XiaoMi-AI文件搜索系统
World File Search SystemNeural
脑电图神经活动的贝叶斯推断
摘要 脑机接口 (BCI) 是一种将大脑活动转化为操作技术命令的系统。脑电图 (EEG) BCI 的常见设计依赖于 P300 事件相关电位 (ERP) 的分类，这是一种由常见非目标刺激中罕见的目标刺激引起的反应。现有的 ERP 分类器很少直接探索神经活动的潜在机制。为此，我们对 P300 ERP-BCI 设计下的多通道真实 EEG 信号的概率分布进行了新颖的贝叶斯分析。我们的目标是识别神经活动的相关时空差异，这为 P300ERP 反应提供了统计证据，并有助于设计高效、准确的个性化 BCI。作为我们对单个参与者分析的一项重要发现，视觉皮层周围通道的目标 ERP 在刺激后约 200 毫秒达到负峰值的后验概率为 90%。我们的分析确定了 BCI 拼写器的五个重要通道（PO7、PO8、Oz、P4、Cz），从而实现了 100% 的预测准确率。从对其他九名参与者的分析中，我们一致地选择了确定的五个通道，并且选择频率对带通滤波器和内核超参数的微小变化具有稳健性。本文的补充材料可在线获取。
利用人工神经网络预测定向金属沉积中的高度
定向金属沉积 (DMD) 是一种很有前途的金属增材制造技术，其中零件是通过使用沿预定义轨迹移动的激光束融合注入的金属粉末颗粒来制造的。刀具路径通常包括曲线或边缘部分，机器轴需要相应地减速和加速。因此，局部施加的激光能量和粉末密度在沉积过程中会发生变化，导致局部过度沉积和过热。这些偏差还受到刀具路径几何形状和工艺持续时间的影响：先前的沉积可能会在时间和空间上影响相近的刀具路径段，导致局部热量积聚，并形成与使用相同参数沉积的其他段中产生的轮廓和微观结构不同的轮廓和微观结构，这是由于几何形状和温度相关的集水轮廓所致。为了防止这些现象，需要轻量级和可扩展的模型来预测可变刀具路径的工艺行为。在本文中，我们提出了一种基于人工智能的方法来处理 Inconel 718 的工艺复杂性和多种刀具路径变化。考虑到先前定义的刀具路径，使用人工神经网络 (ANN) 来预测沉积高度。通过打印包含多个曲率和几何形状的随机刀具路径，生成了训练数据。基于训练后的模型，可以成功预测整个刀具路径的显著局部几何偏差，并且可以通过相应地调整工艺参数来预测。
使用人工神经网络对视觉障碍进行建模
我们提出了一种方法来弥合人类视觉计算模型与视觉障碍 (VI) 临床实践之间的差距。简而言之，我们建议将神经科学和机器学习的进步结合起来，研究 VI 对关键功能能力的影响并改进治疗策略。我们回顾了相关文献，目的是促进充分利用人工神经网络 (ANN) 模型来满足视障人士和视觉康复领域操作人员的需求。我们首先总结了现有的视觉问题类型、关键的功能性视觉相关任务以及当前用于评估两者的方法。其次，我们探索最适合模拟视觉问题的 ANN，并在行为（包括性能和注意力测量）和神经层面预测它们对功能性视觉相关任务的影响。我们提供指导方针，为未来针对受 VI 影响的个体开发和部署 ANN 的临床应用研究提供指导。
通过图卷积和可逆神经网络对潜在空间中的点云进行去噪
点云经常包含噪声和异常值，为下游应用带来障碍。在本文中，我们介绍了一种新颖的点云去噪方法。通过利用潜在空间，我们明确地发现噪声成分，从而可以提取干净的潜在代码。这反过来又有助于通过逆变换恢复干净点。我们网络中的一个关键组件是一个新的多层图卷积网络，用于捕获从局部到全局各个尺度的丰富几何结构特征。然后将这些特征集成到可逆神经网络中，该网络双射映射潜在空间，以指导噪声解缠结过程。此外，我们使用可逆单调算子来模拟变换过程，有效地增强了集成几何特征的表示。这种增强使我们的网络能够通过将噪声因素和潜在代码中的内在干净点投影到单独的通道上来精确区分它们。定性和定量评估均表明，我们的方法在各种噪声水平下都优于最先进的方法。源代码可在 https://github.com/yanbiao1/PD-LTS 获得。
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
根据图统计信息生成神经图
我们描述了一种从聚合图统计数据（而不是图邻接矩阵）学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM（例如 BTER、Chung-Lu 和 Erdos-Renyi 模型）的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据，同时保留局部差异隐私保证。对 8 个数据集的实证评估表明，当两者都仅从图统计数据中学习时，我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明，图统计数据通常足以构建具有竞争力的深度 GGM，该深度 GGM 可生成逼真的图，同时保护本地隐私。
一种具有输入阻抗增强和抑制偏移诱导电荷转移的斩波神经前端
摘要 — 现代神经调节系统通常提供大量的记录和刺激通道，这降低了每个通道的可用功率和面积预算。为了在面积限制越来越严格的情况下保持必要的输入参考噪声性能，斩波神经前端通常是首选方式，因为斩波稳定可以同时改善（1/f）噪声和面积消耗。现有技术中，通过基于输入电压缓冲器的阻抗增强器解决了输入阻抗大幅降低的问题。这些缓冲器对大型输入电容器进行预充电，减少从电极吸取的电荷并有效提高输入阻抗。这些缓冲器上的偏移直接转化为电荷转移到电极，这会加速电极老化。为了解决这个问题，提出了一种具有超低时间平均偏移的电压缓冲器，它通过定期重新配置来消除偏移，从而最大限度地减少意外的电荷转移。本文详细介绍了背景和电路设计，并介绍了在 180 nm HV CMOS 工艺中实现的原型的测量结果。测量结果证实，发生了与信号无关的缓冲器偏移引起的电荷转移，并且可以通过所提出的缓冲器重新配置来缓解这种电荷转移，而不会对输入阻抗增强器的操作产生不利影响。所提出的神经记录器前端实现了最先进的性能，面积消耗为 0.036 mm2，输入参考噪声为 1.32 µV rms（1 Hz 至 200 Hz）和 3.36 µV rms（0.2 kHz 至 10 kHz），功耗为 13.7 µW（1.8 V 电源），以及 50 Hz 时的 CMRR 和 PSRR ≥ 83 dB。