XiaoMi-AI文件搜索系统
World File Search Systemclustering
喷射聚类的量子算法
识别高能粒子碰撞中形成的喷流需要解决可能大量终态粒子的优化问题。在这项工作中，我们考虑使用量子计算机加速喷流聚类算法的可能性。专注于电子-正电子碰撞的情况，我们考虑一种众所周知的事件形状，称为推力，其最优值对应于一组粒子中最像喷流的分离平面，从而定义两个半球喷流。我们展示了如何将推力公式化为量子退火问题和 Grover 搜索问题。我们分析的一个关键部分是考虑将经典数据与量子算法接口的现实模型。通过顺序计算模型，我们展示了如何将众所周知的 O × N 3 Þ 经典算法加速为 O × N 2 Þ 量子算法，包括从 N 个终态粒子加载经典数据的 O × N Þ 开销。在此过程中，我们还找到了一种将经典算法加速到 O = N 2 log N Þ 的方法，该方法使用受 SISC 单喷射算法启发的排序策略，该算法没有自然的量子对应物。借助并行计算模型，我们在经典和量子情况下都实现了 O = N log N Þ 的缩放。最后，我们考虑将这些量子方法推广到与大型强子对撞机质子-质子碰撞中使用的算法更密切相关的其他喷射算法。
FEC 企业的区域聚集......
这项工作的目的是加强乌克兰燃料和能源综合企业的经济安全。这项工作考虑了根据不同所有制形式的企业实体的地域隶属关系和运作特点将其划分为集群的问题。乌克兰能源综合体地域组织的一个特点不是其生产设施的孤立位置，而是它们中的大多数在能源系统中运作并紧密互连。根据提出的聚类分析、相似性、相关性和欧几里得距离方法，根据所研究的行业进行了地域集群划分。所获得的结果以矩阵表示形式呈现，这有助于调整可能的集群相似性并根据地域接近性和金融活动结果确定它们。进一步的研究致力于确定过去五年内有关以下特征的指标变化：集群的经济增长、与其他集群的互连、集群的金融稳定性和社会经济发展。这有助于概括所分析的数据并确定能源企业的弱点和优势。确定在积极的概括结果中处于领先地位的是黑海集群（34.88/1）和首都集群（30.34/2）和波多利斯基（27.91/3）。负面的是中部（25.15/9）、普里德尼普罗夫斯基（26.09/8）和顿涅茨克（27.26/7）。所获得的结果可以通过五年期间公司财务业绩的多样性以及对关键基础设施的外部影响因素的不断变化来解释。将企业划分为集群的拟议措施旨在进一步维持现有的经济安全水平。它们还旨在保护企业的所有能源生产来源，并进一步更新和/或重建从生产到最终消费者的能源服务链，这应该成为该国的优先发展领域。
多尺度自动调整半监督深度子空间聚类及其在脑肿瘤聚类中的应用
在本文中，我们介绍了一种新颖的多尺度和自动调整的半监督深度子空间聚类（MAS-DSC）算法，旨在解决高维现实世界数据（特别是在医学成像领域）中深度子空间聚类的挑战。传统的深度子空间聚类算法大多是无监督的，其有效利用医学图像中固有的先验知识的能力有限。我们的 MAS-DSC 算法结合了半监督学习框架，使用少量标记数据来指导聚类过程，从而增强了特征表示的判别能力。此外，多尺度特征提取机制旨在适应医学成像数据的复杂性，从而实现更准确的聚类性能。为了解决深度子空间聚类中超参数选择的困难，本文采用贝叶斯优化算法来自适应调整与子空间聚类、先验知识约束和模型损失权重相关的超参数。在ORL、Coil20、Coil100等标准聚类数据集上进行的大量实验验证了MAS-DSC算法的有效性。结果表明，通过多尺度网络结构和贝叶斯超参数优化，MAS-DSC在这些数据集上取得了优异的聚类结果。此外，在脑肿瘤数据集上的测试证明了该算法的鲁棒性，以及其在半监督学习框架下利用先验知识进行高效特征提取和增强聚类性能的能力。
一种多视图聚类的锚点增强策略
近年来，基于锚点的方法在多视图聚类中取得了可喜的进展。这些方法的性能受到锚点质量的显著影响。然而，以前的研究生成的锚点仅仅依赖于单视图信息，忽略了不同视图之间的相关性。特别地，我们观察到相似的模式更有可能存在于相似的视图之间，因此可以利用这种相关性信息来提高锚点的质量，而这同样被忽略了。为此，我们提出了一种新颖的即插即用的通过视图相关性进行多视图聚类的锚点增强策略。具体而言，我们基于对齐的初始锚点图构建视图图来探索视图间相关性。通过从视图相关性中学习，我们使用相邻视图上锚点和样本之间的关系来增强当前视图的锚点，从而缩小相似视图上锚点的空间分布。在七个数据集上的实验结果证明了我们的方法优于其他现有方法。此外，大量的对比实验验证了所提出的锚增强模块应用于各种基于锚的方法时的有效性。
使用量子 k 均值对经典数据进行聚类
摘要 近年来，我们目睹了全球越来越多的设备创建、捕获、复制和使用的数据不可阻挡地增长。对如此大量信息的处理需求促使人们研究更高的计算能力系统和专门的算法。其中，量子计算是一种基于量子理论的有前途的快速计算范式。在某些任务的计算复杂度方面，量子算法有望超越经典算法，机器学习就是其中之一，因此量子机器学习的子领域是最有前途的领域之一。在这项工作中，我们设计了一种用于 k-Means 的混合量子算法。我们算法的主要思想是以量子方式计算输入数据集中记录对之间的距离。我们表明，我们的量子算法原则上可以比经典的 k-Means 更高效，同时获得相当的聚类结果。
