSS培训涉及两个阶段 - 基类学习，然后是新颖的课程和学习。尽管现有方法表现出了希望，但在新颖的班级数量显着时，它们通常会挣扎。大多数当前方法都冻结了编码器主链以保持基类精度；但是，冻结编码器骨架可以严重阻碍新班级中新型信息的同化。为了应对这一挑战，我们建议在GFSS中使用增量学习策略来学习编码器骨干和新型类原型。受到低级适应技术（LORA）最近成功的启发，我们通过新颖的重量分解方法向GFSS编码器主链引入了Increthorth学习。我们新提出的等级自适应权重合并策略对在编码器主链各个层中吸收的新颖性不同。在我们的工作中，我们还将增量学习策略介绍给新型类别的类原型学习。我们在Pascal-5 I和Coco-20 I数据库上进行了广泛的实验，展示了增量学习的有效性，尤其是当新颖的类人数超过基础类别时。使用我们提出的基于权重分解的增量学习（WFIL）方法，以概括性的语义分段建立了一组新的最先进的精度值。
延迟的非线性schrödinger方程：封闭形式和广义可分离解决方案
摘要：首次考虑具有恒定延迟的非线性Schrödinger方程。这些方程是具有立方非线性的经典schrödinger方程的概括，而更复杂的非线性schrödinger方程包含功能任意性。从物理的角度来看，考虑了数学物理学非线性方程延迟出现的可能原因。为了构建精确的解决方案，使用了相关方程解的结构类比。获得了具有延迟的非线性schrödinger方程的新精确解，这些方程在基本函数或四函数中表示。还发现了一些具有广义分离变量的更复杂的解决方案，这些解决方案是通过普通微分方程的混合系统描述的，而无需延迟或延迟的普通微分方程。这项工作的结果对于开发具有延迟的非线性schrödinger方程所描述的新数学模型可能很有用，并且给定的精确解决方案可以作为旨在评估数值方法准确性的测试问题的基础，以评估非线性偏差方程与延迟集成非线性偏差方程。
用于自动和通用突触事件分析的深度学习框架
1 苏黎世大学 (UZH) 分子生命科学系，瑞士苏黎世 8057 5 2 苏黎世神经科学中心，瑞士苏黎世 8057 6 3 弗莱堡大学医学院生理学研究所，Hermann-Herder-Str. 7，79104 弗莱堡，德国 7 4 苏黎世大学脑研究所，8057 苏黎世，瑞士 8 5 斯坦福大学神经生物学系，斯坦福，CA 94305，美国 9 6 斯坦福大学生物工程系，斯坦福，CA 94305，美国 10 7 弗里德里希·米歇尔生物医学研究所，4058 巴塞尔，瑞士 11 8 巴塞尔大学自然科学学院，4003 巴塞尔，瑞士 12 9 苏黎世大学大学研究优先计划 (URPP)，发展和学习中的自适应脑回路 (AdaBD)，8057 13 苏黎世，瑞士 14 * 通信地址：igor.delvendahl@physiologie.uni-freiburg.de 15
脑刺激和训练引起的广义学习的神经化学预测因素
1 昆士兰大学心理学院，昆士兰州圣卢西亚 4072，澳大利亚，2 昆士兰大学昆士兰脑研究所，昆士兰州圣卢西亚 4072，澳大利亚，3 悉尼大学心理学院，新南威尔士州悉尼 2050，澳大利亚，4 明尼苏达大学磁共振研究中心放射学系，明尼苏达州明尼阿波利斯 55455，5 昆士兰大学高级成像中心，昆士兰州圣卢西亚 4072，澳大利亚，6 西门子医疗有限公司，昆士兰州布里斯班 4006，澳大利亚，7 约翰霍普金斯大学医学院 Russell H. Morgan 放射学和放射科学系，马里兰州巴尔的摩 21287，8 马里兰大学医学院诊断放射学和核医学系，马里兰州巴尔的摩 21201，9悉尼大学生物医学工程学院，澳大利亚新南威尔士州悉尼 2050，10 悉尼大学大脑与思维中心，澳大利亚新南威尔士州悉尼 2050，11 昆士兰大学信息技术与电气工程学院，澳大利亚昆士兰州圣卢西亚 4072，12 加拿大高级研究中心 (CIFAR)，加拿大安大略省多伦多 M5G 1M1
