XiaoMi-AI文件搜索系统
World File Search Systemdistribution
真实世界双场量子密钥分配的相干相转移
量子力学允许通过光学方法分发本质上安全的加密密钥。双场量子密钥分发是实现长距离光纤网络的最有前途的技术之一，但需要稳定双方通信信道的光长。在基于卷轴光纤的原理验证实验中，这是通过将量子通信与周期性稳定帧交错来实现的。在这种方法中，密钥流的较长占空比是以对信道长度的控制较松为代价的，并且在现实世界中使用此技术成功传输密钥仍然是一项重大挑战。利用源自频率计量的干涉测量技术，我们开发了一种同时进行密钥流和信道长度控制的解决方案，并在 206 公里现场部署的光纤上进行了演示，损耗为 65 dB。我们的技术将信道长度变化导致的量子比特误码率降低到 <1%，代表了现实世界量子通信的有效解决方案。
TreePólya拆分分布用于多元计数数据
在本文中，我们开发了一个新的多元分布，该分布适用于计数数据，称为树p´olya拆分。该类是由沿固定分区树的单变量分布和单数多变量分布的组合而产生的。已知的分布，包括Dirichlet-Multinomial，广义的Dirichlet-Multinomial和Dirichlet-Tree多项式，是此类中的特殊情况。正如我们将要证明的那样，这些分布是灵活的，可以在观测水平上建模复杂的依赖性结构（正，负或空）。具体来说，我们通过主要关注边缘分布，段落矩和依赖性结构（协方差和相关性）来介绍树p´olya分裂分布的理论特性。A dataset of abundance of Trichoptera is used, on one hand, as a benchmark to illustrate the theoretical properties developed in this article, and on the other hand, to demonstrate the interest of these types of models, notably by comparing them to other approaches for fitting multivariate data, such as the Poisson-lognormal model in ecology or singular multivariate distributions used in microbiome.
气候变化对伊比利亚半岛栗子的分布和潜在范围的影响
结果和讨论：我们的模型的精度为86.82％，具有高灵敏度（89.91％）和特异性（83.73％）。有利的栗子栖息地与较湿的区域有关，其中包括与年度和季节性降水，最冷的季度温度，土壤pH和年平均温度相关的因素。栗树的最佳条件包括超过800毫米/年的降水量，平均温度在10-15°C范围内。未来的预测表明，栗子的潜在栖息地损失和净初级生产力的略有变化。出处地区表现出不同程度的韧性，地中海地区特别脆弱。我们强调需要制定缓解策略，以面对与气候变化有关的威胁，以促进栗子的弹性。
未出版的草案。紧急福特分布。
围绕花园的HCI研究的重点是帮助个人发展园艺技能（例如[16，52，100]），探索花园的隐藏或未知的方面（例如[14，85，94]），并促进园丁之间的社交联系（例如，[60，87]）。许多研究提出了智能自动化或传感器套件（例如[2，60，87，100]），以通过提供其他信息来提高植物护理的精度，并证明园丁的专业知识[78]。同样提出了利用智能园艺设备的方法来促进社区花园的协作和任务管理[28，30，78]。尽管这些策略有效地支持已经定期参与园艺的个人，但他们没有使对更广泛的人口更容易或可行的园艺参与。正如相关研究所表明的那样，有兴趣的公民的主要障碍超出了缺乏知识或协调的范围[41，82]。尤其是在狭窄的城市环境中，包括缺乏适合城市园艺的空间的可用性（即后院或阳台）[3，21，21，22，22，41，81，82]，繁忙的每日时间表[21，82]，有限的容忍度，对园艺的身体需求有限[41]或Inconsist nimestents nignestents [21] [21] [21] [21] [21] [21]。这些经常结合在一起的情况被证明会阻止对园艺感兴趣的人或以前尝试过重新参与的人[41]。如何利用技术进步来塑造更广泛受众更容易获得的替代城市园艺体验的问题
AI模型调制，带有逻辑重新分布-Zihan Wang
大型型号通常适用于满足模型所有者和用户的各种要求。但是，维护多个专门版本的模型效率低下。 在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。 AIM启用两个关键调制模式：实用程序和焦点调制。 前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。 AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。 我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。 我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。但是，维护多个专门版本的模型效率低下。在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。AIM启用两个关键调制模式：实用程序和焦点调制。前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。
