XiaoMi-AI文件搜索系统
World File Search Systemepochs
量子人工智能密码分析
摘要：随着量子计算机的不断发展，各种量子人工智能技术的研究正在进行中。与传统计算机上的深度学习相比，量子人工智能可以提高准确性和内存使用率方面的性能。在这项工作中，我们提出了一种攻击技术，该技术通过将量子人工智能应用于密码分析，通过学习密码算法中的模式来恢复密钥。密码分析是在当前实际可用的量子计算机环境中进行的，据我们所知，这是世界上第一项研究。结果，我们减少了 70 个时期，并将参数减少了 19.6%。此外，尽管使用了较少的时期和参数，但仍实现了更高的平均 BAP（位准确率）。对于相同的时期，使用量子神经网络的方法以更少的参数实现了 2.8% 更高的 BAP。在我们的方法中，使用量子神经网络获得了准确性和内存使用方面的量子优势。预计如果未来开发出更大规模的稳定量子计算机，本文提出的密码分析将得到更好的利用。
使用具有联合分布自适应和流形正则化的在线选择性传输 TSK 模糊分类器根据 EEG 信号对癫痫发作进行分类
为了识别癫痫患者的异常脑电图 (EEG) 信号，在本研究中，我们提出了一种基于联合分布自适应和流形正则化的在线选择性转移 TSK 模糊分类器。与大多数现有的转移分类器相比，我们的分类器有自己的特点：（1）来自源域的标记 EEG 时期不能准确表示目标域中的原始 EEG 时期。我们的分类器可以利用目标域中很少的校准数据来诱导目标预测函数。（2）联合分布自适应用于最小化源域和目标域之间的边缘分布距离和条件分布距离。（3）使用聚类技术选择源域，从而降低分类器的计算复杂度。我们根据波恩大学提供的原始 EEG 信号构建了六种传输场景来验证我们分类器的性能，并引入四个基线和一个传输支持向量机 (SVM) 进行基准研究。实验结果表明，我们的分类器获得了最佳性能并且对其参数不太敏感。
比较车辆中的yolov5和yolov8性能...
摘要印度尼西亚道路上的移动车辆数量每年都在增加。因此，出于各种原因，必须验证这些车辆的身份，包括找到被盗的车辆，执行交通法，管理停车场和收集通行费。然而，手动检查这些大量车辆是一项具有挑战性的任务。机动车辆板板检测和识别在智能运输系统中起着至关重要的作用。通常，在机动车上的数字板的检测和识别需要三个主要阶段。基于机器学习的对象检测是一系列可以自动识别并在图像或视频中定位对象的算法的范围。这些模型利用多层处理单元从输入数据中提取复杂的特征，从而提高了对象检测目的的总体效率。Yolo算法是一种流行的对象检测算法，可以使用自定义数据集实时从图像或视频中检测对象。在这项研究中，我们直接比较了Yolov5和Yolov8模型，这些模型接受了平等的训练时期，达到了稳定性，并使用了具有图像大小为640、100时代，Val 200和批次16的超参数。
从弗洛伊德到处方数字治疗
心理治疗从弗洛伊德到数字循证治疗的演变反映了进步的史。此历史的特征是鉴定出目前的最新问题，然后是受到基础科学和技术进步的启发和支持的解决方案，从而导致随后认识到新进步所揭示的其他局限性。在此过程中运行的共同线程是（a）增加心理治疗干预措施的特定问题，（b）越来越多的证据证明了效果和安全性的提高，（c）增加干预措施的完整性和可靠性，（d）增加访问权限的平等，以及（e）对公共产品的识别，以保护公众或无效的产品，以保护无效的产品。毫不奇怪，这种心理治疗的演变已经被药理治疗进化的前体历史预示了。尽管智力历史是笨拙的，并且没有将自己分类为离散和连贯的时代，但这种分类对于描述医学和治疗企业的进步是有用的启发式方法。本文将讨论六个连续的心理治疗时期。对于每个人，它将讨论它试图解决的上一个时代的问题，它带给了领域的进步，支持这一进步的新兴科学和技术以及预示了该时期心理治疗时期的药理学治疗中的前体发展。最后，它将以对近亲未来的一些观察结论。
通过交叉研究实现医疗保健领域的高效表征学习...