广义概率理论中的多系统测量及其在信息处理中的作用
广义概率理论（GPTS）提供了一个框架，可以研究一系列可能的理论，包括经典理论，量子理论以及其他理论。通常，扩大GPT的状态空间会导致更少的测量结果，因为额外的状态对效应集和测量的成分产生了更强的限制。这可能对信息处理有影响。在框世界中，可以实现任何无信号分布的GPT，在铃铛基础上没有测量的类似物，因此不可能进行纠缠交换的类似物。缺乏对Box World中多个系统的测量的全面研究。在这里，我们详细考虑了这样的测量，可以通过顺序与单个系统进行交互（称为接线）以及无法执行的测量值，以及那些无法执行的测量值。我们计算出少数输入，输出和各方的情况的所有可能的框世界效果，以识别那些是接线的效果。盒子世界的较大状态空间导致了很小的效果空间，因此盒子世界的影响广泛适用于GPT。我们还通过研究状态歧视，非局部性蒸馏和非纠缠的非局部性类似物来显示非织物用于信息处理的一些可能用途。最后，我们将结果与逻辑上一致的经典过程和情境情景的组成联系起来。通过增强对框世界中测量值的理解，我们的结果可能在研究量子理论可以基于的可能的基本原理的研究中很有用。
利用广义锁相分析揭示神经回路的组织
1 德国图宾根马克斯普朗克生物控制论研究所认知过程生理学系，2 德国图宾根大学认知和系统神经科学 IMPRS，3 法国图宾根大学、法国原子能委员会、法国国家科学研究院、巴黎萨克雷大学、NeuroSpin 中心认知神经影像学部，91191 Gif/Yvette，4 中国科学院脑科学与智能技术卓越中心 (CEBSIT) 国际灵长类脑研究中心 (ICPBR)，上海 201602，5 奥地利科学技术研究所 (IST Austria)，奥地利克洛斯特新堡，6 英国曼彻斯特大学生物医学成像研究所成像科学中心，7 德国图宾根马克斯普朗克智能系统研究所和 MPI-ETH 学习系统中心经验推理系
刺激后大脑反应的刺激知情广义典型相关分析
摘要 — 在脑机接口或神经科学应用中，广义典型相关分析 (GCCA) 通常用于提取关注同一刺激的不同受试者神经活动中的相关信号成分。 这可以量化所谓的受试者间相关性，或提高刺激后大脑反应相对于其他（非）神经活动的信噪比。 然而，GCCA 不了解刺激：它不考虑刺激信息，因此不能很好地处理较少量的数据或较小的受试者群体。 我们提出了一种基于 MAXVAR-GCCA 框架的新型刺激知情 GCCA 算法。 我们展示了所提出的刺激知情 GCCA 方法的优越性，该方法基于一组受试者聆听相同语音刺激的脑电图反应之间的受试者间相关性，尤其是对于较少量的数据或较小的受试者群体。
基于广义 CHSH 不等式的设备独立量子密钥分发
量子密钥分发 (QKD) 的目的是使两方（Alice 和 Bob）能够在共享量子信道时生成密钥。例如，在 Ekert [ 1 ] 提出的实现中，信道由一个产生纠缠粒子的源组成，这些粒子被分发给 Alice 和 Bob。在每一轮中，Alice 和 Bob 各自从几种测量设置中选择一个来测量一个粒子。通过推断（从 Alice 和 Bob 的测量结果中）源发射接近于纯二分纠缠态的状态，可以保证 Alice 的测量结果是安全的，即任何可能控制量子信道的第三方（Eve）都不知道。这同时确保了如果 Bob 选择适当的测量设置，Bob 的结果与 Alice 的结果相关，即 Alice 和 Bob 的测量结果可以形成密钥。