XiaoMi-AI文件搜索系统
World File Search SystemWasserstein
recugan：一种新颖的生成AI方法，用于合成RF覆盖地图
摘要 - 频率覆盖范围图（RF地图）在无线通信方面是有效的，但是通过现场调查获得它们可能是劳动密集型，有时是不切实际的。为了应对这一挑战，我们提出了Recugan，这是一种基于生成的对抗网络（GAN）生成RF地图的方法。recugan利用信息最大化gan（Infogan）的原理来捕获RF地图的潜在特性，从而实现了无监督的分类和新的和多样的RF地图的生成。与传统方法不同，recugan不需要标记的数据或条件输入，降低复杂性，时间和成本。我们使用基于定制的梯度惩罚剂量（WGAN）功能和基于梯度的损耗功能来增强Recugan目标函数，以稳定训练和准确的地图生成。我们还提供了将多个发电机纳入recugan中的选项，从而使高分辨率的RF地图生成。通过通过实验和仿真数据进行广泛的培训证明，Recugan可以合成各种高质量的RF图，并根据RSS分布对它们进行分类。与基于UNET的有条件GAN（CGAN）相比，Recugan的平均平均百分比误差（MAPE）为1.18％，表现优于CGAN模型，CGAN模型的MAPE为2.5％。索引术语 - 生成对抗网络，RF映射，深神经网络，覆盖范围，AI。
基于物理的野火融合的生成算法...
摘要：野生活动的增加以及产生的影响促使人们开发了高分辨率的野生行为模型，以预测蔓延。使用卫星检测火灾位置的最新进展进一步提供了使用测量结果来改善通过数据同化来改善数值模型的差异预测的机会。这项工作开发了一种具有物理信息的方法，可以从卫星测量中推断野生燃料的历史，从而提供必要的信息，以初始化耦合的气氛 - 从测得的野生野生状态的野生模型。到达时间是到达给定的空间位置的时间，它是野生火灾历史的简洁表示。在这项工作中，经过WRF - SFIRE模拟训练的有条件的Wasserstein生成对抗网络（CWGAN）用于从卫星主动数据中推断出到达的时间。CWGAN用于从给定卫星主动检测的到达时间的条件分布中产生可能到达时间的样本。由CWGAN产生的样品进一步用于评估预测的不确定性。在2020年至2022年之间，对四个加利福尼亚野生火力进行了测试，并将预测与高分辨率机载红外措施进行比较。此外，将预测的点火时间与报告的点火时间进行了比较。平均Sørensen的系数为0.81，用于固定器的周围和32分钟的平均点火时间差表明该方法非常准确。
关联相对熵、最优传输和 Fisher 信息：量子 HWI 不等式
摘要。量子马尔可夫半群表征了一类重要的开放量子系统的时间演化。研究这种半群的收敛性质并确定其不变态的集中性质一直是许多研究的重点。函数不等式的量子版本（如修正的对数 Sobolev 和 Poincar'e 不等式）和所谓的运输成本不等式已被证明对于此目的至关重要。经典函数和运输成本不等式被认为是从称为 Ricci 下界的单个几何不等式通过它们之间的插值不等式产生的。后者称为 HWI 不等式，其中字母 I、W 和 H 分别是 Fisher 信息（出现在修改的对数 Sobolev 不等式中）、所谓的 Wasserstein 距离（出现在运输成本不等式中）和出现在两者中的相对熵（或 Boltzmann H 函数）的首字母缩写。因此，从经典角度来看，上述不等式及其之间的蕴涵构成了一幅非凡的图景，它将来自不同数学领域的元素联系起来，例如黎曼几何、信息论、最优传输理论、马尔可夫过程、测度集中和凸性理论。在这里，我们考虑了 Carlen 和 Maas 引入的 Ricci 下界的量子版本，并证明它意味着量子 HWI 不等式，量子函数和运输成本不等式由此而来。因此，我们的结果表明，经典设置的统一图景可以延续到量子设置。
通过良好的生成流量
我们制定了良好的连续时间生成流量，用于学习通过F-差异的近端正规化在低维歧管上支持的分布。wasserstein-1近端运算符调节f- ddiverences可以比较单数分布。同时，Wasserstein-2近端运算符通过添加最佳运输成本（即动能惩罚）来使生成流的路径正规化。通过均值野外游戏理论，我们表明这两个接近物的组合对于配制良好的生成流量至关重要。可以通过平均场游戏（MFG）的最佳条件，汉密尔顿 - 雅各布（HJ）的系统以及向前连续性偏微分方程（PDE）的最佳条件进行分析，其解决方案表征了最佳生成流。对于在低维流形的学习分布中，MFG理论表明，Wasserstein-1近端解决了HJ终端状况，而Wasserstein-2近端是针对HJ动力学的，这既是相应地向后的PDE系统，都可以很好地置于范围内，并且是一个独特的范围。这意味着相应的生成流也是唯一的，因此即使在学习在低维流形的高维分布方面，也可以以强大的方式学习。通过对持续时间流的对抗训练来学习生成流，这绕开了对反向模拟的需求。我们证明了我们的方法生成高维图像的功效，而无需诉诸自动编码器或专业体系结构。