宽发射线类星体的光谱能量分布建模：从X射线到无线电波长
目标。我们使用光学选择的无线电（RL）和射电Quiet Quasars样本（在Redshift范围0.15≤z≤1。9）我们已经与VLA-First Survey目录进一步交叉匹配。我们样品中的来源具有宽Hβ和Mg II发射线（1000 km / s 15 000 km / s）。，我们使用多波长档案数据和Astrosat望远镜的靶向观测来构建了我们宽线类星体的宽波光谱分布（SED）。方法。我们使用最先进的SED建模代码CIGALE V2022.0来对SED进行建模，并确定类星体宿主星系的最佳物理参数；也就是说，他们的恒星形成率（SFR），主要序列恒星质量，散发性，灰尘，电子折叠时间和恒星人口年龄所吸收的光度。结果。我们发现，我们来源的宿主星系的发射在总亮度的20％至35％之间，因为它们主要由中央类星体主导。使用最佳拟合估计值，我们重建了我们的类星体的光谱，这在复制相同来源的观察到的SDSS光谱方面表现出了显着的一致性。我们绘制了我们的类星体的主要序列关系，并注意它们与星形星系的主要顺序显着远离。此外，主要序列关系显示了我们的RL类星体的双峰性，表明Eddington比率隔离的种群。结论。我们得出的结论是，对于类似的恒星质量，Eddington比率较低的样本中的RL类星体往往降低了SFR。我们的分析为研究类星体的宿主星系并从宿主星系角度解决无线电二分法问题提供了完全独立的途径。
融资渠道和企业排放：分配视角
我们使用一个结合了欧盟排放交易系统信息和企业级财务账户的新数据集来研究制造企业的资本结构与碳强度之间的关系。我们的研究结果表明，较高的财务杠杆与企业层面较低的排放强度相关，这主要是由于长期债务，这表明改善此类融资渠道通常有利于企业减排。然而，这种影响因碳强度分布而异。对于碳强度非常高的企业，杠杆率的提高与排放量的大幅减少有关，这表明更好的融资渠道可以促进绿色技术的采用。相反，对于碳效率已经相对较高的企业来说，这种影响就消失了。
流体分布对温跃层储存性能影响的实验研究
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
在黎曼流形上对复杂 EEG 数据分布进行建模，以实现异常值检测和多模态分类
摘要 — 目的：近年来，黎曼几何在脑机接口 (BCI) 中的应用势头强劲。为黎曼 BCI 提出的大多数机器学习技术都认为流形上的数据分布是单峰的。然而，由于高数据变异性是脑电图 (EEG) 的一个关键限制，因此分布可能是多峰的而不是单峰的。在本文中，我们提出了一种新颖的数据建模方法，用于考虑 EEG 协方差矩阵的黎曼流形上的复杂数据分布，旨在提高 BCI 的可靠性。方法：我们的方法黎曼谱聚类 (RiSC) 使用基于测地距离的相似性测量的图来表示流形上的 EEG 协方差矩阵分布，然后通过谱聚类对图节点进行聚类。这允许灵活地在流形上对单峰和多峰分布进行建模。可以以 RiSC 为基础设计异常值检测器（即异常值检测黎曼谱聚类 (oden-RiSC)）和多模态分类器（即多模态分类器黎曼谱聚类 (mcRiSC)）。odenRiSC/mcRiSC 的所有必需参数均以数据驱动的方式选择。此外，无需预设异常值检测阈值和多模态分类模式数。结果：实验评估表明，odenRiSC 可以比现有方法更准确地检测 EEG 异常值，并且 mcRiSC 的表现优于标准单模态分类器，尤其是在高变异性数据集上。结论：odenRiSC/mcRiSC 有望使实验室外的真实 BCI 和神经人体工程学应用更加稳健。意义：RiSC 可以用作稳健的 EEG 异常值检测器和多模态分类器。
对Riemannian歧管上的复杂EEG数据分布进行建模朝外检测和多模式分类
摘要 - 目的：riemannian几何形状用于脑部计算机界面（BCIS）已在纪念百年中获得了动力。针对Riemannian BCIS提出的大多数机器学习技术都会考虑一个人的数据分布是单峰的。但是，由于高数据可变性是脑电图（EEG）的关键限制，因此该分布可能是多模式的，而不是单峰。在本文中，我们提出了一种新型的数据建模方法，用于考虑在EEG协方差矩阵的Riemannian歧管上考虑复杂的数据分布，旨在提高BCI可靠性。方法：我们的方法，riemannian光谱聚类（RISC），代表使用基于地质距离提出的模拟测量的图形上的eeg协方差矩阵分布，然后通过光谱群集将图形节点组成。这允许在歧管上建模单峰和多模式分布。RISC可以用作设计名为Outier检测的离群检测器Riemannian光谱聚类（ODEN-RISC）和名为多模式的多模式分类器Riemannian Spectral spectral clustering（MCRISC）的基础。以数据驱动方式选择Odenrisc/Mcrisc的所有必需参数。越过，无需预先设置离群检测的阈值和多模式分类的模式的数量。结果：实验评估表明，与现有方法相比，Odenrisc可以更准确地检测EEG异常值，而Mcrisc进行了标准的单峰分类器，尤其是在高变异性数据集上。结论：预计Odenrisc/Mcrisc将有助于使现实生活中的BCI在实验室外和神经学应用程序外应用更强大。明显：RISC可以用作强大的EEG Outier检测器和多模式分类器。