知识经济在群体内级别的聚类
3尽管危机和危机后的时期在经济，社会和领土影响方面取决于空间环境，从经济角度来看，西班牙的危机时期发生在2008年至2012年2013年10月2014年。在这三年中，该国见证了经济复苏的缓慢（如宏观经济数据所示，例如GDP，人均GDP和就业增长）。然而，重要的挑战仍有待解决，例如降低风险保费，公共债务和社会空间不平等（由临时工作的数量，高失业水平和相当大的驱逐率证明）。4，10,000名居民的门槛用于区分农村和城市城市。
Dell PowerStore：集群和高可用性
参考 dell.com/powerstoredocs 上的 PowerStore 快速入门指南，确保 PowerStore 系统正确布线。PowerStore 群集中每个设备的每个节点都必须通过绑定端口与其他节点通信（见下图）。允许节点相互通信的网络是名为群集内管理 (ICM) 和群集内数据 (ICD) 网络的内部网络。在多设备 PowerStore 群集中，ICM 和 ICD 网络通过机架顶部交换机网络使用具有自动生成的 IPv6 地址的未标记 VLAN 网络数据包进行通信。群集中的所有设备应位于同一机架或同一数据中心的多个机架中。如果 PowerStore 设备跨多个交换机，请确保在交换机端口上配置了未标记的网络（或本机 VLAN），并在交换机之间共享。不支持在同一园区的不同建筑物中部署群集（也称为延伸群集）。对于单设备集群，从 PowerStoreOS 1.0.2 开始，ICM 网络通过设备内的背板进行通信，而不是通过机架顶部交换机进行通信。在 PowerStoreOS 3.0 单设备集群中，ICM 和 ICD 网络都通过设备的背板进行通信。通过将这些网络从机架顶部交换机移开，可以使用最少的机架顶部交换机配置部署单设备 PowerStore T 系统。
共识聚类，用于鲁棒生物信息学分析
聚类在多种生物信息学应用中起重要作用，包括蛋白质功能预测，种群遗传学和基因表达分析。大多数聚类算法的结果对输入数据的变化，聚类算法及其参数和各个数据集敏感。共识聚类（CC）是聚类算法的扩展，旨在从上述变化来源下不变的那些群集特征构建强大的结果。作为CC的一部分，稳定性得分可以提供所得聚类的可靠性程度的概念。本综述将CC在文献中介绍为三种主要类型，介绍并说明了稳定分数的概念，并说明了在应用中使用CC来模拟和现实的基因表达数据集。Open-source R implementations for each of these CC algorithms are available in the GitHub repository: https://github.com/behnam-yousefi/ConsensusClustering Keywords: Consensus clustering, Ensemble clustering, Robustness, Generation mechanism, Stability score
预测医学消费的聚类分析
摘要。这项研究调查了用于医院中医学消费的机器学习，以优化资源分配和物流。我们使用两种方法：一种结合了多家医院数据的统一方法，以及一种预测个人医院的分离方法。我们根据消费趋势探索了K-均值聚类和手动对聚类。虽然K-均值聚类并未产生改进，但手动夹确定了具有明显增强预测准确性的特定药物对（例如，医院1：MAPE 1：MAPE从19.70％降低到3.30％）。但是，统一的方法并不能始终如一地使所有医院受益（例如，医学9）。这强调了在某些医院的准确性提高与其他医院潜在损失的需求。总体而言，分离方法中的手动聚类显示出希望。未来的工作应探索高级自动聚类技术，例如动态时间扭曲（DTW），并利用较大的数据集进行进一步验证。
使用...
心脏病学中的个性化治疗必不可少的是鉴定患者表型，并解释其与后期治疗后结局的关联，例如在经导管主动脉瓣置换术中。通过无监督的聚类方法获得表型后，一种方法是使用机器学习来预测群集成员资格，以解释定义每个群集的患者特征。在以前的工作中，我们由于易于解释性而使用了决策树，这在捕获数据中的复杂关系方面受到限制。我们通过将Shapley添加说明（SHAP）值与高级机器学习算法集成在一起来缓解此问题。为了展示我们的方法，我们使用来自581位TAVR患者的单中心数据确定了六个不同的患者簇，并使用K-均值进行了各种分类器来对群集成员进行分类，并具有最佳的梯度增强性能（F1得分：0.879）。形状值用于解释集群成员资格，揭示了影响结果的关键特征。例如，肌酐水平和环形区域是高风险表型的重要预测指标。这种基于Shap的方法将模型的复杂性与解释性平衡，从而为患者表型提供了强大的，详细的见解。1。简介