XiaoMi-AI文件搜索系统
World File Search System动态图
![arxiv：2308.10183v1 [Quant-ph] 2023年8月20日](/simg/g:\will\search\icon\source\d\de8ecfdce24dc123a9a4c15fbac2e5594ff0b287.webp)
arxiv：2308.10183v1 [Quant-ph] 2023年8月20日
研究了开放量子系统中具有一般参数的动态图的耗散量子渔民信息（DQFI），可以将其视为Liouville空间中量子渔民信息（QFI）的类似物。我们首先在liouville空间中得出了一般的耗散发生器，并根据其分解形式，发现DQFI源自两个部分。一个是Liouvillian Supermatrix对估计参数的特征值的依赖性，该参数显示了线性依赖性。另一个是特征向量与估计参数的变化。这一部分和时间之间的关系呈现出丰富的特征，包括谐波振荡，纯指数增益和衰减以及指数增益和振荡类型的衰减，这些振动类型特别依赖于Liouville Spec-Trum的性质。这与传统发电机的形成鲜明对比，在传统发生器的情况下，仅看到振荡依赖性。此外，我们通过玩具模型来说明理论：带有自旋流噪声的两级系统。尤其是通过使用DQFI，我们证明了在liouvillian的特殊点上无法获得特殊估计精度。
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
伪数的数量产生来自嵌入在微控制器中的维也纳振荡器刺激的约瑟夫森连接
摘要。本文给出了WIEN桥振荡器（JJSWBO）刺激的Josephson结数（PRNG）的推导及其微控制器验证。通过JJSWBO的数值研究，构成系统参数的不同坐标空间中的百科全书动态图明确阐述了呈现最大Lyapunov指数（GLE）的系统的全局行为。混乱的行为被捕获，以大于零的GLE，而GLE的周期性行为小于零。此外，分叉特征暴露了可周期性的振荡和可周期性的周期性振荡，可周期性的兼诊途径，可与可混乱的混乱途径，可行的常规行为的拦截以及可混乱的表现，共存的吸引者，单稳定的混乱动力学和内在的现象现象。提出了JJSWBO的微控制器验证（MCV），以验证数值仿真结果。从描述JJSWBO的混沌方程式，设计了一个线性反馈移位寄存器（LFSR）作为后处理单元的PRNG。通过使用NIST 800-22测试套件成功测试了来自建议的基于JJSWBO的PRNG的生成二进制数据的随机性。此结果有助于确认JJSWBO对加密方案和其他基于混乱的应用程序的适用性。
EmT：一种用于跨受试者广义脑电图情绪识别的新型 Transformer
摘要 — 将神经生理学的先验知识整合到神经网络架构中可提高情绪解码的性能。虽然许多技术都强调学习空间和短期时间模式，但对捕捉与情绪认知过程相关的重要长期背景信息的重视程度有限。为了解决这一差异，我们引入了一种称为情绪变换器 (EmT) 的新型变换器模型。EmT 旨在在广义跨受试者脑电图情绪分类和回归任务中表现出色。在 EmT 中，脑电图信号被转换成时间图格式，使用时间图构造模块 (TGC) 创建一系列脑电图特征图。然后提出了一种新颖的残差多视图金字塔 GCN 模块 (RMPG) 来学习该系列中每个脑电图特征图的动态图表示，并将每个图的学习到的表示融合成一个标记。此外，我们设计了一个时间上下文变换器模块 (TCT)，它有两种类型的标记混合器来学习时间上下文信息。最后，任务特定的输出模块 (TSO) 生成所需的输出。在四个公开数据集上的实验表明，EmT 在 EEG 情绪分类和回归任务中都取得了比基线方法更高的结果。代码可在 https://github.com/yi-ding-cs/EmT 上找到
基于图神经网络的图形结构SFC的节能VNF部署，并限制了深度强化学习
摘要 - 网络函数虚拟化（NFV），该函数将网络函数从硬件中解除，并将其转换为独立于硬件的虚拟网络函数（VNF），是许多新兴网络域，例如5G，Edge，Edge Computing和Data-Center网络。服务功能链（SFC）是VNF的有序集。VNF部署问题是在SFC中找到最佳的部署策略VNF，同时保证服务级协议（SLA）。现有的VNF部署研究主要关注无能量考虑的VNF序列。但是，随着用户和应用程序要求的快速开发，SFC从序列到动态图，服务提供商对NFV的能源消耗越来越敏感。因此，在本文中，我们确定了能节能的图形结构的SFC问题（EG-SFC），并将其作为组合优化问题（COP）提出。受益于COP机器学习的最新进展，我们提出了一个基于约束深度强化学习（DRL）方法的端到端图神经网络（GNN）来求解EG-SFC。我们的方法利用图形卷积网络（GCN）表示DRL中的双重Q-Network（DDQN）的Q网络。提出了掩模机制来处理COP中的资源约束。实验结果表明，所提出的方法可以处理看不见的SFC图，并且比贪婪的算法和传统DDQN更好地表现出更好的性能。
