XiaoMi-AI文件搜索系统
World File Search SystemKoike
使用对抗性条件变异自动编码器 /作者= kojima，keisuke的二维自由形式的逆设计； Toshiaki的Koike-Akino；王，你们； Jung Minwoo;品牌，Matthew /CreationDate = 2023年1月31日 /受试者=人工智能，电子和光子设备，机器学习< /div>
使用对抗性的条件变量自动编码器Keisuke Kojimaa，Toshiaki Koike-Akinob，Ye Wangb，Minwoo Jungb，C，C和Matthew BrandB BrandB Aboston Quantum Photonics Llc，588 Bost Post rd＃315， Bmitsubishi电力研究实验室，201号百老汇，马萨诸塞州剑桥市02139，美国cdepartment of Adryics，康奈尔大学，纽约州伊萨卡，纽约州14853，美国。abract用于元设计和元城的逆设计，已经广泛探索了生成的深度学习。大多数作品都是基于条件生成的对抗网络（CGAN）及其变体，但是，选择适当的超级参数以进行有效的训练很具有挑战性。另一种方法是一种对抗性的条件变化Au-Toencoder（A-CVAE），尚未探索Metagrats和MetaSurfaces的逆设计，尽管最近它对Planar Nananophotonic vaveguide wavelguide Power/波长偏开剂的平面设计表现出了很大的希望。在本文中，我们讨论了如何将A-CVAE应用于二维自由形式的Metagratings，包括培训数据集准备，网络的构建，培训技术以及反向设计的元群的性能。
EEG-GAT：用于脑电图 (EEG) 信号分类的图形注意力网络 /作者=Demir, Andac；Koike-Akino, Toshiaki；Wang, Ye；Erdogmus, Deniz /创建日期=2022 年 9 月 17 日 /主题=人工智能、机器学习、机器人技术、信号处理
摘要 图神经网络 (GNN) 是深度学习社区中一个新兴的框架。在大多数 GNN 应用中，数据样本的图拓扑结构在数据集中提供。具体而言，图移位算子 (GSO) 是先验已知的，它可以是邻接、图拉普拉斯或它们的规范化。然而，我们通常不了解现实世界数据集背后的真实图拓扑结构。其中一个例子是从生理脑电图 (EEG) 中提取主体不变特征来预测认知任务。以前的方法使用电极位点来表示图中的节点并以各种方式连接它们来手工设计 GSO，例如，i) 每对电极位点连接以形成完整图，ii) 特定数量的电极位点连接以形成 k 最近邻图，iii) 仅当欧几里得距离在启发式阈值内时，每对电极位点才连接。在本文中，我们通过使用多头注意机制对 GSO 进行参数化来克服这一限制，以探索不同电极位置之间在认知任务下的功能性神经连接，同时结合图卷积核的参数学习无监督图拓扑结构
用于生理生物信号的解缠对抗性迁移学习 /作者=Han, Mo；Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 7 月 21 日 /主题=人工智能、人机交互、机器学习、信号处理
摘要 可穿戴传感器的最新发展为以有效和舒适的方式监测生理状态带来了希望。生理状态评估的一个主要挑战是迁移学习的问题，该问题是由不同用户或同一用户的不同记录会话中的生物信号域不一致引起的。我们提出了一种对抗性推理方法进行迁移学习，以从生理生物信号数据中提取解开的干扰鲁棒表示，以进行压力状态水平评估。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗性迁移学习方法也适用于其他深度特征学习框架。
通过对抗性推理从 EEG 中学习不变表征 /作者=Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 4 月 18 日 /主题=人工智能、机器学习
摘要 在基于脑电图 (EEG) 的分类任务中发现和利用共享的、不变的神经活动对于跨受试者或 EEG 记录会话的解码模型的通用性具有重要意义。虽然深度神经网络最近成为通用的 EEG 特征提取器，但这种迁移学习方面通常依赖于先前的假设，即深度网络自然表现为受试者（或会话）不变的 EEG 特征提取器。我们建议在模型训练期间以系统的方式进一步实现 EEG 深度学习框架的不变性。我们引入了一种对抗性推理方法来学习在判别设置内对受试者间变异不变的表示。我们使用公开的运动想象 EEG 数据集和基于卷积神经网络的 EEG 解码模型在提出的对抗性学习框架内进行实验研究。我们展示了跨学科模型转移场景中的结果，展示了学习网络的神经生理学解释，并讨论了对抗性推理为不断发展的 EEG 深度学习领域提供的潜在见解。