XiaoMi-AI文件搜索系统
World File Search Systemriemannian
通过收缩理论稳定的模块化控制
我们提出了一种新颖的观点，以将控制理论结果与强化学习（RL）的控制稳定性，鲁棒性和政策转移：为模构架设计部署收缩理论。我们利用收缩理论的模块化来设计坐标转换，该转换可以简化非线性约束，以使稳定性变成可溶解的稳定性，从而在控制网络的输入梯度上产生线性约束。这些约束可以在控制体系结构中实现，因此学习框架保持不变，这是保证控制稳定性的最低侵入性方法。我们还得出相应的理论来表征鲁棒性。为了减轻动态模型的限制和要求，我们提出了一个模块化控制体系结构，包括坐标转换，复合变量和任务空间控制器，可以说很容易与未知环境中的机器人操作进行层次RL集成，并改善其性能。我们在两个模拟的操作场景中演示了我们的结果。这项工作提出了制定建筑设计问题来创建与收缩指标配对的Riemannian空间的潜力。关键字：模块化，收缩理论，增强学习，控制稳定性
脑电图数据的 Stiefel 流形乘积优化
高维脑电图 (EEG) 协方差矩阵的维数降低对于在脑机接口 (BCI) 中有效利用黎曼几何至关重要。在本文中，我们提出了一种新的基于相似性的分类方法，该方法依赖于 EEG 协方差矩阵的维数降低。传统上，通过将原始高维空间投影到一个低维空间来降低其维数，并且仅基于单个空间学习相似性。相反，我们的方法，多子空间 Mdm 估计 (MUSUME)，通过解决所提出的优化问题获得多个可增强类可分性的低维空间，然后在每个低维空间中学习相似性。这种多重投影方法鼓励找到对相似性学习更有用的空间。使用高维 EEG 数据集（128 通道）进行的实验评估证实，MUSUME 在分类方面表现出显著的改进（p < 0.001），并且显示出超越仅依赖一个子空间表示的现有方法的潜力。
用隐藏的高斯图形光谱模型识别振荡性脑网络
识别基于间接观察到的过程的功能网络构成了神经科学或其他领域的反问题。对此类反问题的解决方案估算为第一步，该活动从脑电图或MEG数据中从功能网络中出现。这些脑电图或MEG估计是对功能性脑网络活动的直接反映，其时间分辨率是其他体内神经图像无法提供的。第二步估计了此类活动pseudodata的功能连通性，揭示了与所有认知和行为密切相关的振荡性脑网络。对此类MEG或EEG逆问题的模拟还揭示了由任何最新的反溶液确定的功能连接性的估计误差。我们揭示了估计误差的重要原因，该原因源自将任一个逆解决方案步骤的功能网络模型的错误指定。我们介绍了指定这种振荡性脑网络模型的隐藏高斯图形光谱（HIGGS）模型的贝叶斯识别。在人EEGα节律模拟中，以ROC性能为单位测得的估计错误在我们的HIGG逆溶液中不会超过2％，而最先进的方法中的估计误差则达到20％。猕猴同时发生的EEG/ECOG记录为我们的结果提供了实验性确认，根据Riemannian距离，其一致性比最新的方法高的1/3倍。
EEG 迁移学习竞赛基准
构建用于 EEG 解码的独立于受试者的深度学习模型面临着跨不同数据集、受试者和记录会话的强协变量转移的挑战。我们解决这一困难的方法是使用简单的统计技术以及具有更多表示能力的可训练方法明确对齐深度学习模型各个层的特征分布。这与基于协方差的对齐方法 [1] 类似，后者通常用于黎曼流形上下文 [2]。本文提出的方法在 NeurIPS 会议 2 举办的 2021 年 EEG 迁移学习基准 (BEETL) 竞赛 1 中荣获第一名。竞赛的第一项任务是睡眠阶段分类，这需要将在年轻受试者身上训练的模型转移到对多名年龄较大的受试者进行推理，而无需个性化的校准数据，因此需要独立于受试者的模型。第二项任务需要将在一个或多个源运动想象数据集的受试者上训练的模型转移到两个目标数据集上进行推理，为多个测试对象提供一小组个性化校准数据。
执行和想象的抓握动作可以从分布式非运动脑区的低维表示中解码
中尺度区域，不能捕捉到运动系统的全部信息内容。在这项工作中，我们记录了 8 名癫痫患者的颅内脑电图，包括除中央沟内或相邻电极接触外的所有电极接触。我们表明，执行运动和想象运动可以从非运动区域解码；将所有非运动接触组合成一个低维表示形式，为黎曼解码器提供了足够的信息，使其达到 0.83 ± 0.11 的曲线下面积。此外，通过在执行运动上训练我们的解码器并在想象运动上进行测试，我们证明这两种情况之间存在在 beta 频率范围内共享的分布信息。通过将来自所有区域的相关信息组合成一个低维表示形式，解码器能够在没有初级运动皮层信息的情况下实现较高的解码结果。这种表示形式使解码器对扰动、信号非平稳性和神经组织退化更具鲁棒性。我们的结果表明，超越运动皮层可以为更强大、更多功能的脑机接口开辟道路。
大脑图像合成，无监督的多元规范CSCL4NET
