XiaoMi-AI文件搜索系统
World File Search SystemWasserstein
迈向数学理论，用于在不同的模型中进行一致性训练
一致性模型，该模型是为了减轻不同使用模型的采样阶段来减轻高计算开销的，在达到最先进的经验性能的同时，促进了单步抽样。集成到训练阶段时，一致性模型试图训练一系列一致性函数，能够在扩大过程的任何时间步长将任何点映射到其起点。尽管取得了经验成功，但对一致性培训的全面理论理解仍然难以捉摸。本文朝着建立一致性模型的理论基础迈出了第一步。我们证明，为了在分布中生成ε接近性的样品（通过某些Wasserstein Metric测量），它可以使用一致性学习的步骤数，以超过D 5 {2 {ε的顺序，并带有D数据维度。我们的理论对一致性模型的有效性和效率进行了严格的见解，从而阐明了它们在下游推理任务中的效用。
不登校のこどもを理解する「ケース示说」
（1）Chung PJ，Patel DR，Nizami I：书面表达和障碍障碍：定义，诊断和管理。transl。ped。9（补充1）：S46–54，2020。（2）Tannock R，Brown TE：ADHD，语言和/或儿童和青少年学习障碍。ADHD合并症：儿童和成人的ADHD并发症手册。阿灵顿，美国精神病出版社，2009年。第189-231页。（3）Wasserstein J，Denckla MB：ADHD和成人学习障碍：与执行功能障碍重叠。ADHD合并症：儿童和成人的ADHD并发症手册。阿灵顿，《美国精神病出版》，2009年。第233-47页。（4）Wingrona：父母和专家的指南。东京Shoseki，1998年。（5）Masumi Inagaki：诊断和治疗特定发育障碍的实用指南。诊断与治疗有限公司，2010年。（6）Matsumoto Toshihiko：理解和帮助自我伤害。心理神经学杂志。 114（8）：983–989，2012。
![arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日](/simg/f\fb020348d55c0fbb9129702104facb46a48991f0.webp)
arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日
数字图像相关 (DIC) 已成为评估机械实验（尤其是疲劳裂纹扩展实验）的宝贵工具。评估需要裂纹路径和裂纹尖端位置的准确信息，但由于固有的噪声和伪影，这些信息很难获得。机器学习模型在识别标记的 DIC 位移数据时非常成功。为了训练具有良好泛化的稳健模型，需要大数据。然而，由于实验成本高昂且耗时，材料科学与工程领域的数据通常很少。我们提出了一种使用带有物理引导鉴别器的生成对抗网络生成合成 DIC 位移数据的方法。为了确定数据样本是真是假，该鉴别器还接收派生的 von Mises 等效应变。我们表明，这种物理引导方法可以提高样本的视觉质量、切片 Wasserstein 距离和几何分数。
arXiv:2303.15939v1 [eess.IV] 2023 年 3 月 28 日
数字图像相关 (DIC) 已成为评估机械实验（尤其是疲劳裂纹扩展实验）的宝贵工具。评估需要裂纹路径和裂纹尖端位置的准确信息，但由于固有的噪声和伪影，这些信息很难获得。机器学习模型在识别标记的 DIC 位移数据时非常成功。为了训练具有良好泛化的稳健模型，需要大数据。然而，由于实验成本高昂且耗时，材料科学与工程领域的数据通常很少。我们提出了一种使用带有物理引导鉴别器的生成对抗网络来生成合成 DIC 位移数据的方法。为了确定数据样本是真是假，该鉴别器还接收派生的 von Mises 等效应变。我们表明，这种物理引导方法可以提高样本的视觉质量、切片 Wasserstein 距离和几何分数。
图的 Bures-Wasserstein 平均数
查找采样数据的平均值是机器学习和统计学中的基本任务。然而，在数据样本是图形对象的情况下，定义平均值是一项固有的困难任务。我们提出了一种新颖的框架，通过嵌入平滑图形信号分布空间来定义图形平均值，其中可以使用 Wasserstein 度量来测量图形相似性。通过在这个嵌入空间中找到平均值，我们可以恢复一个保留结构信息的均值图。我们确定了新图平均值的存在性和唯一性，并提供了一种计算它的迭代算法。为了突出我们的框架作为机器学习实际应用的有价值工具的潜力，我们在各种任务上对其进行了评估，包括结构化对齐图的 k 均值聚类、功能性脑网络的分类以及多层图中的半监督节点分类。我们的实验结果表明，我们的方法实现了一致的性能，优于现有的基线方法，并提高了最先进方法的性能。
潜在的Schrödinger桥扩散模型...
