XiaoMi-AI文件搜索系统
World File Search SystemKernel
用于 EEG 的多核时间和空间卷积 - ...
摘要：使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务，以提取特征图并对目标输出进行分类。然而，EEG 分析仍然具有挑战性，因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型，称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率，并应用可分离卷积来查找相关的空间模式。此外，我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性，我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比，MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外，所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征，涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型，其能力有望提高模型的学习能力。
基于脑电图的多核情绪识别...
摘要：基于脑电信号的情绪识别应用范围广泛且具有巨大的潜在价值，近年来受到学术界和工业界越来越多的关注。同时，多核学习（MKL）也因其数据驱动的便捷性和较高的准确率受到研究者的青睐。然而，MKL在基于脑电信号的情绪识别中的研究很少。因此，本文致力于探索MKL方法在脑电情绪识别领域的应用，推动MKL方法在脑电情绪识别中的应用。为此，我们提出了一种基于MKL算法EasyMKL的支持向量机（SVM）分类器，以探讨MKL算法在基于脑电信号的情绪识别问题中的可行性。我们设计了两种数据划分方法，随机划分以验证MKL方法的有效性，顺序划分以模拟实际应用。然后，基于常用数据集上海交通大学情绪脑电数据集（SEED），针对中性、消极和积极情绪进行了三分类实验，随机划分和顺序划分的平均分类准确率分别为92.25%和74.37%，比传统的单核SVM有更好的分类性能。最终结果表明MKL方法明显有效，MKL在脑电情绪识别中的应用值得进一步研究。通过对实验结果的分析发现，对对称电极上的特征进行简单的数学运算并不能有效融合脑电信号的空间信息以获得更好的性能，同时也证实了高频段信息与情绪状态的相关性更高，对情绪识别的贡献更大。综上所述，本文探索了MKL方法在脑电情绪识别领域的研究，为基于脑电的情绪识别研究提供了一种新的思路。
基于多核学习的运动想象 BCI 文盲分布自适应和分类框架
摘要：脑机接口（BCI）将用户的运动想象（MI）等想法转化为对外部设备的控制。然而，一部分人无法有效控制BCI，他们被定义为BCI文盲。BCI文盲受试者的主要特点是分类率低和可重复性差。针对MI-BCI文盲问题，提出一种基于多核学习的分布自适应方法，使源域和目标域之间的特征分布更加接近，同时最大化类别可分性。受到核技巧的启发，采用基于多核的极限学习机对带标签的源域数据进行训练，以找到一个最大化数据可分性的新的高维子空间，然后使用基于多核的最大均值差异进行分布自适应，以消除新子空间中域间特征分布的差异。针对MI-BCI文盲的特征维数较高，本文采用能够有效处理高维特征且不需要额外交叉验证的随机森林作为分类器，并在公开数据集上对所提方法进行了验证。实验结果表明，所提方法适用于MI-BCI文盲，并能降低域间差异，从而降低跨受试者和跨会话的性能下降。
内核和量子机器学习
