XiaoMi-AI文件搜索系统
World File Search SystemWasserstein
提高量子误差校正的变异量子算法的速度
我们考虑为作用在量子电路上的通用量子噪声设计合适的量子误差校正程序（QEC）程序的问题。通常，没有分析通用程序来获得编码和校正统一门，如果噪声未知并且必须重建噪声，问题甚至更难。现有过程依赖于变分的量子算法（VQA），并且由于成本函数的梯度的大小随量子数而衰减，因此很难训练。我们使用基于量子1（QW 1）的量子Wasserstein距离的成本函数来解决此问题。在量子信息处理中通常采用的其他量子距离方面，QW 1缺少单一不变性属性，这使其成为避免被困在本地最小值中的合适工具。专注于一个简单的噪声模型，该模型已知确切的QEC解决方案，并且可以用作理论基准，我们进行了一系列数值测试，这些测试表明如何通过QW 1指导VQA搜索，确实可以显着提高成功培训的可能性，并在使用恢复状态的情况下，以实现的态度来实现会议的方法。
基于fMRI 4D时空数据
使用神经影像数据将精神健康障碍与健康对照的患者区分开来，已采用了广泛的机器学习方法。但是，几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中，我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能，以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络，具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担，我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明，基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反，我们使用的其他两个复杂架构的性能相对较差。
mwg-unet：肺场的混合深度学习框架和胸部X射线图像中的心脏分割
摘要：深度学习技术已在医疗计算机视觉和图像处理的领域取得了突破性的研究结果。生成对抗网络（GAN）已证明了图像产生和表达能力的能力。本文提出了一种称为MWG-UNET的新方法（多个任务Wasserstein生成对抗网络U形网络）作为肺场和心脏细分模型，它具有注意机制的优势，以提高发电机的细分精度，从而提高了性能。尤其是，所提出的方法的骰子相似性，精度和F1得分优于其他模型，分别达到95.28％，96.41％和95.90％，而特定的五城市则超过了0.28％，0.90％，0.24％和0.24％和0.90％的模型。但是，IOU的值不如最佳模型0.69％。结果表明，所提出的方法在肺场分割中具有相当大的能力。我们的心脏的多器官分割结果实现了骰子相似性，而IOU值为71.16％和74.56％。对肺场的分割结果实现了骰子相似性，而IOU值为85.18％和81.36％。
期刊预释放-Aston Publications Explorer
锂离子电池（LIBS）广泛用于许多田地，例如电动汽车和能源存储，直接影响设备性能和安全性。因此，健康状况（SOH）评估对于LIB使用至关重要。但是，大多数现有数据驱动的SOH建模方法忽略了电池健康预测的固有不确定性，这降低了模型的可靠性。为了解决这个问题，本文提出了一个基于深度学习框架的新型SOH评估模型。SOH结果源自深度特征的分位分布，从而使SOH值具有相关的置信区间。这增强了SOH评估结果的可靠性和概括。此外，为了完成深层模型的优化，开发了基于Wasserstein距离的分位数Huber（QH）损耗函数。此功能集成了Huber损耗和分位回归损失，从而使模型可以根据分布输出进行优化。使用NASA数据集对所提出的方法进行了验证，结果证实了所提出的方法可以在考虑不确定性时有效地估计LIB的SOH。SOH分布的合并增强了SOH评估模型的可靠性和概括能力。
Daniel Laver 使用立方持久性揭示时间变化的fMRI数据的拓扑
摘要。许多具有平均场相互作用的吉布斯度量是混乱的，因为N粒子系统中的任何K颗粒的集合都是渐近独立的，因为N→∞具有k固定或k = o（n）的n→∞。本文用成对相互作用的一类连续Gibbs的吉布斯度量量化了此概念，其中主要示例是由凸相互作用控制的系统，并均匀地凸出限制电位。K颗粒的边际定律与其极限产品度量之间的距离显示为O（（K/N）C∧2），c profional con-Oft均与平方温度相关。在高温情况下，这基于熵的亚粘附性，这会改善先前的结果，熵的亚加性最多可以产生O（k/n）。正如高斯示例所证明的那样，绑定的O（（k/n）2）无法改善。结果是非反应的，并且通过相对的渔民信息，相对熵或平方二次的Wasserstein度量来定量距离。该方法依赖于限制度量的先验功能不平等，用于根据（K + 1） - 粒子距离得出K粒子距离的估计值。
在目标度量的变化下，最佳传输图的定量稳定性