利用深度生成模型增强基于脑电图的情绪识别的数据增强
摘要 目的. 脑电图 (EEG) 情绪识别中的数据稀缺问题导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发，我们提出了三种增强 EEG 训练数据的方法，以提高情绪识别模型的性能。方法. 我们提出的方法基于两个深度生成模型，变分自编码器 (VAE) 和生成对抗网络 (GAN)，以及两种数据增强方式，即全部使用和部分使用策略。对于全部使用策略，所有生成的数据都会被增强到训练数据集中，而不会判断生成数据的质量；而对于部分使用策略，仅选择高质量数据并附加到训练数据集。这三种方法称为条件 Wasserstein GAN (cWGAN)、选择性 VAE (sVAE) 和选择性 WGAN (sWGAN)。主要结果. 为了评估这些提出方法的有效性，我们对两个用于情绪识别的公共 EEG 数据集（即 SEED 和 DEAP）进行了系统的实验研究。我们首先以两种形式生成逼真的脑电图训练数据：功率谱密度和差分熵。然后，我们用不同数量的生成逼真的脑电图数据扩充原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，使用原始和扩充的训练数据集构建情感模型。实验结果表明，我们提出的基于生成模型的数据增强方法优于现有的数据增强方法，如条件 VAE、高斯噪声和旋转数据增强。我们还观察到，生成的数据数量应小于原始训练数据集的 10 倍才能达到最佳性能。意义。我们提出的 sWGAN 方法生成的增强训练数据集显著提高了基于脑电图的情绪识别模型的性能。
gan和vaes的比较分析在产生高质量的
指标，例如网络大小，培训时间和生成数据的质量。此外，还研究了潜在的数学，并与gan和vaes的理论基础有关。2。相关的生成模型近年来一直是机器学习领域的重要研究的主题，具有生成的对抗网络（GAN）和变异自动编码器（VAE）是两种最广泛使用的技术。几项研究比较了gan和vaes在不同的数据集和应用程序上的性能，其中一些报道了gan的结果更好（Karras等，2019），而其他人则报告了VAE的更好结果（Bowman等，2019）。该领域最有影响力的论文包括Goodfellow等人。的（2014年）引入了GAN框架，以及Kingma and Welling（2014）的VAE框架的引入，这些框架已在随后的作品中广泛引用。Salimans等。的（2016）论文提出了稳定gan训练的技术，例如为发电机和歧视者使用不同的学习率，而Chen等人。（2016）提出了对GAN框架的修改，该修改允许学习可解释的表示形式。Mescheder等。的（2017）论文提出了一个结合了VAE和gans强度的混合模型，以及Arjovsky等。的（2017）论文提出了对GAN框架的修改，该框架将Wasserstein距离用作目标函数，从而进行了更稳定的训练。Kumar等。 3。 每个Kumar等。3。每个的（2019年）论文提出了对GAN框架的修改，该框架在歧视者中引入了瓶颈，从而提高了性能，而Shen等人则进行了改善。的（2020）论文提出了一种在gan的潜在空间中发现可解释方向的方法，从而可以控制生成的图像的特定属性。方法论3.1数据集我们从MNIST数据集中应用了60,000张培训照片和10,000个手写数字的测试图像。
使用fnirs
使用FNIRS测量值的基于内存的工作负载分类已被证明是现实的适应性BCI的理想方法，用于测量人类工作量水平。6在本文中，我们研究了与n个背任务不同条件相对应的FNIR的分类问题（即需要受试者连续记住最后的n∈F1; 2; 2; 3; 3; ：： g快速变化的字母或数字）。我们在前额叶皮层（PFC）上进行了FNIRS测量，已发现这是通过正电子发射断层扫描和功能磁共振成像的与记忆相关任务的相关区域。7，8文献中的大多数n返还分类研究基于对fnirs信号的监督方法，并基于主题内部（即，在单个主题的数据获取的一次试验中）。9 - 11虽然这些研究表现出令人鼓舞的结果，但对于可以适应具有广泛生理条件的不同用户的界面系统而言，受试者和会话依赖的系统是不现实的。为了在BCI中使用，必须基于经验会议（会话逐句对齐）和跨主题（主题对准）基于FNIRS数据的工作负载分类。存在一些挑战，可以使用FNIRS数据妨碍精确的工作负载分类。我们在下面概述了它们，并提出了减轻它们的方法。第一个挑战是本文的主要重点，是处理n-back任务分类的逐项和主题变化。