XiaoMi-AI文件搜索系统
World File Search System内核
基于内核的非线性流形学习
基于内核的非线性流形学习，用于基于脑电图的功能连通性分析和渠道选择，并应用于阿尔茨海默氏病Gunawardena，R.，Sarrigiannis，P。G.，Blackburn，D。J.＆he，F。出版了PDF，存放在考文垂大学的存储库原始引用：Gunawardena，R，R，Sarrigiannis，PG，Blackburn，DJ＆HE，F 2023，'基于内核的非线性流动性学习，用于EEG基于EEG的功能连接分析，并适用于Alzheimer's Disean's Neurosience，Neurosience，vol，vol。523，pp。140-156。 https://dx.doi.org/10.1016/j.neuroscience.2023.05.033 doi 10.1016/j.neuroscience.2023.05.033 ISSN 0306-4522 ESSN ESSN 1873-7544出版商：Elsevier出版商：Elsevier：Elsevier这是CC BID-NC-ND-NC-ND DD（ http://creativecommons.org/licenses/by-nc-nd/4.0/）
使用移动机器人的内核密度估计
摘要 - 在许多机器人应用中重建三维（3D）场景至关重要。机器人需要识别哪些对象及其位置和形状，以通过给定的任务精确地操纵它们。移动机器人，尤其是通常使用轻质网络在RGB图像上细分对象，然后通过深度图进行定位；但是，他们经常会遇到掩盖物体过度掩盖的分布场景。在本文中，我们通过使用非参数统计方法来完善分割错误来解决3D场景重建中的跨分割质量的问题。为了提高掩模的精度，我们将预测的遮罩映射到深度框架中，以通过内核密度估算它们的分布。然后，对异常值进行深度感知的拒绝，而无需以自适应方式进行额外的pa-rameters，以使其分布外情景，然后使用投影签名的距离函数（SDFS）进行3D重建。我们在合成数据集上验证了我们的方法，该方法显示了全景映射的定量和定性结果的改进。通过现实世界测试，结果还显示了我们方法在实体机器人系统上部署的能力。我们的源代码可在以下网址提供：https：//github.com/mkhangg/refined Panoptic映射。
夸克：量子应用重构内核
D-Wave 已经围绕其量子退火器提供了一个广泛的软件库，并且已经实现了几个转换步骤 [3]。我们不想与 D-Wave 的 API 竞争，而是希望以专注于原始问题的实例中心方法与之相伴。我们简化所提供功能的一个具体示例是处理次数大于 2 的多项式，这只能通过 D-Wave API 通过绕行获得，参见 [3]，这意味着用户需要了解结构差异。在 quark 中，不需要其他任何内容，只需要基类。随着从约束问题到无约束问题的步骤，引入了具有相应惩罚项的约简变量，从而自动降低多项式的次数。
夸克：量子应用重构内核
一般来说，首先要实现一个实例，即问题定义参数的容器，如图 2 中的单元格 2 所示。从该实例构建 ConstrainedObjective，它是一个处理实例数据以获取目标函数和约束集合的工厂，参见单元格 3。然后可以将后者自动转换为相应的惩罚目标项，这些惩罚目标项与实际目标函数一起包含在 ObjectiveTerms 中。目标项的加权和形成 Objective，即最终的 Ising/QUBO 问题。上述步骤均在单元格 5 中执行，从使用单元格 4 中定义的参数实例化具体实例开始。
roket：最佳基于运输的内核回归
kerstst。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 KOT_SIM_AGG。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 3 kot_sim_make。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。2 KOT_SIM_AGG。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 kot_sim_make。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 kot_sim_ot。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 kot_sim_reg。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 run_myot。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 run_myots。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6
自动有效发现量子内核
摘要 - 量词计算可以通过启用内核机器来利用量子kernels来代表数据之间的相似性度量来增强机器学习模型。量子内核能够捕获在经典设备上无法有效计算的数据中的关系。但是，没有直接的方法可以针对每个特定用例设计最佳量子内核。我们提出了一种方法，该方法采用了与神经体系结构搜索和自动化中使用的技术相似的优化技术，以启发式方式自动找到最佳内核。为此，我们定义了用于构建实现相似性度量作为组合对象的量子电路的算法，该算法是根据成本函数进行评估的，然后使用元效法优化技术进行了迭代修改。成本函数可以启用许多标准，以确保候选解决方案的有利统计属性，例如动态LIE代数的等级。重要的是，我们的方法独立于采用的优化技术。通过在高能物理问题上测试我们的方法获得的结果表明，在最佳情况下，我们可以相对于手动设计方法匹配或提高测试准确性，表明我们技术的潜力可以减少努力来提供卓越的结果。
物理知识的机器学习作为内核方法
物理知识的机器学习结合了基于数据的方法的表现力和物理模型的解释性。在这种情况下，我们考虑了一个通用回归问题，其中经验风险是通过定量物理不一致的部分微分方程正规化的。我们证明，对于线性差异先验，该问题可以作为内核回归任务提出。利用内核理论，我们得出了正规风险的最小化器ˆ f n的收敛速率，并表明ˆ f n至少以sobolev minimax速率收敛。但是，根据物理错误，可以实现更快的速率。以一维的例子为例，说明了这一原则，支持以物理信息将经验风险正规化可以对估计器的统计绩效有益的说法。关键字：物理知识的机器学习，内核方法，收敛速率，物理正则化
大型内核神经网络上的数字建模
摘要。最近使用的深神经网络（DNN）是通过计算单元（例如CPU和GPU）物理部署的。这样的设计可能会导致重大的计算负担，显着的延迟和密集的功耗，这是物联网（IoT），边缘计算和无人机的使用等应用的关键限制。光学计算单元（例如，超材料）的最新进展揭示了无势能和光速神经网络。但是，超材料神经网络（MNN）的数字设计从根本上受到其物理局限性的限制，例如精确，噪声和制造过程中的带宽。此外，未通过标准的3×3卷积内核完全探索MNN的独特优势（例如，光速计算）。在本文中，我们提出了一种新型的大核超材料神经网络（LMNN），该神经网络（LMNN）最大程度地利用了最先进的ART（SOTA）MNN的数字能力（SOTA）MNN，并通过模型重新参数和网络压缩，同时也考虑了光学限制。新的数字学习方案可以在建模元元素的物理限制时最大化MNN的学习能力。使用拟议的LMNN，可以将卷积前端的计算成本用于制造的光学硬件。两个公开可用数据集的实验结果表明，优化的混合设计提高了分类准确性，同时降低了计算潜伏期。提出的LMNN的发展是朝着无能和光速AI的最终目标迈出的有前途的一步。
物理知识的机器学习作为内核方法
物理知识的机器学习结合了基于数据的方法的表现力和物理模型的解释性。在这种情况下，我们考虑了一个通用回归问题，其中经验风险是通过量化物理不一致的部分微分方程正规化的。我们证明，对于线性差异先验，该问题可以作为内核回归任务提出。利用内核理论，我们得出了正规风险的最小化器ˆ f n的收敛速率，并表明ˆ f n至少以sobolev minimax速率收敛。但是，根据物理错误，可以实现更快的速率。以一维示例说明了这一原则，支持以物理信息为正规化经验风险的说法对估计器的统计性能有益。关键字：物理知识的机器学习，内核方法，收敛速率，物理正则化