XiaoMi-AI文件搜索系统
World File Search Systemdags
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
重新审视树同构：算法bric-à-brac
AHO，Hopcroft和Ullman（Ahu）算法自1970年代以来一直是最先进的状态，以在线性时间确定是否是同构的，无论是两条无序的根树。但是，它已被坎贝尔和拉德福德（Campbell and Radford）（Radford）批评，其书面方式需要理解几个（RE）读数，并且不促进其分析。在本文中，我们提出了对算法的不同，更直观的锻炼，以及实施的三个命题，两种使用分类算法和一个使用Prime乘法。尽管这三种变体都没有承认线性复杂性，但我们表明，实际上有两个与原始算法具有竞争力，同时很容易实施。令人惊讶的是，尽管理论上的复杂性最差，但使用质数（在执行过程中也会生成）乘积（在执行过程中也生成）的算法与最快的变体具有竞争力。我们还适应了AHU的配方，以应对定向无环图（DAG）中树木的压缩。此算法也有三个版本，两个具有排序，一个带有质数乘法。我们的实验最多是10 6的树木，与我们知道的实际数据集一致，并在python中与图书馆Treex一起完成，并专用于树算法。
无需训练的量子架构搜索
变分量子算法（VQA）因其错误恢复能力强和对量子资源需求高度灵活而具有优势，广泛应用于嘈杂的中尺度量子时代。由于 VQA 的性能高度依赖于参数化量子电路的结构，因此值得提出量子架构搜索（QAS）算法来自动搜索高性能电路。然而，现有的 QAS 方法非常耗时，需要电路训练来评估电路性能。本研究首创了免训练 QAS，利用两个免训练代理对量子电路进行排序，代替传统 QAS 中昂贵的电路训练。考虑到基于路径和基于表达力的代理的精度和计算开销，我们设计了一个两阶段渐进式免训练 QAS（TF-QAS）。首先，使用有向无环图 (DAG) 表示电路，并设计基于 DAG 中路径数量的零成本代理来过滤掉大量没有前途的电路。随后，使用基于表达能力的代理来精细地反映电路性能，从剩余的候选电路中识别出高性能电路。这些代理无需电路训练即可评估电路性能，与当前基于训练的 QAS 方法相比，计算成本显著降低。在三个 VQE 任务上的模拟表明，与最先进的 QAS 相比，TF-QAS 实现了采样效率的大幅提高，提高了 5 到 57 倍，同时速度也提高了 6 到 17 倍。
贝叶斯因果图和不确定性定量中的实习和博士位置 - 应用于同步线的光线上的异常检测
DALLIAE项目旨在提出一种基于因果（贝叶斯）图[4，5]的通用方法，以检测光束线实验期间的异常及其可解释性。在因果图中，我们将特别关注定向的无环图（DAG）[1]。目标是引入层次因果图，并利用替代因果模型的概念来识别最相关的简单（单参数）和关节（Pa-Rameter组合）因果关系，这些因果链接表征了异常原因的原因。这种方法是必不可少的，这是由于仪器的多尺度性质和完整的梁线，这需要对不同尺度上的因果关系有细微的理解。我们还将专注于量化与已确定的因果链接相关的不确定性，以确保其相关性。由于各种工具，参数[1，3]，在实验[2]中的修改，关节效应的组合数量以及数据中异常代表性不足，因此对因果关系的搜索更加困难。在实践中，此方法将限制主要X射线或激光器仪器的操作异常的影响，以了解光束特性与光束线光学元件的物理参数之间的联系。可以随着时间的推移观察到突然的或慢的异常/变化，例如聚焦畸变直接影响测量的质量和速度。尽管AI文献中有许多异常检测方法，但它们通常基于相关性，这在传达因果关系方面无效。因此，理解和征询这些故障的原因以及与最佳测量链性能的偏差对于快速响应和梁线或激光器操作的最大可靠性至关重要。因此，该项目的目的是根据因果图提出可解释的AI，以支持光束线操作员和科学家。任务是开发基于因果关系的模型来确定涉及异常的传感器参数。该方法将补充在合适的时间范围内进行纠正措施的诊断工具。因此，可以将工作分为以下任务：