XiaoMi-AI文件搜索系统
World File Search Systemkernel
利用量子多核学习方法
我们提出了一种采用多个内核的量子投影学习 (QPL) 的理论分析，并通过表征误差分析突出其优势。在先前使用单个基于量子内核的方法的研究基础上，我们进一步研究了一种结合多个高斯内核的量子投影框架，用于低资源口头命令识别。我们的实证结果与我们的理论见解一致，表明基于多个内核的方法可以进一步提高 QPL 的性能。通过利用量子到经典的投影输出嵌入，我们将其与原型网络相结合以进行声学建模。当使用 CommonVoice 中的阿拉伯语、楚瓦什语、爱尔兰语和立陶宛语低资源语音进行评估时，我们提出的方法比循环神经网络和基于单个内核的分类器基线平均高出 +5.28%。
适用于 Edge-IoT 的基于微内核的开源操作系统
数据集中器单元 - Energa-Operator SA 的 40K 台设备，从电网中的 200 万台智能电表收集数据（波兰最大的实施）。具有 TCP/IP 通信和多种安全协议（IPSEC、802.1X、TLS）的设备支持 PRIME 1.3.6、PRIME 1.4 PLC 标准。
过滤库Riemannian基于Riemannian的内核支持向量机，用于电动图像解码
摘要。大脑计算机接口（BCI）通过脑电图（EEG）信号实现大脑和外部机器之间的通信，这引起了很多关注。基于运动图像的BCI（MI-BCI）是BCI领域中最重要的范例之一。在Mi-BCI中，可以使用机器学习算法有效地识别运动意图的目标肢体。作为用于电机图像解码的典型机器学习算法，基于Riemannian的内核支持向量机（RK-SVM）算法无法从多频段中提取功能，从而限制了其性能。为了解决此问题，提出了将滤波器基于Riemannian的内核支持向量机（FBRK-SVM）方法，该方法结合了过滤器库结构和基于Riemannian的内核。在两个常用的公共数据集的比较实验中，发现所提出的算法可以产生更高的解码性能，这为运动成像的分类提供了新的选择。
量子内核用于了解量子物质的阶段
经典机器学习已经成功预测了物质的经典相和量子相。值得注意的是，核方法因其提供可解释结果的能力而脱颖而出，将学习过程与物理序参量明确地联系起来。在这里，我们利用量子核。它们与保真度有着天然的联系，因此可以借助量子信息工具来解释学习过程。具体来说，我们使用支持向量机（带有量子核）来预测和表征二阶量子相变。我们解释并理解了使用每个站点的保真度（而不是保真度）时的学习过程。在横向场中的 Ising 链中测试了广义理论。我们表明，对于小尺寸系统，即使在远离临界性的情况下训练，该算法也能给出准确的结果。此外，对于更大的尺寸，我们通过提取正确的临界指数 ν 来确认该技术的成功。最后，我们提出了两种算法，一种基于保真度，一种基于每个站点的保真度，用于对量子处理器中的物质相进行分类。
大脑内核 - Turk-Browne 实验室
功能性磁共振成像 (fMRI) 中的一个关键问题是从嘈杂的高维信号中估计空间活动模式。空间平滑提供了一种规范化此类估计的方法。然而，标准平滑方法忽略了神经活动的相关性在不同的脑区可能以不同的速率下降，或者在解剖或功能边界上表现出不连续性的事实。此外，这种方法没有利用这样一个事实，即相距甚远的脑区可能由于双侧对称或脑区网络组织而表现出强相关性。为了捕捉这种非平稳空间相关结构，我们引入了脑核，一种用于全脑活动模式的连续协方差函数。我们将脑核定义为从 3D 脑坐标到潜在嵌入空间的连续非线性映射，用高斯过程 (GP) 参数化。脑核将体素之间的先验协方差指定为它们在嵌入空间中位置之间距离的函数。 GP 映射以非线性方式扭曲大脑，使高度相关的体素在潜在空间中靠得很近，而不相关的体素则相距很远。我们使用静息状态 fMRI 数据估计大脑内核，并开发一种基于块坐标下降的精确、可扩展的推理方法来克服高维（10-100K 体素）的挑战。最后，我们通过多任务 fMRI 数据集的大脑解码和因子分析来说明大脑内核的实用性。