XiaoMi-AI文件搜索系统
World File Search SystemWasserstein
使用生成的对抗网络对瑞士的历史风场进行缩小降级
摘要：使用全球数值天气和气候模型来估算近地面风，因为通过潜在的地形（尤其是瑞士等国家）对空气流进行了强烈修改。在本文中，我们使用基于深度学习和高分辨率数字高程模型的统计方法，将每小时近距离近地面风频段从ERA5重新分析（从原来的25公里网格到1.1 km网格）进行空间下降。来自国家气象服务Meteoswiss的运营数值天气预测模型COSMO-1的2016 - 20的1.1 km分辨率风数据集用于训练和验证我们的模型，这是一种具有梯度pe-Nalized pe-Nalized wasserstein损失的生成对抗网络（GAN）。结果是现实的高分辨率历史地图，该图在瑞士上的每小时风扇的栅栏，以及对聚合风速分布的非常好的预测。区域平均图像特异性指标相对于ERA5的预测有明显的改善，在瑞士高原上的位置通常比对高山区域的技能度量更好。缩小的风场表现出高分辨率，物理上合理的地形效应，例如脊加速和庇护所，这些效应在原始ERA5场中无法解决。
循环一致地嵌入3D大脑，并带有自动...
现代生成的对抗网络（gan）通过从潜在的z（即随机向量）中采样（即随机向量），并将其映射到x中的逼真图像（例如3D MRIS），从而实现了完整的3D脑图像的现实生成。为了解决无处不在的模式集合问题，最近的作品强烈强烈施加了某些特征，例如通过编码将x明确映射到z的先验。但是，这些效果无法将3D脑图像准确地映射到所需的先验中，生成器假定是从中对随机向量进行采样的。另一方面，各种自动编码gan（vae-gan）通过通过两个学习的参数强制执行高斯，但会导致图像中的模糊性。在这项工作中，我们展示了我们的循环一致嵌入GAN（CCE-GAN）如何准确地将3D MRI编码为标准的正常先验，并保持生成的图像的质量。我们在没有基于网络的代码歧视器的情况下通过Wasserstein度量实现了这一目标。我们使用ADNI的健康T1加权MRI进行定量和定性评估嵌入和产生的3D MRI。关键字：自动编码器，潜在空间，生成对抗网络，周期同意，3D MRI
使用 GAN 和 LSTM 网络根据 EEG 和 EOG 信号检测驾驶员睡意
近年来，驾驶时困倦已成为交通事故的主要原因。然而，我们对评估驾驶员困倦的电生理指标知之甚少。前期研究和我们的研究表明，alpha 阻断现象和 alpha 波衰减-消失现象分别代表两种不同的困倦程度，即放松觉醒和睡眠开始。本文提出了一种基于脑电图 (EEG) 和眼电图 (EOG) 信号的驾驶员困倦检测新模型。我们的模型旨在跟踪 alpha 波的变化并区分这两种与 alpha 相关的现象。采用连续小波变换从时域和频域中的生理信号中提取特征。同时，引入长短期记忆 (LSTM) 网络来处理 EEG 和 EOG 信号的时间信息。为了解决生理样本不足的问题，使用生成对抗网络 (GAN) 来扩充训练数据集。实验结果表明，检测 alpha 波起点和终点的 F1 得分达到 95% 左右。我们采用的条件 Wasserstein GAN (CWGAN) 可以有效扩充数据集并提高分类器性能。同时，我们的 LSTM 分类器在留一交叉验证下对 alpha 波终点进行分类的平均准确率为 98%。
使用...
脑电图（EEG）在记录大脑活动中起着至关重要的作用，并且是脑部计算机界面（BCI）技术的发展。但是，EEG信号的有限可用性和高可变性在创建可靠的BCI时面临着重大挑战。为了解决这个问题，我们提出了一个实用的解决方案，了解深度学习的最新发展和Wasserstein生成的对抗网络（WGAN）。WGAN在BCI2000数据集上进行了培训，其中约1500个脑电图记录和45个人的64个渠道。通过三个分类器评估生成的脑电图信号，得出的平均精度提高了。使用特里切特构成距离（FID）测得的生成信号的质量分别为1.345和11.565，分别为眼睛开放和闭合。即使没有光谱或空间损失项，我们的wgan模型也能够模仿脑电图训练数据的光谱和空间特性。在其地形图和功率频谱密度（PSD）图中，wgan生成的数据在封闭式静止和高三角波中的闭合静止和高增量波中的主要α活性反映了。我们的研究证明，通过增强小型数据集以提高分类器的概括性，WGAN在解决BCI开发的有限脑电图数据问题方面的潜力。
考虑尾流效应和内生不确定性的并网风力发电和储能系统容量估算：一种分布稳健方法
摘要 — 风电作为一种绿色能源，正在全球范围内迅速发展，同时，为缓解风电波动性而部署的储能系统 (ESS) 也应运而生。风电和储能系统的容量确定已成为一个亟待解决的重要问题。风电场的尾流效应会导致风速不足和下游风力涡轮机发电量下降，然而，这在电力系统的容量确定问题中很少被考虑。本文提出了一个双目标分布稳健优化 (DRO) 模型，用于确定考虑尾流效应的风电和储能系统的容量。建立了一个基于 Wasserstein 度量的模糊集来表征风电和需求的不确定性。具体而言，风电不确定性受第一阶段确定的风电容量的影响。因此，所提出的模型是一个具有内生不确定性（或决策相关不确定性）的 DRO 问题。为了求解所提出的模型，开发了一种基于最小 Lips-chitz 常数的随机规划近似方法，将 DRO 模型转化为线性规划。然后建立了迭代算法，并嵌入了求取最小Lipschitz常数的方法。案例研究证明了考虑尾流效应的必要性和所提方法的有效性。