这些问题与机器学习中所谓的域适应性有关。12 - 14更具体地说，来自不同会话或不同主题的数据称为属于不同域，并且跨不同域（数据属于的会话或主题）的数据分布的变化被视为域移动。15由于这种现象，我们从一个领域学到的知识不能直接应用于另一个领域。为了解决这个问题，最佳运输理论和方法的最新进展（OT）16和度量测量空间比对17 - 19可用于将数据与已知标记的n个返回条件从一个会话或一个主题到同一主题或其他主题中的另一个会话的未标记的数据与未标记的数据对齐。尽管已将OT应用于具有潜在性能的域适应性，但是20，21当不存在两个空间之间的有意义的距离概念时，但是两组用于对齐的数据不共享相同的度量空间时，它会受到一定的限制。例如，对于会话逐一比对，由于信噪比较差（SNR），从两个会话中删除了一些FNIRS通道的数据。这将导致两个会话的数据嵌入两个域中的不同维度。幼稚的解决方案是从另一个会话中删除相应的通道，以确保两个会话具有相同的维度。但是，这是导致信息丧失的缺点。第二个挑战是FNIRS信号中的运动伪像。fnirs中的运动伪影通常是由于实验过程中头皮中任何源或检测器的耦合变化。31在本文中，我们提出，使用Gromov - Wasserstein（G-W）18，22和Fused Gromov - Wasserstein（FG-W）Barycenter 23将减轻此问题，并为FNIRS n-BACK任务分类的范围跨域提供算法。这会导致突然增加或减少测得的光强度，并可能影响测得的FNIRS信号。从机器学习的角度来看，运动伪影检测和校正有助于消除主题行为（抽搐，头部移动等）的任何误导性相关性分类模型从FNIRS数据中学到了什么。例如，分类模型可以识别当受试者由于受试者的头部移动而在测量信号中检测到测量信号中的峰值时，将受试者按下按钮作为需求，而不是从脑信号中检测实际的血液动力学反应。已提出了许多方法，灵感来自统计信号处理方法，例如自适应过滤，独立组件分析（ICA）和时频分析，以删除或纠正FNIRS信号中的运动伪影。24 - 30这些技术中的大多数都取决于使用辅助参考信号（例如，加速度计等）或自相间通道，或需要对运动伪影特征和清洁的FNIRS信号的特征进行某些假设。在本文中，我们使用基于稀疏优化的现成方法来自动检测和去除尖峰和台阶异常，即瞬时伪影还原算法（TARA）。
特刊：人工智能中的生成模型及其应用
近年来，人工智能已用于生成大量高质量数据，如图像、音乐和视频。由于不同机器学习技术（如人工神经网络）性能的提高，如此大量的合成数据得以生成。考虑到人们对这一领域的兴趣日益浓厚，最近提出了用于自动数据生成和增强的新技术。例如，生成对抗网络 (GAN) 及其变体是当今该研究领域的流行技术。合成数据的创建也是通过基于进化的技术实现的，例如在多媒体工件创建的背景下。本社论总结了在特刊 (SI)“人工智能中的生成模型及其应用”背景下发表的研究论文。本期特刊由两位客座编辑负责：来自里斯本新大学（葡萄牙）的 Mauro Castelli 和来自的里雅斯特大学（意大利）的 Luca Manzoni。该特刊旨在收集人工智能生成模型领域的新贡献，重点关注它们在解决不同领域复杂的现实问题中的应用。在第一篇论文“Daydriex：将夜间场景转化为夜间日间驾驶体验” [ 1 ] 中，作者提出了一种处理流程，以生成专注于道路视图的增强型日间转换。关键思想是使用与街景服务输入图像相对应的现有日间图像来补充输入图像帧中暗区的缺失信息。第二篇论文“Fake It Till You Make It：有效合成数据生成指南” [ 2 ] 涉及对各种合成数据生成方法的评估。更详细地讲，作者研究了 (i) 数据预处理对生成的合成数据效用的影响，(ii) 在生成监督机器学习模型时是否应对合成数据集进行调整，(iii) 共享初步机器学习结果是否可以改进合成数据模型，以及 (iv) 一种效用度量（倾向得分）是否可以预测在现实生活中使用合成数据生成的机器学习模型的准确性。作者进行的分析有助于定义一些在生成和使用合成数据时应遵循的最佳策略指南。在第三篇投稿“使用多重插补集成和生成对抗网络生成济州传统饮料 Shindari 的合成发酵数据” [ 3 ] 中，作者提出了一个模型，该模型以 Shindari（一种传统的韩国饮料）的不完整表格发酵数据作为输入，并使用多重归纳集成 (MIE) 和生成对抗网络 (GAN) 来生成合成发酵数据，这些数据以后可用于预测和微生物腐败控制。为了生成合成数据，作者使用跳过连接重新建模了表格 GAN，并使用梯度惩罚调整了 Wasserstein GAN 的架构。最后，他们将所提模型的性能与其他归纳和集成模型进行了比较，证明了所提模型适合当前任务。在第四篇投稿“使用形式语法