•[38，23，5，11]使用此想法在各种任务中执行模式识别，包括对癌细胞中核染色质模式的区分，对面部表情，鸟类物种，星系形态的差异的检测，亚细胞形态，亚细胞蛋白质分布，从MI-Collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider collider的差异。•[31]考虑了该图像产生建模的框架，并通过展示了数字和面部图像的生成建模，在阿尔茨海默氏病神经毒气或甲状腺核图像的背景下进行PET扫描。•[22]遵循这种方法，以改善面部图像的分辨率。在此阶段，从数学角度来看，线性化最佳传输框架的良好实际行为是合理的。嵌入的实际好处是，可以在概率指标的家族中使用经典的希尔伯特统计工具箱，同时保留Wasserstein几何形状的某些特征。嵌入µ 7→t µ的一个特别好的特征是，其在l 2（ρ，r d）中的图像是凸的，即最佳的barycenter
田纳根：纯变压器编码器为从头分子的生成提供了有效的离散gan
使用离散数据（例如简化的分子输入线 - 输入系统（Smiles）字符串）的从头生成的深层生成模型吸引了药物设计中的广泛关注。然而，训练不稳定经常困扰生成的广告网络（GAN），导致可能崩溃和低偏移性等概率。这项研究提出了一个纯粹的变压器编码器GAN（宽度）来解决这些问题。宽度的发电机和鉴别剂是变压器启动器的变体，并与加固学习（RL）结合使用，以生成具有所需化学特性的分子。此外，变体微笑的数据增强是为了学习微笑字符串的范围和语法的宽度培训。在方面，我们引入了一个增强的田纳州的变体，称为十（w）gan，其中包含了微型批处理歧视，并提高了生成分子的能力。对QM9和锌数据集的实验结果和消融研究表明，所提出的模型以计算有效的方式产生了具有所需化学性质的高效和新颖的分子。
熵成本类型的混乱对于平均场粒子系统的混乱传播，具有有限的可测量相互作用∗
k相互作用粒子的关节分布的定量收敛速率会收敛到k独立的麦基恩 - 弗拉索夫sdes的解决方案，这引起了很多关注。有不同的感觉，可以使混乱的繁殖，例如强烈的感觉，瓦斯汀距离，相对熵和渔民信息等等，例如，有关更多详细信息，请参见[12，17]。对于任何波兰空间（E，ρ），令P（e）为配备弱拓扑的E的所有概率度量的收集。修复T> 0。在某些完整的填充概率空间（ω，f，（f t）t≥0，p）上，让w t成为n维的布朗运动。b：[0，t]×r d×p（r d）→r d，σ：[0，t]×r d×p（r d）→r d r n是可测量的，并在有限的集合上界定。令x 0为f 0-可衡量的r d d值随机变量，n≥1为整数，（x i 0，w i t）1≤i≤n为i.i.d.（x 0，w t）的副本。考虑平均场相互作用的粒子系统
使用快速不确定性定量质量映射的生成建模
抽象理解宇宙中暗物质的本质是现代宇宙学的重要目标。探测此分布的关键方法是通过弱重力透镜质量映射 - 这是一个具有挑战性的逆问题，其中一个人从观察到的剪切测量值中吸收收敛场。即将进行的IV阶段调查，例如Vera C. Rubin天文台和欧几里得卫星进行的将提供更大的数据和精确度，以进行镜头分析，因此需要在计算上具有高效的质量映射方法，并且还为集成到下斯流的综合分析提供了不认真的效率。 在这项工作中，我们介绍了MMGAN，这是一种基于正则条件生成对抗网络（GAN）框架的新型质量映射方法，该框架生成了给定剪切数据的收敛场的近似后验样品。 我们采用Wasserstein Gans来提高训练稳定性并应用正则化技术来克服模式崩溃，否则对于有条件的gan而言，否则尤其是严重的问题。 我们将模型应用于模拟宇宙风格的数据集，然后将其应用于真正的宇宙调查数据。 我们的方法极大地超过了Kaiser-Squires技术，并实现了与替代性深度学习方法相似的重建保真度。 值得注意的是，虽然从学习的后验产生样品的替代方法很慢（例如， 每个后部样品需要约10分钟分钟），MMGAN可以在不到一秒钟的时间内产生高质量的收敛样品。将提供更大的数据和精确度，以进行镜头分析，因此需要在计算上具有高效的质量映射方法，并且还为集成到下斯流的综合分析提供了不认真的效率。在这项工作中，我们介绍了MMGAN，这是一种基于正则条件生成对抗网络（GAN）框架的新型质量映射方法，该框架生成了给定剪切数据的收敛场的近似后验样品。我们采用Wasserstein Gans来提高训练稳定性并应用正则化技术来克服模式崩溃，否则对于有条件的gan而言，否则尤其是严重的问题。我们将模型应用于模拟宇宙风格的数据集，然后将其应用于真正的宇宙调查数据。我们的方法极大地超过了Kaiser-Squires技术，并实现了与替代性深度学习方法相似的重建保真度。值得注意的是，虽然从学习的后验产生样品的替代方法很慢（例如，每个后部样品需要约10分钟分钟），MMGAN可以在不到一秒钟的时间内产生高质量的收敛样品。
职业足球球队战略动态分析
足球经理必须做出的最重要的战术决策之一是确定比赛不同阶段球队的空间配置或阵型。阵型的选择会影响球队的进攻力度、进攻重点以及整体比赛风格。我们提出了一种创新的新技术，用于动态测量、分类和研究职业足球比赛中的球队阵型。使用大量球员跟踪数据样本，我们测量每场比赛期间连续时间间隔内每支球队球员在控球和失球时的相对位置。应用分层聚集聚类（使用 Wasserstein 度量来测量阵型之间的距离），我们确定了球队部署的独特进攻和防守阵型。我们使用这些阵型模板，结合贝叶斯模型选择标准，对新的阵型观察进行分类，生成每场比赛的战术摘要。我们确定每支球队首选的进攻和防守阵型，并研究经理在比赛中如何对关键事件做出战术反应。最后，我们讨论阵型选择与比赛风格的关系，并讨论我们的方法的其他潜在应用。