具有一般损失功能的重尾SGD算法稳定性
在几项经验研究中，已经报道了随机梯度降低（SGD）中的重尾现象。以前的作品中的实验证据表明，尾巴的重度与SGD的概括行为之间存在很强的相互作用。从理论上讲，为了解决这一经验现象，几项作品做出了强有力的拓扑和统计假设，以将概括误差与沉重的尾巴联系起来。最近，已经证明了新的概括范围，这表明了概括误差和重型尾巴之间的非单调关系，这与报道的经验观察者更相关。尽管可以使用重尾随机微分方程（SDE）对SGD进行建模，但这些界限不需要有条件的拓扑假设，但它们只能应用于简单的二次问题。在本文中，我们在这一研究方面构建，并为更通用的目标功能开发了一般的界限，其中也包括非凸功能。我们的方法是基于重尾sdes及其离散化的范围瓦斯汀稳定性范围，然后我们将其转换为概括界。我们的结果不需要任何非平凡的假设；然而，由于损失功能的一般性，他们对经验观察的启示更加明显。
量子浓度不等式
摘要。我们通过引入众所周知的经典方法的量子扩展，建立了关于量子 Wasserstein 距离的运输成本不等式 (TCI)：首先，我们推广 Do-brushin 唯一性条件，以证明一维交换汉密尔顿量的吉布斯态在任何正温度下都满足 TCI，并提供将此第一个结果扩展到非交换汉密尔顿量的条件。接下来，使用 Ollivier 粗 Ricci 曲率的非交换版本，我们证明任意超图 H = ( V, E ) 上的交换汉密尔顿量的高温吉布斯态满足具有常数缩放的 TCI，即 O ( | V | )。第三，我们论证了通过将 TCI 与最近建立的修正对数 Sobolev 不等式联系起来可以扩大 TCI 成立的温度范围。第四，我们证明，在固定点局部不可区分性条件似乎较弱的情况下，该不等式对于正则格上任意可逆局部量子马尔可夫半群的固定点仍然成立，尽管常数略有恶化。最后，我们使用我们的框架证明了准局部可观测量的特征值分布的高斯集中界，并论证了 TCI 在证明正则和微正则集合的等价性以及对弱本征态热化假设的指数改进方面的实用性。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
实现大脑图像共享：使用生成对抗网络实现具有分割标签的差异化隐私 TOF-MRA 图像
共享标记数据对于获取用于各种深度学习应用的大型数据集至关重要。在医学成像领域，由于隐私法规的原因，这通常是不可行的。虽然匿名化是一种解决方案，但标准技术已被证明是部分可逆的。在这里，使用具有差分隐私保证的生成对抗网络 (GAN) 的合成数据可以成为一种解决方案，既能确保患者的隐私，又能保持数据的预测特性。在本研究中，我们实现了具有和不具有差分隐私保证的 Wasserstein GAN (WGAN)，以生成用于脑血管分割的隐私保护标记的飞行时间磁共振血管造影 (TOF-MRA) 图像块。合成的图像标签对用于训练 U-net，该 U-net 根据来自两个不同数据集的真实患者图像的分割性能进行评估。此外，计算了生成的图像和真实图像之间的 Fréchet 初始距离 (FID) 以评估它们的相似性。在使用 U-Net 和 FID 进行评估时，我们探索了不同隐私级别的影响，该级别由参数 ε 表示。在更严格的隐私保障下，分割性能和 FID 与真实患者图像的相似性会下降。我们最好的分割模型是在合成数据和私人数据上训练的，在脑血管分割范例中，当 ε = 7.4 时，Dice 相似度系数 (DSC) 为 0.75，而当 ε = ∞ 时，Dice 相似度系数为 0.84（第二个测试集上的 DSC 分别为 0.69 和 0.88）。我们确定了一个阈值 ε < 5，对于该阈值，
多模式分布对齐的分层最佳传输
在许多机器学习应用程序中，有必要通过对齐方式有意义地汇总不同但相关的数据集。最佳传输（OT）的方法将姿势比对作为差异最小化问题：目的是使用Wasserstein距离转换源数据集以匹配目标数据集，作为在对齐约束下的分歧度量。我们引入了OT的分层公式，该公式利用数据中的群集结构来改善嘈杂，模棱两可或多模式设置的对齐。为了以数值为单位，我们提出了一种利用sindhorn距离的分布式ADMM算法，因此它具有有效的计算复杂性，该计算复杂性与最大群集的大小四倍地缩放。当两个数据集之间的转换是统一的时，我们提供的性能保证可以描述何时以及如何使用我们的公式恢复群集对应关系，然后描述为这种策略的最坏情况数据集的几何形状。我们将此方法应用于合成数据集，该数据集将数据建模为低级别高斯人的混合物，并研究数据的不同几何特性对对齐的影响。接下来，我们将方法应用于神经解码应用中，其目标是预测猕猴主运动皮层中神经元种群的运动方向和瞬时速度。我们的结果表明，当数据集中存在聚类结构时，并且在试验或时间点之间保持一致，这是一种层次对齐策略，该策略利用这种结构可以提供跨域比对的显着改善。