利用时空注意力机制学习大脑连接组的动态图形表征
大脑各区域之间的功能连接 (FC) 可以通过用功能神经成像模式测量的时间相关程度来评估。基于这些连接构建网络的事实，基于图的大脑连接组分析方法为人类大脑的功能提供了见解。能够从图结构化数据中学习表示的图神经网络 (GNN) 的发展，导致人们对学习大脑连接组的图形表示的兴趣日益浓厚。尽管最近将 GNN 应用于 FC 网络的尝试已显示出有希望的结果，但仍存在一个常见的限制，即它们通常不包含随时间波动的 FC 网络的动态特性。此外，一些尝试使用动态 FC 作为 GNN 输入的研究报告称，与静态 FC 方法相比，性能有所下降，并且不能提供时间上的可解释性。在这里，我们提出了 STAGIN，一种使用时空注意来学习大脑连接组的动态图形表示的方法。具体来说，将脑图的时间序列输入到 STAGIN 以获得动态图表示，而新颖的 READOUT 函数和 Transformer 编码器分别提供具有注意力的空间和时间可解释性。在 HCP-Rest 和 HCP-Task 数据集上的实验证明了我们提出的方法的卓越性能。时空注意力的分析还提供了与神经科学知识的并发解释，这进一步验证了我们的方法。代码可在 https://github.com/egyptdj/stagin 获得
偏振光谱中的原子自旋的量子控制和测量
量子控制和测量是同一枚硬币的两面。要影响动态图，必须将精心设计的时间相关控制场应用于感兴趣的系统。要读出量子态，必须将有关系统的信息传输到探测场。我们研究了这种双重作用的一个特定示例，即通过与非共振光学探针的光移相互作用对原子自旋进行量子控制和测量。通过引入不可约张量分解，我们确定了光场的斯托克斯矢量与原子自旋态矩的耦合。这表明偏振光谱如何用于随时间演变的原子可观测量的连续弱测量。同时，探测场引起的状态相关光移可以驱动自旋的非线性动力学，并可用于在原子上产生任意的幺正变换。我们重新审视主方程的推导，以便在非线性动力学和光子散射的情况下给出自旋动力学的统一描述。基于这种形式，我们回顾了量子控制的应用，包括状态到状态映射的设计，以及通过对动态控制集合进行连续弱测量进行量子态重建。2009 Elsevier BV 保留所有权利。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
使用时间相关图
摘要 - 网络威胁的快速发展已经超过了传统的检测方法，需要创新的措施，能够解决现代对手的适应性和复杂性。一个新颖的框架是构造的，利用时间相关图来建模恶意操作中固有的复杂关系和时间模式。该方法动态捕获的行为异常，提供了一种可靠的机制，可在实时场景中区分良性和恶意活动。广泛的实验证明了该框架在各种勒索软件家族中的有效性，其精度，召回和总体检测准确性始终如一。比较评估强调了其比传统的基于签名和启发式方法更好的表现，尤其是在处理多态性和以前看不见的勒索软件变体方面。该体系结构的设计考虑到可扩展性和模块化，确保与企业规模环境的兼容性，同时保持资源效率。对加密速度，异常模式和时间相关性的分析提供了对勒索软件运营策略的更深入的见解，从而验证了该框架对不断发展的威胁的适应性。该研究通过整合动态图分析和机器学习来推进网络安全技术，以在威胁检测中进行未来的创新。这项研究的结果强调了改变组织检测和减轻复杂网络攻击的方式的潜力。
通道和特征识别：综述以及基于机器学习的大规模特征提取模型，用于情绪和自闭症分类
自闭症谱系障碍 (ASD) 的特征是社交和认知技能受损、情绪障碍、焦虑和抑郁。传统的 ASD 诊断过程冗长，迫切需要早期进行有意义的干预。最近，不同的研究提出了通过使用深度神经网络 (DNN) 和机器学习算法进行情绪预测来进行 ASD 诊断和干预的潜力。然而，这些系统缺乏通过多个基准数据集进行广泛的大规模特征提取 (LSFE) 分析。需要进行 LSFE 分析来识别和利用最相关的特征和通道进行情绪识别和 ASD 预测。考虑到这些挑战，我们首次分析和评估了一个广泛的特征集，以使用 LSFE 和特征选择算法 (FSA) 选择最佳特征。使用不同的最佳情况 FSA 确定了一组最多八个最合适的通道。还确定了通道和特征的主体重要性。所提出的方法使用线性支持向量机 (LSVM) 分类器进行情绪预测时，最佳准确率、精确率和召回率分别为 95%、92% 和 90%。它还为 ASD 分类提供了 100% 的最佳准确率、精确率和召回率。这项工作利用了文献中迄今为止报告的最大数量的基准数据集 (5) 和主题 (99) 进行验证。本文提出和使用的 LSVM 分类算法的复杂度明显低于最近 ASD 和情绪预测系统中使用的 DNN、卷积神经网络 (CNN)、朴素贝叶斯和动态图 CNN。