XiaoMi-AI文件搜索系统
World File Search System分类器
采用两种优化相变的全场模式分类器用于高维量子密码学
摘要 高维编码方案已成为执行量子信息任务的一种新方法。对于高维，光子的时间和横向空间模式是此类实验中常用的两个典型自由度。尽管如此，仍然需要用于多结果测量的通用设备来充分利用编码方案的高维特性。我们提出了一种基于进化算法的通用全场模式排序方案，该方案仅由最多两个优化的相位元素组成，可以对方位和径向模式进行联合排序。我们通过高维量子密码学背景下的模拟进一步研究了我们方案的性能，其中在不同的相互无偏基中进行排序和高保真度测量方案至关重要。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
简介：MANET是一项新兴技术，由于其能力在短时间内分析大量数据，因此在各种应用程序中获得了吸引力。因此，这些系统正面临各种安全漏洞和恶意软件攻击。因此，必须设计一个有效，积极和准确的入侵检测系统（IDS）来减轻网络中存在的这些攻击。大多数以前的ID都面临着诸如低检测精度，降低新型攻击形式的效率以及高误报率。目标：为了减轻这些关注点，提出的模型使用COOT优化和MANET的混合LSTM-KNN分类器设计了有效的入侵检测和预防模型，以提高网络安全性。方法：拟议的入侵检测和预防方法由四个阶段组成，例如对攻击节点的正常节点进行分类，预测不同类型的攻击，发现攻击的频率以及预防预防机制。初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。拟议方法的有效性通过一些指标验证，该指标的精度达到96％，执行时间为98％和35秒。结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
利用生成对抗网络增强脑电图可增强跨分类器和样本大小的大脑解码能力
脑电图 (EEG) 在大脑解码方面具有巨大潜力，由于需要大量数据，这一潜力尚未得到开发。机器学习的进步通过数据增强技术（如生成对抗网络 (GAN)）缓解了这种需求。在这里，我们评估了 GAN 可以在多大程度上增强 EEG 数据以提高分类性能。我们的目标是确定哪些分类器可以从 GAN 增强的 EEG 中受益，并估计样本量对 GAN 增强的影响。我们研究了三种分类器——神经网络、支持向量机和逻辑回归，涉及七种样本量，从 5 到 100 名参与者。GAN 增强的 EEG 增强了神经网络和支持向量机的分类能力，但没有增强逻辑回归。此外，随着样本量的增加，GAN 的增强效果会减弱——这表明它对小样本最有效，这可能有助于无法收集大量数据的研究。关键词：EEG、GAN、数据增强、神经网络、支持向量机、逻辑回归
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。
AutoSourceId分类器 - 使用带有空间信息的卷积神经网络的星形 - 加拉克斯分类
1 Department of Astrophysics/IMAPP, Radboud University, PO Box 9010, 6500 GL Nijmegen, The Netherlands e-mail: f.stoppa@astro.ru.nl 2 Center for Astrophysics and Cosmology, University of Nova Gorica, Vipavska 13, 5000 Nova Gorica, Slovenia 3 High Energy Physics/IMAPP, Radboud University, PO Box 9010，6500 Gl Nijmegen，荷兰4 Nikhef，科学园，105，1098 XG阿姆斯特丹，荷兰5.荷兰太空研究所，索邦纳兰2，3584 Ca Utrecht，荷兰8荷兰8天文学研究所，库伊文氏库文氏库素，Celestijnenlaan 200d，3001比利时卢芬，比利时9号卢文9 Astronomy, University of Cape Town, Private Bag X3, Rondebosch 7701, South Africa 11 South African Astronomical Observatory, PO Box 9, Observatory, Cape Town 7935, South Africa 12 Dipartimento di Fisica, Universitá di Trieste, 34127 Trieste, Italy 13 Istituto Nazionale di Fisica Nucleare, Sezione di Trieste，34127意大利Trieste，14 Erlangen Astroparpicle Physics中心，Nikolaus-Fiebiger-STR。2，Erlangen 91058，德国
一种用于跨领域脑电情绪分类的领域自适应稀疏表示分类器
脑机接口（BCI）解读人脑在意识活动过程中的生理信息，建立大脑与外界之间的直接信息传输通道。脑电图（EEG）作为最常见的非侵入式BCI模式，在BCI的情绪识别中起着重要作用；然而，由于EEG信号的个体差异性和非平稳性，针对不同受试者、不同会话和不同设备构建基于EEG的情绪分类器是一个重要的研究方向。领域自适应利用来自多个领域的数据或知识，专注于将知识从源域（SD）转移到目标域（TD），其中EEG数据可能来自不同的受试者、会话或设备。在本研究中，提出了一种新的领域自适应稀疏表示分类器（DASRC）来解决基于EEG的跨域情绪分类问题。为了减少域分布的差异，利用局部信息保留标准将来自SD和TD的样本投影到共享子空间中。在投影子空间中学习一个通用的领域不变字典，从而在 SD 和 TD 之间建立内在联系。此外，还利用主成分分析 (PCA) 和 Fisher 标准来提升学习字典的识别能力。此外，还提出了一种优化方法来交替更新子空间和字典学习。CSFDDL 的比较表明，该方法对于跨受试者和跨数据集的基于 EEG 的情绪分类问题具有可行性和竞争性性能。
Clef 2024 Joker任务2：根据类型和技术使用BERT和随机森林分类器进行幽默分类
抽象的自主机器人用于以人为中心的环境（例如办公室，餐馆，医院和私人住宅）进行协作和合作的任务。这些活动要求机器人以社会可接受的方式吸引人们，即使他们犯了错误。由于技术或环境局限性（例如多模态观测值不匹配），机器人会导致通知失败。虽然无法完全避免这些错误，但仍然有必要最大程度地减少它们。在本文中，我们希望通过使用对比言语和非语言的多个提示来使用讽刺，以允许机器人隐藏其相互作用信号的不确定性。结果表明两种态度之间的某些差异，例如机器人的独立性和自信。
自动QML：通过在灰度图像上使用进化算法的稳健量子启发的分类器的自动生成和培训
提出了一种新的混合系统，用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。定义了动态适应性函数，以获得最小的电路复杂性和最高的观点数据精度，从而确保所提出的技术是可以推广且健壮的。同时，它通过惩罚其外观和门数来最大程度地减少生成电路的复杂性。通过使用二维降低方法来减少图像的大小：主成分分析（PCA），该方法在个人内部编码并由系统进行了遗传优化，以及一个小的卷积自动编码器（CAE）。这两种方法相互比较，并采用经典的非线性方法来理解其行为，并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。