XiaoMi-AI文件搜索系统
World File Search SystemKernel
与内核匹配的深度和广泛的转移学习，用于从脑电图和心理问卷中汇总数据
摘要：运动图像（MI）促进运动学习，并鼓励大脑 - 计算机接口系统，这些系统需要进行脑电图（EEG）解码。但是，需要长时间的培训来掌握脑部节奏的自我调节，从而导致使用MI不确定的用户。我们介绍了一种基于参数的跨受试者转移学习方法，以改善基于MI的BCI系统中表现不佳的个体的性能，通过内核 - 汇总标记的EEG测量结果和心理问卷来汇总数据。为此，实施了用于MI分类的深层神经网络，以从源域预先培训网络。然后，将参数层转移，以在细胞调整过程中初始化目标网络，以重新计算基于多层感知的精度。要执行将分类特征与实价功能相结合的数据融合，我们通过高斯 - 插入实现了逐步的内核匹配。最后，根据受试者考虑其对BCI运动技能的影响，探索表现最出色的受试者（源空间）的两个选择策略，选择了对基于差异的集群的配对源 - 目标集来进行评估目的：单个受试者：单件受试者和多个受试者。针对判别MI任务获得的验证结果表明，即使包含问卷数据，引入的深层神经网络也具有准确性的竞争性能。
研究文章使用自适应内核回归
切片到体积重建（SVR）方法可以很好地处理运动伪像，并为胎儿脑MRI提供高质量的3D图像数据。但是，在SVR方法中，稀疏采样的问题并未很好地解决。在本文中，我们主要集中于从多个被运动伪影损坏的胎儿脑MRI稀疏体积重建。基于SVR框架，我们的方法包括Slice-volume 2D/3D注册，基于点差函数（PSF-）卷更新以及基于自适应内核回归的卷更新。自适应核回归可以很好地处理稀疏的采样数据，并通过通过协方差矩阵捕获局部结构来增强详细的保存。对临床数据进行的实验结果表明，核回归可通过结构灵敏度的参数设置为0.4，转向内核大小为7×7×7的稀疏抽样数据的图像质量提高，并转向平滑带宽0.5。所提出的基于GPU的方法的计算性能的速度超过90倍。
定量遗传：a）聚乙烯遗传 - 概念，示例 - 小麦中的内核颜色，b）种群遗传学 - Hardy-Weinberg定律。
但是，定量性状是经济上重要的衡量表型特征，例如身高，体重，皮肤色素沉着，对病理疾病的易感性或人类智力的易感性；植物或动物产生的花，水果，种子，牛奶，肉或鸡蛋等。定量性状也称为度量特征。他们没有显示个人和形成一系列表型之间的明显切断的差异，这些表型毫无察觉地将一种从一种类型融合到另一种类型，以引起连续变化。与定性性状相反，定量性状可以通过环境条件进行多样化，通常受许多因素或基因（也许是10或I00或更多）的控制，每种都有少量的表型，以至于他们的个体效应无法通过Mendelian方法来检测到Mendelian方法，但仅由统计学方法检测到。
用于精神分裂症识别的多核胶囊网络
摘要 — 精神分裂症严重影响生活质量。迄今为止，简单（例如线性判别分析）和复杂（例如深度神经网络）机器学习方法都已用于基于功能连接特征识别精神分裂症。现有的简单方法需要两个独立的步骤（即特征提取和分类）来实现识别，这使得无法同时调整以获得最佳特征提取和分类器训练。复杂方法集成了两个步骤，可以同时调整以实现最佳性能，但这些方法需要大量的数据进行模型训练。为了克服上述缺点，我们提出了一种多核胶囊网络（MKCapsnet），它是通过考虑大脑解剖结构而开发的。将内核设置为与大脑解剖结构的分区大小相匹配，以捕捉不同尺度的区域间连接。受深度学习中广泛使用的 dropout 策略的启发，我们在胶囊层中开发了胶囊 dropout 以防止模型过度拟合。比较结果表明，所提出的方法优于最先进的方法。此外，我们比较了使用不同参数的性能，并说明了路由过程以揭示所提出方法的特点。MKCapsnet 在精神分裂症识别方面很有前景。我们的研究首先利用胶囊神经网络分析磁共振成像 (MRI) 的功能连接，并提出了一种考虑大脑解剖分区的新型多核胶囊结构，这可能是揭示大脑机制的一种新方法。此外，我们在参数设置中提供了有用的信息，这对进一步使用胶囊网络进行其他神经生理信号分类的研究很有帮助。