摘要：支持向量机 (SVM) 和核方法 (KM) 被广泛用于数据学习中的分类和回归。核是将数据映射到更高（可能是无限）维度的正定函数。通常，SVM 1 将核方法实现为子程序，将非线性数据映射到更高维度，使其变为线性可分。SVM 在此特征空间中的数据点类别之间绘制线性决策边界。本文从经典机器学习的角度回顾了核和核方法及其在量子机器学习中的可能实现。我们从核的基础开始，包括希尔伯特空间和再生核希尔伯特空间、Mercer 条件，并证明了三个广泛使用的核满足 Mercer 条件的有效性。我们回顾了两种不同的量子机器学习方法，即参数化量子电路和基于核的训练，并讨论了其中一种相对于另一种的潜在优势。本文可以帮助读者开始了解核理论和量子机器学习。
通过基于核的 SPD 流形域自适应进行运动想象分类
摘要：背景：记录脑机接口的校准数据是一个费力的过程，对受试者来说是一种不愉快的体验。域自适应是一种有效的技术，它利用来自源的丰富标记数据来弥补目标数据短缺的问题。然而，大多数先前的方法都需要首先提取脑电信号的特征，这会引发 BCI 分类的另一个挑战，因为样本集较少或目标标签较少。方法：在本文中，我们提出了一种新颖的域自适应框架，称为基于核的黎曼流形域自适应 (KMDA)。KMDA 通过分析脑电图 (EEG) 信号的协方差矩阵来绕过繁琐的特征提取过程。协方差矩阵定义了一个对称正定空间 (SPD)，可以用黎曼度量来描述。在 KMDA 中，协方差矩阵在黎曼流形中对齐，然后通过对数欧几里德度量高斯核映射到高维空间，其中子空间学习通过最小化源和目标之间的条件分布距离同时保留目标判别信息来执行。我们还提出了一种将 EEG 试验转换为 2D 帧（E 帧）的方法，以进一步降低协方差描述符的维数。结果：在三个 EEG 数据集上的实验表明，KMDA 在分类准确度方面优于几种最先进的领域自适应方法，BCI 竞赛 IV 数据集 IIa 的平均 Kappa 为 0.56，BCI 竞赛 IV 数据集 IIIa 的平均准确度为 81.56％。此外，使用 E 帧后整体准确度进一步提高了 5.28％。 KMDA 在解决主体依赖性和缩短基于运动想象的脑机接口校准时间方面显示出潜力。
Paulihedral：用于量子模拟内核的通用块编译器优化框架
量子模拟内核是一个重要的子程序，在许多量子程序中以非常长的门序列出现。在本文中，我们提出了 Paulihedral，这是一个分块编译器框架，它可以通过利用高级程序结构和优化机会来深度优化此子程序。Paulihedral 首先采用了一种新的 Pauli 中间表示，它可以维护量子模拟内核中的高级语义和约束。这自然可以实现难以在低门级实现的新型大规模优化。具体而言，我们提出了两种与技术无关的指令调度过程和两种与技术相关的代码优化过程，它们协调了编译器的电路综合、门取消和量子位映射阶段。实验结果表明，Paulihedral 在近期超导量子处理器和未来容错量子计算机的广泛应用中都可以胜过最先进的编译器基础设施。
AI 引擎内核编码最佳实践指南
虽然大多数标准 C 代码都可以为 AI 引擎编译，但代码可能需要重构才能充分利用硬件提供的并行性。AI 引擎的强大之处在于它能够使用两个向量执行乘法累加 (MAC) 运算、为下一个运算加载两个向量、存储上一个运算的向量以及在每个时钟周期增加指针或执行另一个标量运算。称为内在函数的专用函数允许您定位 AI 引擎向量和标量处理器并提供几个常见向量和标量函数的实现，因此您可以专注于目标算法。除了向量单元之外，AI 引擎还包括一个标量单元，可用于非线性函数和数据类型转换。
将多GPU加速度的功率利用为量子交互计算内核程序
摘要：我们报告了一种新的多GPU从头算，hartree- fock/密度功能理论实现将整体化为开源量子相互作用计算内核（快速）程序。详细介绍了电子排斥积分的负载平衡算法和多个GPU之间的交换相关性。进行了多达四个GPU节点进行的基准测试研究，每个节点包含四个NVIDIA V100-SXM2型GPU表明，我们的实力能够实现出色的载荷平衡和高平行的效率。对于代表性的培养基到大蛋白/有机分子系统，观察到的平行官方率在Kohn- -假基质形成中保持在82％以上，而对于核梯度计算，则保持高于90％。在所有经过测试的情况下，NVIDIA A100，P100和K80平台上的加速度也已经实现了高于68％的平行官方，这为大规模的初始电子结构计算铺平了道路。