XiaoMi-AI文件搜索系统
World File Search SystemRITHMS
大数据选项远离障碍物跟踪
摘要 - 我们的研究在多代理网络中分发了大数据非convex优化。我们考虑平滑（可能）非凸功能的总和的（受约束的）最小化，即代理的总和，以及凸（可能）的凸（可能）非平滑正常器。我们的兴趣是大数据问题，其中有大量变量需要优化。如果通过标准分布式优化算法进行处理，则这些大规模问题可能会因为每个节点的局部计算和通信负担过高，因此可能会棘手。我们提出了一种新颖的分布式解决方案方法，在每种迭代中，代理以不协调的方式更新整个决策向量的一个块。为了处理成本函数的非概念性，新型方案取决于连续的凸近似（SCA）技术，结合了一种新颖的块驱动的推动力共识方案，该方案对执行局部扩展的块状操作和梯度平均跟踪非常有用。建立了渐近收敛到非凸问题的固定溶液。最后，数值结果显示了提出的算法的有效性，并突出了块维度如何影响通信开销和实际收敛速度。
基于脑电图的驾驶员方法...
摘要：困倦不仅是传统驾驶条件下安全驾驶的核心挑战，也是自动驾驶汽车附加服务被广泛接受的严重障碍（因为困倦实际上是自动驾驶晕车最具代表性的早期症状之一）。鉴于检测驾驶员困倦的重要性，本文回顾了基于脑电图 (EEG) 的驾驶员困倦检测 (DDD) 算法。为了方便回顾，基于 EEG 的 DDD 方法被组织成树形结构分类法，分为两个主要类别，即“仅检测（开环）”和“管理（闭环）”，两者均旨在设计更好的 DDD 系统，以确保早期检测、可靠性和实用性。为了实现这一目标，我们解决了七个问题，这些问题的答案有助于开发一种优于现有系统的基于 EEG 的 DDD 系统。本综述文章的一个基本假设是，虽然驾驶员困倦和晕车引起的困倦是由不同的因素引起的，但调节困倦的大脑网络是相同的。
变分量子奇异值分解
奇异价值分解对于工程和科学领域的许多问题至关重要。已经提出了几种量子算法来确定给定基质的奇异值及其相关的奇异向量。尽管这些算法是有希望的，但是在近期量子设备上，所需的量子子例程和资源太昂贵了。在这项工作中，我们提出了一种用于奇异值分解（VQSVD）的变分量子算法。通过利用奇异值的变异原理和ky fan定理，我们设计了一种新型的损失函数，以便可以训练两个量子神经网络（或参数化的量子电路）来学习奇异向量并输出相应的奇异值。更重要的是，我们对随机矩阵进行VQSVD的数值模拟以及其在手写数字的图像压缩中的应用。最后，我们讨论了算法在推荐系统和极地分解中的应用。我们的工作探讨了仅适用于Hermitian数据的量子信息处理的新途径，并揭示了矩阵分解在近期量子设备上的能力。
用于图形搜索问题的基于学习的算法
我们考虑了Banerjee等人最近引入的预测图形搜索问题。（2023）。在此问题中，从某个顶点r开始的代理必须使用A（可能未知的）图G找到隐藏的目标节点G，同时最小化总距离。我们研究一个设置，在该设置中，在任何节点V中，代理都会收到从V到G的距离的嘈杂估计。我们在未知的图表上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证，并提供了下限，表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外，我们进行了数值实验，证明除了对对抗性误差造成反对，我们的算法在误差是随机的典型情况下都很好地形成。最后，我们在Banerjee等人的属性上提供了更改的天然简单性能界限。（2023）对于在已知图表上进行搜索的情况，并为此设置建立新的下限。
基于人工智能的移动机器人与障碍物交互控制
摘要：本文研究了人工智能在Gazebo模型上实现深度确定性策略梯度（DDPG）以及现实移动机器人的应用。实验研究的目标是引导移动机器人在面对固定和移动障碍物时，学习在现实环境中移动的最佳动作。当机器人在有障碍物的环境中移动时，机器人会自动控制避开这些障碍物。然后，在特定限制内维持的时间越长，积累的奖励就越多，因此会取得更好的结果。作者对许多变换参数进行了各种测试，证明了DDPG算法比Q学习、机器学习、深度Q网络等算法更有效。然后执行SLAM来识别机器人位置，并在Rviz中精确构建和显示虚拟地图。研究结果将成为设计和构建移动机器人和工业机器人控制算法的基础，应用于编程技术和工业工厂自动化控制。索引词——移动机器人、人工智能、DDPG 算法、自主导航、强化学习。
衡量人机协作过程绩效的建模方法