神经科学的最新进展强调了多模式医学数据在研究某些病理和了解人类认知方面的有效性。但是，获得一组不同的模态的完整集受到各种因素的限制，例如长期获取时间，高检查成本和伪影抑制。此外，神经影像数据的复杂性，高维度和异源性仍然是有效地利用现有随机扫描的另一个关键挑战，因为不同机器通常对相同方式的数据进行了不同的测量。显然需要超越传统成像依赖性过程，并从源中综合解剖学特定的目标模式数据。在本文中，我们建议学习使用新型CSCℓ4NET跨内部和模式内变化的专用特征。通过特征图和多元典范适应性中的模态数据的初始统一，CSCℓ4净4净促进了特征级别的相互转换。正定的riemannian歧管 - 惩罚数据限制项进一步使CSCℓ4NET可以根据变换的特征重新构建缺失测量值。最后，最大化ℓ4 -norm沸腾到计算上有效的优化问题。具有较大的实验可以验证我们的CSCℓ4NET的能力和鲁棒性与Multiple数据集中的最新方法相比。
信息几何、Jordan 代数和共轭轨道构造
摘要。Jordan 代数自然出现在 (量子) 信息几何中，我们希望了解它们在该框架内的作用和结构。受 Kirillov 对余伴轨道辛结构的讨论的启发，我们在实 Jordan 代数的情况下提供了类似的构造。给定一个实数、有限维、形式上实数的 Jordan 代数 J ，我们利用由对偶 J ⋆ 上的 Jordan 积确定的广义分布在分布的叶子上诱导一个伪黎曼度量张量。特别是，这些叶子是李群的轨道，李群是 J 的结构群，与余伴轨道的情况类似。然而，这一次与李代数情况相反，我们证明 J ∗ 中并非所有点都位于正则 Jordan 分布的叶子上。当叶子节点包含在 J 上的正线性泛函锥中时，伪黎曼结构就变为黎曼结构，并且对于适当的 J 选择，它与有限样本空间上非正则化概率分布的 Fisher-Rao 度量相一致，或者与有限级量子系统的非正则化忠实量子态的 Bures-Helstrom 度量相一致，从而表明 Jordan 代数数学与经典和量子信息几何之间的直接联系。
量子支持向量机应用于黎曼几何的脑电信号分类
有关量子计算的文献表明，与传统计算相比，量子计算在计算时间和结果方面可能更具优势，例如在模式识别或使用有限的训练集时 [14, 5]。一个无处不在的量子计算库是 Qiskit [1]。Qiskit 是一个在 Apache 2.0 下分发的 IBM 库，它同时提供量子算法和后端。后端可以是本地机器，也可以是远程机器，可以模拟它，也可以是量子机器。Qiskit 对您想要使用的机器类型的抽象使量子算法设计变得无缝。Qiskit 实现了支持向量类分类器的量子版本，称为量子增强支持向量分类器 (QSVC) [10]。在分类任务复杂的情况下，QSVC 可能比传统 SVM 更具优势。任务复杂性随着数据编码为量子态、可用数据的数量和数据质量的提高而增加。在 [6] 中，我们提出量子分类可能对依赖脑电图 (EEG) 的脑机接口具有巨大的潜力。基于这个想法，我们研究了 EEG 信号量子分类的可行性 [7]，通过使用 QSVC 结合黎曼几何 -
通过深度学习优化电动机意图检测
摘要 - 目的：本文展示了对添加功能性电刺激时，从原始脑电图（EEG）信号中检测到来自原始脑电图（EEG）信号的运动图像（MI）的兴趣。还报道了电极蒙太奇和带宽的影响。这项工作的观点是改善全身麻醉期间术中意识的检测。方法：对EEGNET的各种体系结构进行了研究以优化MI检测。它们已与脑部计算机接口的最新分类器（基于Riemannian几何形状，线性歧视分析）和其他深度学习体系结构（深度卷积网络，浅卷积网络）。eeg数据是从22位参与者中测量的，这些参与者有或没有中位神经刺激的运动图像。结果：EEGNET的拟议结构达到了最佳的分类准确性（83.2％）和假阳性速率（FPR 19.0％），用于设置，在运动皮层和额叶上只有六个电极，并且对于通过Median Median Nerve刺激了受试者的扩展4-38 Hz EEG频率。具有较大电极数量的配置导致128个电极的精度（94.5％）和FPR（6.1％）（分别为13个电极的88.0％和12.9％）。结论：目前的工作表明，使用扩展的EEG频带和经过修改的EEGNET深神经网络，当使用少于6个电极（包括额叶通道）时，会增加MI检测的准确性。明显的能力：所提出的方法基于脑电图的MI检测有助于开发脑部计算机界面系统。
二进制方法用于运动象征脑 - 计算机界面分类
摘要 - 成功的运动象征脑 - 计算机界面（MI-BCI）算法要么提取大量手工制作的功能，要么训练分类器，要么在深度卷积的卷积新神经网络（CNNS）内组合特征伸缩和分类。这两种方法通常都会导致一组实用值的权重，在针对紧密资源约束设备上实时执行时会构成挑战。我们为每种方法提出了方法，允许将实价的权重转换为有效推断的二进制数字。我们的第一个方法基于稀疏的躁郁症随机投影，将大量的真实价值的Riemannian协方差投射到二进制空间，在该空间中，也可以通过二进制重量来学习线性SVM分类器。通过调整二进制嵌入的尺寸，我们与具有浅色oat16权重的型号相比，在4级MI（≤1.27％）中达到了几乎相同的精度，但提供了更紧凑的模型，具有更简单的操作以执行。第二，我们建议使用内存增强的神经网络（MANN）进行Mi-BCI，以使增强的内存被二进制。我们的方法使用双极随机投影或学习的投影替换了完全连接的CNN层。我们对Mi-BCI已经紧凑的CNN EEGNET的实验结果表明，使用随机投影可以通过1.28×at in ISO精度将其压缩。另一方面，使用学习的投影可提供3.89％的精度，但记忆尺寸增加了28.10倍。