使用基于核的多模不确定性进行时间序列分析
本文提出了一种基于核的信息理论框架，通过利用再生核希尔伯特空间 (RKHS) 中数据投影特征空间的量子物理描述，提供时间序列不确定性的敏感多模态量化。我们特别修改了核均值嵌入，从而产生信号结构的直观物理解释，以产生基于数据的“动态势场”。这产生了一种新的基于能量的公式，该公式利用了量子理论的数学原理，并促进了每个数据样本处信号的多模态物理不确定性表示。我们在本文中证明，与现有的非参数和无监督方法相比，此类不确定性特征可以更好地在线检测时间序列数据中的统计变化点。与 VidTIMIT 说话人识别语料库子集上的离散小波变换特征相比，我们还证明了该框架在聚类时间序列序列方面具有更好的能力。
通过正交系统分析再生核希尔伯特 C* 模块及其应用
核方法是机器学习中最流行的技术之一，其中学习任务是利用再生核希尔伯特空间 (RKHS) 的性质来解决的。在本文中，我们提出了一种具有再生核希尔伯特 C ∗ 模块 (RKHM) 的新型数据分析框架，它是 RKHS 的另一种推广，而非矢量值 RKHS (vv-RKHS)。使用 RKHM 进行分析使我们能够比 vv-RKHS 更明确地处理变量之间的结构。我们展示了在希尔伯特 C ∗ 模块中构建正交系统的理论有效性，并推导了在数值计算中使用这些理论性质在 RKHM 中进行正交化的具体程序。此外，我们应用这些来推广 RKHM 核主成分分析和具有 Perron-Frobenius 算子的动态系统分析。我们还使用合成和真实世界数据研究了我们的方法的经验性能。
基于核函数的一类分类决策树...
a 科学研究基金会 - FNRS (FRS-FNRS)，比利时布鲁塞尔 b 比利时蒙斯大学工程学院，数学与运筹学系，比利时蒙斯 c 比利时蒙斯大学工程学院，工程创新管理系，比利时蒙斯
内核预测中的时间准确性权衡：控制...
内核回归或分类（也称为机器学习中的加权ϵ -NN方法）对它们的简单性有吸引力，因此在数据分析中无处不在。ever，内核回归或分类的实际实现包括量化或子采样数据以提高时间效率，通常是以预测质量为代价。尽管在实践中有必要进行这种交易，但它们的统计含义通常尚未得到充分的了解，因此实际实施的实施很少。特别是尚不清楚是否可以维持内核预测的统计准确性（在某些应用中至关重要），同时改善预测时间。目前的工作提供了将内核预测与数据量化相结合的指导原则，以确保预测时间和准确性之间的良好贸易，尤其是为了近似维持香草内核预测的良好准确性。此外，我们的贸易保证是根据调整参数明确处理的，该调整参数可以作为旋钮，该旋钮根据实际需求而定于时间或准确性。在旋钮的一端，预测时间与单个最近邻居预测的顺序相同（在统计上是不一致的），同时保持一致性；在旋钮的另一端，预测风险几乎是最小的（就原始数据大小而言），同时仍降低时间复杂性。理论结果在来自一系列现实世界应用域的数据上得到了验证；特别是我们证明了理论旋钮的性能如预期的。因此，分析揭示了数据定量化方法与内核预测方法之间的相互作用，最重要的是，显式地控制了对从业者的贸易，而不是提前或使其不透明。
ProvenCore：迈向经过验证的隔离微内核
超特权模式（称为“监视”模式）允许控制从一个世界切换到另一个世界。像 Android 或 iOS 这样的富操作系统无需修改就可以在富端运行，其上还有大量的用户应用程序，而安全关键服务则可以在受保护的安全世界中运行。这个安全世界需要自己的操作系统，而操作系统不必像富端的操作系统那样多功能。例如，这种架构可用于在单个手机上将个人世界和专业世界分开，从而允许安全的自带设备 (BYOD) 策略。另一个可能的应用是为安全世界配备 Global Platform [4] 指定的可信执行环境 (TEE)，它充当称为可信应用程序的安全服务的特定内核，例如 DRM 管理、密码功能等。
