XiaoMi-AI文件搜索系统
World File Search SystemRepresentation
稀疏的组过滤库表示模型
背景：在运动成像（MI）脑电图（EEG）记录以及在脑计算机界面（BCI）应用的MI分类中，常见的空间模式（CSP）已被广泛用于特征外观。BCI通常需要相对较长的脑电图数据来可靠的分类培训。更具体地，在使用一般空间模式进行特征提取之前，使用两个不同类别的训练词典来构造复合词典矩阵，并且在滤波器带中的测试样品的表示形式估计为字典矩阵中列的线性组合。新方法：减轻频率带之间的稀疏小样本（SS）问题。我们为BCI系统中的运动图像提出了一种新型的稀疏组过滤库模型（SGFB）。结果：我们通过基于对非零相关系数的类别表示残差来执行任务。此外，我们还在三个不同的时间窗口中使用约束过滤器频段执行关节稀疏优化，以在多任务学习框架中提取强大的CSP功能。为了验证我们的模型的有效性，我们对BCI竞争的公共EEG数据集进行了实验，以将其与其他竞争方法进行比较。与现有方法的比较：差异
电力规划模型中储能的表达
本文探讨了储能系统在电力部门容量规划模型中的表示方法。随着储能技术（尤其是电池）和互补可变可再生能源技术的成本下降，将储能系统纳入此类长期系统模型变得越来越重要。为了正确评估储能技术的价值，需要表示时间段之间的联系，从而打破传统的时间聚合策略，大大缩短计算时间。我们评估了解决这一问题的方法，强调了共同的底层结构、无损聚合的条件以及在相关地理尺度上聚合的挑战。然后，我们研究了建模问题的解决方案，包括一种分解方案，以避免在可并行的计算成本下进行时间聚合。这些示例构成了问题的各个方面，这些方面已为运筹学界做出贡献。
合成智能电表数据的生成和表示
免责声明：本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
使用时间增强多实例表示...
时间窗口的选择主要影响分段特征提取程序的有效性。我们提出了一种增强的模式袋表示，可以在宽窗口范围内捕获大脑动态的高级结构。因此，我们为短时公共空间模式算法引入了具有扩展窗口长度的增强实例表示。基于多实例学习，通过稀疏回归选择相关的模式袋以输入袋分类器。所提出的高级结构表示有两个贡献：（i）提高双条件任务的准确性，（ii）通过学习到的稀疏回归拟合更好地理解动态大脑行为。使用支持向量机分类器，在公共运动图像数据集（左手和右手任务）上实现的性能表明，所提出的框架执行的结果非常有竞争力，对脑电图记录的时间变化具有鲁棒性并有利于类可分性。
生物和人工神经网络中表征的普遍性
2 麻省理工学院麦戈文脑研究所，美国马萨诸塞州剑桥 3 哈佛大学言语和听觉生物科学与技术 (SHBT) 项目，美国马萨诸塞州波士顿 4 哈佛大学肯普纳自然与人工智能研究所，美国马萨诸塞州奥尔斯顿 5 纽约大学心理学系，美国纽约州纽约 6 哈佛大学心理学系，美国马萨诸塞州剑桥 7 哈佛医学院麻省总医院神经外科系，美国马萨诸塞州波士顿 致谢：作者感谢 Josh McDermott、Sam Gershman、Nancy Kanwisher、Niko Kriegeskorte、Tal Golan、Alex Williams、Andrew Lampinen、Chengxu Zhuang、Cory Shain、Martin Schrimpf 及其团队、Stanislas Dehaene 及其团队以及 CCN 2023（英国牛津）和 Ascona 2024（瑞士阿斯科纳）的观众提供的有益评论和讨论。EH、CC、NZ、MR 和 EF 部分由 NIH 拨款 U01-NS121471 资助。CC 获得哈佛大学肯普纳自然和人工智能研究所的奖学金资助。NZ 获得麻省理工学院 K. Lisa Yang 综合计算神经科学 (ICoN) 中心的博士后奖学金资助。EF 还获得麻省理工学院麦戈文脑研究所、智力探索、脑与认知科学系和西蒙斯社会脑中心的资金资助。
红山社区代表倡议 (CRI)
3 月份的 CRI 会议于 17:05 召开，海军、环境保护署和卫生部的代表全部到场。DLA 通过 Zoom 参与。Amy Miller（环境保护署）首先发表评论，鼓励海军继续参加这些会议，让 CRI 和海军就基本规则达成一致，并鼓励双方今后接受来自联邦调解与和解服务处的调解员。会议按照 CRI 的议程进行，讨论总体上保持了文明。CRI 强调，他们相信人们仍会因接触水而生病，要求海军为家庭提供替代饮用水，并越来越担心在水箱通风以支持清洁过程中产生的蒸气对公众构成的威胁。他们也担心 PFAS，但由于它不在 ACO 范围内，海军代表不会回答有关 PFAS 的问题，而 EPA 和 DOH 也没有参与讨论。
