XiaoMi-AI文件搜索系统
World File Search SystemTensor
扩散张量成像发现
这项研究是一项回顾性研究，该研究已由Bezmialememvakıf大学机构伦理委员会批准（日期为2018年10月2日的决定，编号为18/236）。通过表型发现和遗传分析被诊断出的八名受试者参与了这项研究。从同意参加研究的参与者及其父母那里获得了书面知情同意。审查了8位受试者（6名男性，2名女性，平均年龄8岁）和11名年龄匹配的对照组（4名男性，7名女性，平均年龄11岁）。表现症状是精神和运动的恶化，进行性视觉丧失和癫痫发作。所有孩子都存在视力障碍和典型的眼科发现。患者是儿科神经病学系的患者。对照组由没有临床病史的健康患者组成，由于头痛而适用于门诊诊所，并报告其身体检查和MRI正常。回顾性评估所有受试者的常规脑MRI和DTI发现。
人工智能加速器（Tensor Processor）的翻译器
该客户专门开发和制造专用张量处理单元 (TPU)，用于基于矩阵乘法块的快速神经网络计算，它以每周期数万次运算的速度执行最耗资源的计算。
用于量子机器学习的张量网络
张量网络 (TN) 曾为量子理论而开发，现已成为一种成功的机器学习 (ML) 范式。现在，它们已被移植回量子领域，即新兴的量子 ML 领域，以评估传统计算机无法有效解决的问题。它们位于物理学和 ML 之间的接口，这使得 TN 易于部署在量子计算机上。在这篇评论文章中，我们阐明了被认为注定要用于变分量子 ML 的主要架构之一。特别是，我们讨论了如何将矩阵积状态、投影纠缠对状态、树张量网络和多尺度纠缠重正化假设等布局映射到量子计算机，如何将它们用于 ML 和数据编码，以及哪些实现技术可以提高它们的性能。
通过张量来保存实验环境...
最近的生物学研究已通过多重和高通量测定法对尺度和粒度进行了彻底的革命。跨多个实验参数（例如扰动，时间和遗传环境）的细胞反应会导致更丰富，更具概括性的发现。但是，这些多维数据集需要重新评估常规方法以进行表示和分析。传统上，实验参数被合并以将数据扁平化成二维矩阵，从而牺牲了由结构反映的关键实验上下文。正如马歇尔·麦克卢汉（Marshall McLuhan）所说的那样，“媒介是信息。”在这项工作中，我们建议实验结构是进行后续分析的介质，并且数据表示的最佳选择必须反映实验结构。我们引入了张量结构化分析和分解以保留此信息。我们认为，张量方法有望成为生物医学数据科学工具包的组成部分。
关于脑电图张量补全方法的鲁棒性
1 南开大学人工智能学院，天津 300350，中国；2 斯科尔科沃科学技术学院，莫斯科 121205，俄罗斯；3 杭州电子科技大学计算机学院，杭州 310018，中国；4 哥白尼大学信息学系，托伦 87-100，波兰；5 波兰科学院系统研究所，华沙 01-447，波兰；6 南开大学计算机学院，天津 300350，中国；7 阿根廷射电天文学研究所 IAR-CCT 拉普拉塔，CONICET / CIC-PBA / UNLP，Villa Elisa 1894，阿根廷；8 日本理化学研究所信息系统与网络安全总部计算工程应用部，和光市 351-0106，日本； 9 英国剑桥大学精神病学系，剑桥 CB2 8AH；10 西班牙加泰罗尼亚维多利亚中央大学数据与信号处理研究组，加泰罗尼亚 08500
张量网络状态的量子压缩
摘要 我们为张量网络状态的参数族设计量子压缩算法。我们首先建立存储给定状态族中的任意状态所需的内存量的上限。该上限由合适流网络的最小割确定，并与从指定状态的参数流形到状态所体现的物理系统的信息流有关。对于给定的网络拓扑和给定的边维度，当所有边维度都是同一整数的幂时，我们的上限是严格的。当不满足此条件时，该上限在乘法因子小于 1.585 时是最佳的。然后，我们为一般状态族提供了一种压缩算法，并表明该算法对于矩阵乘积状态在多项式时间内运行。
张量序列近似的新算法
摘要 — 张量分解为因子矩阵，通过核心张量相互作用，在信号处理和机器学习中得到了广泛的应用。到目前为止，将数据表示为 2 阶或 3 阶子张量的有序网络的更通用的张量模型尚未在这些领域得到广泛考虑，尽管这种所谓的张量网络 (TN) 分解在量子物理和科学计算中已经得到了长期研究。在本文中，我们介绍了 TN 分解的新算法和应用，特别关注张量序列 (TT) 分解及其变体。为 TT 分解开发的新算法在每次迭代中以交替方式更新一个或多个核心张量，并表现出对大规模数据张量的增强的数学可处理性和可扩展性。为了严格起见，给定秩、给定近似误差和给定误差界限的情况都被考虑在内。所提出的算法提供了均衡的 TT 分解，并在单一混合盲源分离、去噪和特征提取的经典范例中进行了测试，与广泛使用的 TT 分解截断算法相比，取得了更优异的性能。
用于药物重新定位的非负张量分解
计算药物重新定位旨在确定现有药物在治疗其并非针对的疾病方面的潜在应用。这种方法可以大大加快传统的药物发现过程，减少药物开发所需的时间和成本。张量分解使我们能够整合多种药物和疾病相关数据，以提高预测性能。在本研究中，提出了一种用于药物重新定位的非负张量分解 NTD-DR。为了捕捉药物-靶标、药物-疾病和靶标-疾病网络中的隐藏信息，NTD-DR 使用这些成对关联构建一个表示药物-靶标-疾病三重态关联的三维张量，并将它们与药物、靶标和疾病的相似性信息相结合以进行预测。我们将 NTD-DR 与最近的最先进方法在受试者工作特征 (ROC) 曲线下面积 (AUC) 和精确度和召回率曲线下面积 (AUPR) 方面进行了比较，发现我们的方法优于竞争方法。此外，五种疾病的案例研究也证实了 NTD-DR 预测的可靠性。我们提出的方法在前 50 个预测中识别出比其他方法更多的已知关联。此外，NTD-DR 识别的新关联通过文献分析得到验证。