在医疗保健和生物医学应用中，极端的计算要求对采用表示学习构成了重大障碍。表示学习可以通过从有限的医疗数据中学习有用的先验来提高深度学习架构的性能。然而，最先进的自监督技术在使用较小的批量或较短的预训练时间时性能会降低，这在临床环境中更为实用。为了应对这一挑战，我们提出了跨架构-自监督（CASS）。这种新颖的暹罗自监督学习方法协同利用 Transformer 和卷积神经网络（CNN）进行高效学习。我们的实证评估表明，CASS 训练的 CNN 和 Transformer 在四个不同的医疗保健数据集上的表现优于现有的自监督学习方法。仅使用 1% 的标记数据进行微调，CASS 实现了 3.8% 的平均提升；使用 10% 的标记数据，它获得了 5.9%；而使用 100% 标记数据，其性能提升显著，达到 10.13%。值得注意的是，与最先进的方法相比，CASS 将预训练时间缩短了 69%，使其更适合临床实施。我们还证明，CASS 对批次大小和预训练周期的变化具有更强的鲁棒性，使其成为医疗保健应用中机器学习的合适候选者。
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。
一种新型的深度学习方法，使用Alexnet在阿尔茨海默氏病和轻度认知障碍中对脑电图分类
摘要 - 阿尔茨海默氏病（AD）是痴呆症的最常见形式。轻度认知障碍（MCI）是描述前驱AD的阶段的术语，代表了早期AD诊断中的“危险因素”，这是由于老龄化引起的正常认知能力下降。脑电图（EEG）已被广泛研究以进行AD表征，但可靠的早期诊断继续提出挑战。这项研究的目的是使用EEG衍生的功能图像和深度学习技术引入AD患者，MCI受试者和年龄匹配的健康对照组（HC）受试者之间进行分类的新型方法。将141名年龄匹配受试者（52 AD，37 MCI，52 HC）的EEG记录转换为2D灰度图像，代表21 EEG通道之间的Pearson相关系数和距离LEMPEL-ZIV复杂性（DLZC）。每种特征类型都是从原始记录中分割的1s，2s，5s和10s的EEG时期计算的。CNN体系结构ALEXNET已修改并用于这项三向分类任务，并使用70/30拆分进行训练和验证，并使用每个不同的时期长度和EEG衍生的图像进行验证。使用来自10S时期的DLZC衍生图像作为模型的输入获得了73.49％的最大分类精度，但使用从Pearson相关系数和5S时期获得的图像达到了98.13％的分类精度达到98.13％。
rank-1 CNN用于脑电图的心理工作负载分类
脑计算机界面（BCIS）可以分为两种主要类型：主动和被动BCI（Clerc等人2016）。当系统使用用户非自愿生成的信号时，BCI可以被动。更具体地说，这种类型的BCI经常用于评估执行不同心理需求的各种任务的用户的心理工作量，尤其是脑电图（EEG）（EEG）（Wang等人。2015，Adryou等。2018，Shalchy等。 2020）。 在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。 这取决于事先收集了标记的数据。 但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。 为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。 为此挑战提供的数据集（Hinss等人 2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。 每个会话都在不同的困难的块中分解：简单，中和困难。 提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。2018，Shalchy等。2020）。在大多数情况下，这些系统是使用分类器构建的，该分类器将大脑信号分为不同类别。这取决于事先收集了标记的数据。但是，这些系统通常是在火车和测试集都具有已知标签的实验室环境中开发的。为神经经济学的2021会议组织的“大挑战：被动BCI Hackathon”可以通过被动BCI的真实情况来挑战研究人员：从看不见的会话中分类数据，并掩盖了标签，以防止在测试集中进行任何细微的调谐。为此挑战提供的数据集（Hinss等人2021）由15个参与者的脑电图记录组成，这些参与者在3个不同的会议中进行了3个不同的会议，由NASA开发的多属性任务电池II（MATB-II）。每个会话都在不同的困难的块中分解：简单，中和困难。提供的数据包括来自这些块的2秒钟（采样频率为250 Hz），每个会话总共447个时代和每个参与者。难度标签仅在两个初次会议上提供。
为了验证地球方向矩阵计算器的结果，我们进行了多项测试。首先，以下参考资料中记录了几个验证测试用例（也列在 http://ren.usno.navy.mil/refs/generalrefs.txt 中）：
下图 1 显示，当不使用地球方向参数 (EOP) 信息时，与巴黎天文台的一致性非常好 —— 均方根约为 26 微弧度，1 西格玛。为了获得这一结果，选择了 2009 年的数百个随机时期，并获取并比较了 USNO 和 PO 变换矩阵。我们在巴黎天文台的同事怀疑差异是由于 PO 使用的软件对进动率有不同的结果，而 PO 正计划更新其软件。一旦获得这些变化和其他可能的信息，将重新进行比较。
