XiaoMi-AI文件搜索系统
World File Search Systemadversarial
在NISQ时代量子处理器上对AKLT状态的高保真实现
许多现实世界中的问题需要从棘手的多维分布中取样。这些样本可以通过使用蒙特卡洛近似值来估计其统计特性来研究物理系统的行为。通过此类分配进行抽样一直是一个挑战，是通过扰动近似或马尔可夫链蒙特卡洛（MCMC）技术进行的[1]。如果变量强烈耦合并且没有小参数，则无法应用扰动近似，并且使用MCMC方法。为了确保通过MCMC方法生成的样品的渐近精确性，使用了大都市 - 危机算法（MH），该算法（MH）使用模型和目标密度，即使仅知道这些密度仅为比例性恒定，也可以应用。但是，MCMC技术具有其局限性，例如相关样本的产生，阶段过渡期间的临界减速以及较高的仿真成本。在过去的几年中，已经开发了几种基于学习的方法来从此类分布中进行采样。生成对抗网络（GAN）[2-4]和变异自动编码器（VAE）[5，6]在给定的目标分布的给定样本中学到的采样分布中表现出了显着的功效。vaes是近似密度模型，因为它们为样品提供了近似的密度值。gans生成样品，而没有明确估计样品的密度值；因此，它们也称为隐式密度模型。他们两个都不能保证样品的精确性。这些此外，由于它们没有提供精确的模型密度，因此不能使用MH等方法对其进行修改或偏低。另一方面，基于流量的生成模型，例如标准化流（NF）[7，8]明确对目标分布进行建模并提供精确的模型密度值。它们与MH一起用于保证样品的精确性。在物理应用中，人们对通过物理配置（例如，经典磁体的每种自旋的方向）对概率分布进行取样感兴趣，这些分布是通过物理模型进行参数的。这些物理模型取决于一组参数，在以下内容中称为C，例如温度t或耦合常数。例如，在ISING模型和XY模型中，系统的属性取决于温度和最接近的近纽布交换（或包括在内的其他邻居或环形交换）耦合常数。改变这些参数也可以通过相变驱动系统，该相变已通过机器学习技术进行了研究[9-17]。建模此类分布的一种方法是为每个外部参数的每个设置重新训练生成模型。为了研究系统的性质，需要样本来进行外部参数的不同设置。这会导致在不同的环境中反复训练该模型，从而增加培训成本。许多晶格理论已经使用标准化流[18-20]建模。建模此类分布的替代方法是训练以外部参数为条件的生成模型。
使用天气数据模拟通过基于样式的生成对抗网络
在2023年，Pothovoltaic（PV）发电的全球安装能力打破了另一个记录。国际能源机构最近发布了2023年的年度报告显示，去年，全球PV发电的新安装能力约为375 GW，增长了30％以上（Szalóczy等人，2024年）。中国是世界上最大的光伏市场和产品供应商（Fu等，2024）。但是，分布式PV发电的固有间歇性和波动引入了相当大的不确定性，因此需要对PV场景进行建模，以减轻这种不确定性并支持PV行业的增长。在影响PV输出的各种因素中，天气条件在引起光伏生成的爆发和不确定性方面起着重要作用。然而，当前的绝大多数PV场景生成文献都会直接产生PV场景，这可以忽略天气对PV的重要影响（Cai等，2023）。为了说明与天气相关的不确定性并对PV发电模型施加更严格的物理约束，PV方案是通过模拟天气场景模拟的，在模型中既有特定的院子和通用性。因此，开发全年天气情况的随机模拟模型对于为PV发电建模提供准确的天气信息至关重要（Rohani等，2014）。当前的天气生成模型主要依赖于涉及概率计算的数学方法。li et la。提出了一个两阶段的方案。Sparks等。最常见的方法是将天气数据的分布直接拟合概率分布，例如β分布后的阳光强度（Rathore等，2023）和Weibull分布后的风速（Hussain等，2023）。在第一个阶段，天气序列是通过单位多变量天气发生器模拟的，在第二阶段，经验副方法用于重现可变量的相互间隔和相间依赖性以及时间结构（Li等，2019）。理查森（Richardson）基于动态的两参数伽马分布模型和两个参数β分布模型提出了WGEN（Richardson，2018）。WGEN目前是广泛使用的天气生成器模型之一，许多其他天气生成器模型是根据WGEN的改进和扩展而开发的，例如美国农业农业部农业研究服务部开发的小木屋。通过将部分时间序列转换为推断的线性函数模型，提出了一种新颖的方法，将天气变量视为具有时间行为的高斯变量（Sparks
生成对抗网络在基于结构和功能 MRI 的脑部疾病诊断分类中的应用综述
基于结构和功能 MRI（磁共振成像）的机器学习诊断分类一直很有前景，但要发挥其潜力还面临许多障碍。虽然传统的机器学习模型无法捕捉复杂的非线性映射，但深度学习模型往往会过度拟合模型。这是因为神经影像学中存在数据稀缺和类别不平衡的问题；从人类受试者那里获取数据的成本很高，在临床人群中更是如此。由于生成对抗网络 (GAN) 能够通过学习底层分布来增强数据，因此它为这个问题提供了一个潜在的解决方案。在这里，我们提供了 GAN 的方法入门，并回顾了 GAN 在从神经影像数据（例如功能性 MRI）中对精神健康障碍进行分类的应用，并展示了迄今为止取得的进展。我们还强调了尚未解决的方法论和可解释性方面的差距。这为该领域如何向前发展提供了方向。我们认为，由于用户有多种方法可供选择，因此用户与方法开发人员进行互动至关重要，以便后者可以根据用户的需求定制其开发。神经成像领域的方法开发人员和用户之间的这种结合可以丰富该领域。