本文旨在对当前分化模型进行全面的理论分析。我们利用潜在空间中的schr odinger桥的不同模型引入了一种新颖的生成学习方法，作为该领域中理论上的框架。我们的方法是从编码解码器架构的预训练开始，该数据源自可能与目标分布不同的分布，从而通过利用预先存在的大型模型来促进大型样本量的适应。随后，我们利用Schr odinger桥框架在潜在空间内开发了一个不同的使用模型。我们的理论分析涵盖了通过潜在的Schréodinger桥梁消化模型来建立学习分布的端到端错误分析。特别是我们控制生成的分布与目标分布之间的二阶Wasserstein距离。此外，我们获得的收敛速率是尖锐的，有效地减轻了维度的诅咒，从而对盛行的分歧模型提供了强大的理论支持。
![arxiv：2305.19738v2 [stat.ml] 2024年3月1日](/simg/9\9d4e68989e49f4304b38d096112336f8e729c04f.webp)
arxiv：2305.19738v2 [stat.ml] 2024年3月1日
找到采样数据的平均值是机器学习和统计数据中的一项基本任务。但是，如果数据示例是图形对象，则定义平均值是本质上困难的任务。我们提出了一个新的框架，用于通过平滑图信号分布的空间中的嵌入来定义图平均值，在这种框架中，可以使用Wasserstein Metric测量图相似性。通过在此嵌入空间中找到平均值，我们可以恢复一个保留结构信息的平均图。我们建立了新图均值的存在和独特性，并提供了用于计算它的迭代算法。强调我们框架作为机器学习中实用应用的有价值工具的潜力，它可以在各种任务上进行评估，包括结构化对齐图的K-Means聚类，功能性脑网的分类以及在多层图中的半固定节点分类。我们的实验性研究表明，我们的方法可以达到一致的性能，优于现有的基线方法，并改善了最新方法的绩效。
使用物理引导的对抗网络生成破裂标本的人工位移数据
抽象的数字图像相关性（DIC）已成为监视和评估开裂标本的机械实验的宝贵工具，但是由于固有的噪声和人工制品，通常很难自动检测裂纹。机器学习模型在使用DIC测量的，插值的全景位移作为基于卷积的分割模型的输入中检测裂纹路径和裂纹尖端非常成功。仍然需要大数据来训练此类模型。但是，由于实验昂贵且耗时，科学数据通常很少。在这项工作中，我们提出了一种直接生成类似于实际插值DIC位移的破裂标本的大量人工位移数据的方法。该方法基于生成对抗网络（GAN）。在训练期间，鉴别器以衍生的von Mises等效菌株的形式接收物理领域知识。我们表明，与经典的无指导GAN方法相比，这种物理学引导的方法在样品的视觉质量，切成薄片的Wasserstein距离和几何得分方面会带来改善的结果。
针对幽门螺杆菌的基本转录因子HP1043：药物重新定位研究用量子地球移动的距离学习量子数据
抽象量化学习算法的输出与目标的目标是机器学习的重要任务。然而，在量子设置中，常用距离指标的损失景观通常会产生不良结果，例如局部最小值差和指数衰减的梯度。为了克服这些障碍，我们在这里考虑最近提出的量子地球移动器（EM）或Wasserstein-1距离是经典EM距离的量子类似物。我们表明，量子EM距离具有独特的特性，在其他常用的量子距离指标中未发现，这使量子学习更加稳定和有效。我们提出了一个量子剂量生成对抗网络（QWGAN），该网络利用量子EM距离，并提供了对量子数据进行学习的有效手段。我们提供了Qwgan能够学习一组量子数据的示例，仅资源在量子数中多项式。
电子系统中故障预测的基于自发的时间点过程模型：提高准确性和解释性
现有的用于预测电子设备故障率的模型通常会显示出差异，与实际测量相比，稳定时期的预测值较高，在流失期间的值较低。尽管它们经常用于模拟时间序列过程中的强度函数，但复发性神经网络（RNN）却难以捕获事件序列之间的长距离依赖性。此外，强度函数的固定参数形式可以限制模型的概括。为了解决这些缺点，提出了一种新颖的方法，利用注意机制在不依赖强度函数的情况下生成时间点过程。为了量化模型和现实分布之间的差异，模型使用Wasserstein距离来创建损失函数。此外，为了提高可解释性和概括性，使用一种自动机制来评估过去事件对当前发生的影响。比较测试表明，这种方法的表现超过了可能的可能性模型，而没有先前了解强度功能和类似RNN的生成模型，从而将相对错误率降低了3.59％，并将错误预测准确性提高了3.91％。