脱机多任务表示增强学习
离线增强学习的最新进展（RL）（Levine等人，2020年）使用预采用的数据集为现实世界中的培训政策开辟了可能的可能性（Kalashnikov等人。，2018年； Rafailov等。，2021; Kalashnikov等。，2021），自然语言处理（Jaques等人，2019年），教育（De Lima and Krohling，2021年），电力供应（Zhan等人，2022）和医疗保健（Guez等人，2008年； Shortreed等。，2011年； Wang等。，2018年；基利安等人。，2020）。虽然大多数离线RL研究都集中在单任务问题上，但是在许多实际情况下，多个任务是相关的，并且通过利用所有可用数据共同学习多个任务是有益的（Kalashnikov等人。，2018年； Yu等。，2021，2022; Xie and Finn，2022）。在这种情况下，一种流行的方法是多任务表示学习，该代理的目的是通过在相关任务之间提取共享的低维表示功能来解决问题，然后在此通用表示上使用简单功能（例如线性）来解决每个任务（Caruana，1997; Baxter，2000）。尽管多任务表示学习取得了经验成功，尤其是在增强学习在降低样品复杂性方面的功效方面的实现（Teh等人，2017年； Sodhani等。，2021; Arulkumaran等。，2022），对其的理论理解仍处于早期阶段（Brunskill和Li，2013年； Calandriello等人。，2014年； Arora等。，2020年； Eramo和Al。，2020年；胡和al。，2021; lu和al。，2021; Pacchiano的磨坊，2022年）。虽然
肌肉还是运动？新生脑科学中的表示
摘要：大脑是代表性器官的想法在19世纪起源于19世纪，当时神经病学家开始得出关于大脑所代表的临床和实验研究的结论。围绕大脑代表的最早争议之一是“肌肉与运动”辩论，它涉及运动皮层是否代表了运动的复杂运动还是运动的分数组成部分。杰出的思想家在双方都感到震惊：神经病学家约翰·休林斯·杰克逊（John Hughlings Jackson）和F.M.R.Walshe赞成复杂的运动，神经生理学家Charles Sherrington和Neurosurgeon Wilder Penfield赞成运动组件。本文研究了这些和其他大脑科学家在肌肉与运动辩论的前八十年中不断发展的代表概念（c。1873-1954）。尽管参与者同意代表的许多表面特征，但他们的推论揭示了关于其推论作用的深刻分歧。不同的认识论承诺引发了矛盾的概念，即表示归因于什么暗示和证据支持它们。
猕猴V2和V4中的空间频率表示...
抽象空间频率（SF）是视觉场景中的重要属性，是视觉处理通道的定义特征。但是，关于灵长类动物视觉皮层中如何编码这一基本信息，还有许多尚未解决的问题。在这里，在猕猴V2和V4的视觉区域中使用固有的信号光学成像，我们量化了SF地图和（1）视觉形貌以及（2）颜色和方向图之间的关系。我们发现，在方向区域中，低到高SF的定向映射到方向。在据报道包含颜色和轻度的正交轴的颜色区域中，低SF往往比高SFS更频繁地表示。这支持与“颜色/取向”组织有关的基于人群的SF波动。我们提出了一个跨皮质区域的广义高柱模型，该模型由两个带有其他参数的正交参数组成。
脑EEG的融合图表示情绪识别
摘要：脑电图（EEG）数据中存在的各种关系对于脑电图特征表示显着。因此，基于图的方法的研究重点是提取脑电通道之间的相关性。现有图形研究的缺点是它们仅考虑脑电图电极的单一关系，这导致了脑电图数据的不可思议的表示，并且情绪识别的准确性相对较低。在本文中，我们提出了一个融合图卷积网络（FGCN），以提取EEG数据中存在的各种关系并融合这些提取的关系，以更全面地表示EEG数据以识别情绪。首先，FGCN地雷脑连接在拓扑，因果关系和功能上。然后，我们提出了一种局部融合策略，以融合这三个图，以充分利用具有强大拓扑，因果关系和功能关系的有价值的渠道。最后，采用图形卷积神经网络来更好地表示情绪识别。在种子和种子IV上进行的实验表明，融合不同的关系图可有效提高情绪识别能力。此外，3级和4级的情绪识别精度高于其他最先进的方法。