摘要：尽管算法决策在组织中的应用有增无减，但越来越多的人认为，许多情况仍将需要人类参与其中。然而，正式的机器和有限的人类理性的混合也放大了所谓的局部理性的风险。因此，设计出全面评估绩效的方法至关重要，尤其是在算法决策所特有的数据丰富的环境中。在本文中，我们提出了一个基于模拟的模型，以解决目前在更广泛的组织背景下量化算法干预的研究不足的问题。我们的方法允许将因果建模和数据科学算法结合起来，以表示涉及机器和人类理性混合的决策设置，以衡量绩效。作为试验台，我们考虑了一个虚构公司试图借助机器学习方法改进其预测过程的案例。这个例子表明，短视的评估掩盖了只有更广泛的框架才能揭示的问题。它强调了系统观的价值，因为人类和算法决策之间的相互作用可能在很大程度上是非直观的。这种基于模拟的方法可以成为一种有效的工具，用于在混合环境中描绘人类和算法的角色。
信息论和变分推断的平方和松弛
我们考虑香农相对熵的扩展，称为 f -散度。三个经典的相关计算问题通常与这些散度有关：(a) 根据矩进行估计，(b) 计算正则化积分，和 (c) 概率模型中的变分推断。这些问题通过凸对偶相互关联，并且对于所有这些问题，在整个数据科学中都有许多应用，我们的目标是计算上可处理的近似算法，这些算法可以保留原始问题的属性，例如潜在凸性或单调性。为了实现这一点，我们推导出一系列凸松弛，用于从与给定特征向量相关的非中心协方差矩阵计算这些散度：从通常不易处理的最佳下限开始，我们考虑基于“平方和”的额外松弛，现在它可以作为半定程序在多项式时间内计算。我们还基于来自量子信息理论的谱信息散度提供了计算效率更高的松弛。对于上述所有任务，除了提出新的松弛之外，我们还推导出易于处理的凸优化算法，并给出了多元三角多项式和布尔超立方体上的函数的说明。
可解释的机器学习和优化的贝叶斯网络
由于人工智能越来越多地用于高风险应用，因此可以解释使用的模型变得越来越重要。贝叶斯网络提供了基于概率理论的可靠人工智能的范式。他们提供了一种语义，该语义可以通过利用它们之间的条件独立性来实现与域变量相关的概率分布的声明性表示。该表示由有向的无环图组成，该图编码变量之间的条件独立性以及编码条件分布的一组参数。此表示为开发概率推理（推理）和从数据学习概率分布的算法提供了基础。贝叶斯网络用于机器学习中的各种任务，包括聚类，超级分类，多维监督分类，异常检测和时间修改。他们还提供了估计分布算法的基础，这是启发式优化的一类进化算法。我们通过在神经科学，行业和生物启示中介绍应用程序来说明贝叶斯网络在可解释的机器学习和优化中的使用，涵盖了广泛的机器学习和优化任务。2021由Elsevier B.V.
使用 QFT 的量子线性密钥恢复攻击？
摘要。量子傅里叶变换是量子密码分析的基本工具。在对称密码分析中，依赖于 QFT 的隐藏移位算法（如 Simon 算法）已用于对某些非常特殊的分组密码进行结构攻击。傅里叶变换也用于经典密码分析，例如 Collard 等人引入的基于 FFT 的线性密钥恢复攻击（ICISC 2007）。此类技术是否可以适应量子环境至今仍是一个悬而未决的问题。在本文中，我们介绍了一种使用 QFT 进行量子线性密钥恢复攻击的新框架。这些攻击大致遵循 Collard 等人的经典方法，因为它们依赖于对关联状态的快速计算，其中实验关联不是直接可访问的，而是编码在量子态的振幅中。实验相关性是一种统计数据，对于好的密钥，该统计数据预计会更高，并且在某些情况下，增加的幅度会相对于对密钥的穷举搜索产生加速。同样的方法还产生了一系列新的结构攻击，以及使用经典已知明文查询的二次方以外的量子加速的新例子。
对人类3D视觉推断的算法和建筑约束
感知在多个时间尺度上展开。腹侧颞皮层（VTC）支持“一眼”可能的视觉推断（即<200ms），例如对象分类。其他视觉推断，例如推断陌生物体的3D形状，需要更多的时间。结合了心理物理学，电生理学和病变数据，我们在这里确定了这种能力构成的神经结构和算法。首先，我们将人类参与者的一线队列与猕猴VTC的电生理记录进行了比较。虽然VTC响应预测了“一目了然”的性能，但人类的观看时间增加了VTC。接下来，我们证明了VTC下游的神经系统，内侧颞皮层（MTC）在这些时间扩展的视觉推断中起因果作用。最后，通过一系列在实验室的眼影实验中，我们表明对象特征的顺序视觉采样既是在参与者之间可靠的，又是必要的。从这些数据中，我们建议MTC通过在视觉空间序列上整合，为人类感知的理论和模型提供算法和架构结构来进行视觉推断。