使用生成对抗网络
准确的湍流预测非常昂贵，因为它需要一个限定时间的时间步骤来推进管理方程以解决快速发展的小规模动作。随着各种机器学习（ML）算法的最新开发，有限的时间预测成为减轻计算负担的有希望的选择之一。然而，对小规模动议的可靠预测具有挑战性。在这项研究中，开发了基于生成对抗网络（GAN）的数据驱动的ML框架的预测网络，用于快速预测湍流，使用相对较少的参数，高精度降至最小的湍流。特别是，我们使用直接的数值模拟数据在有限的交货时间内学习了二维（2-D）腐烂的湍流。开发的预测模型可以在有限的交货时间内准确地预测湍流场，最多是Eulerian积分时间尺度的一半，大规模动作保持相当相关。量表分解用于解释可预测性，具体取决于空间量表，并研究了潜在变量在歧视者网络中的作用。GAN在预测小规模的湍流中的良好性能归因于潜在变量的尺度选择和尺度相互作用能力。此外，通过利用预测网络作为替代模型，开发了一个名为ControlNet的控制模型，以识别驱动流量段的时间演变的扰动模型，以优化指定目标函数的方向。
生成合成生成对抗网络的基于改善清晰度的多光谱卫星图像
摘要。合成的多光谱卫星图像的产生尚未达到其他领域中可达到的质量水平，例如面部图像的产生和操纵。难度的一部分源于需要在此类图像覆盖的整个电磁频谱上生成一致的数据，该图像的辐射分辨率高于多媒体应用中通常使用的图像。与不同波长相对应的图像带的不同空间分辨率提出了其他问题，其主要效果是相对于原始图像，在合成图像中缺乏空间细节。我们建议通过将样式传输应用于13波段Sentinel-2 Level1-C图像，明确认为基于生成的对抗网络的建筑可以生成合成卫星图像。为避免丢失更细的空间细节并改善生成的图像的清晰度，我们引入了一种类似Pansharpening的方法，从而将输入图像的空间结构转移到了样式转移的图像的情况下，而无需引入可见的文物。我们通过应用所提出的架构将贫瘠的图像转化为植被图像，反之亦然，从而得到的结果（res。冬季）图像进入冬季（res。夏季图像，确认了提出的解决方案的有效性。
Nano Medicine的应用和挑战用于COVID ...
应对保险行业股市的非线性，不稳定和复杂性所带来的挑战，我们提出了一种增强的生成性对抗性神经网络的股票预测模型，称为Cal-Wgan-GP。该模型的发电机结合了CNN-BILSTM模型等组件和一种自我发项机制，用于生成股票收盘价的精确预测。包括多层卷积神经网络组成的歧视者的任务是区分发电机产生的股票关闭价格和实际股票收盘价。选择了该模型的概括能力，中国Ping An，中国生活，新华社保险和太平洋保险的库存数据。在数据集构建过程中，相关功能（包括技术指标）都合并为促进该模型，以更好地学习隐藏的数据信息。实验结果表明，Cal-Wgan-GP超过四个评估指标的基线模型：平均平方误差（MSE），均方根平方误差（RMSE），平均绝对误差（MAE）和R-squared（R2），可实现最高的数据拟合程度。
调查了对抗数据泄漏攻击机器学习模型的影响有效性
摘要。机器学习解决方案已在许多方面成功应用，因此现在重要的是要确保机器学习模型本身的安全性并开发适当的解决方案和方法。在这项研究中，我们专注于对抗攻击。这种攻击的向量旨在扭曲机器模型的结果。在这项研究中，我们选择了用于检测物联网网络中异常活动的IOTID20和CIC-IOT-2023数据集。对于此数据，这项工作研究了基于数据泄漏对云服务中部署的ML模型的影响的影响的有效性。该研究的结果强调了不断更新和开发用于检测和防止机器学习领域网络攻击的方法的重要性，实验中的应用程序示例表明了对抗性攻击对IoT网络中服务的影响。
Microsoft Word - 尝试从生成对抗网络的潜在空间生成新的桥梁类型-2024.01.01.docx
摘要：尝试利用生成式人工智能技术生成新型桥梁类型。采用三跨梁桥、拱桥、斜拉桥、悬索桥的对称结构化图像数据集。基于Python编程语言、TensorFlow和Keras深度学习平台框架，以及Wasserstein损失函数和Lipschitz约束，构建并训练生成式对抗网络。从获得的低维桥型潜空间采样，可以生成具有非对称结构的新桥梁类型。生成式对抗网络可以在人类原有桥梁类型的基础上，通过有机地组合不同的结构构件来创建新的桥梁类型。具有一定的人类原创能力。生成式人工智能技术可以开拓想象空间，启发人类。
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。