XiaoMi-AI文件搜索系统
World File Search System协方差
椭圆体的 Minkowski 和与协方差矩阵的均值
摘要。两个椭球集的闵可夫斯基和与差一般不是椭球形的。然而，在许多应用中，需要计算在某种意义上近似闵可夫斯基运算的椭球集。在本研究中，考虑了一种基于所谓椭球微积分的方法，该方法提供了参数化的外部和内部椭球族，可以紧密近似于闵可夫斯基椭球的和与差。近似沿方向 l 是紧密的，因为椭球在 l 上的支撑函数等于和与差在 l 上的支撑函数。然后可以根据相应椭球的体积或迹的最小（或最大）测量值来选择基于外部（或内部）支撑函数的近似。建立了利用欧几里得几何或黎曼几何对两个正定矩阵的闵可夫斯基和与差的基于体积的近似及其均值之间的联系，这也与它们的 Bures-Wasserstein 均值有关。
跨细胞类型的翻译效率协方差是哺乳动物转录组的保守组织原理
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月18日。 https://doi.org/10.1101/2024.08.11.607360 doi：biorxiv Preprint
精确雷达定位的神经误差协方差估计
自动驾驶汽车由于技术进步及其改变转移的潜力而引起了极大的关注。该领域中的一个关键挑战是精确的定位，尤其是在基于激光雷达的地图匹配中，由于数据中的退化，这很容易出现错误。大多数传感器融合技术，例如卡尔曼过滤器，都依赖于每个传感器的准确误差协方差估计来提高定位精度。但是，获得地图匹配的可靠协方差值仍然是一项复杂的任务。为了应对这一挑战，我们提出了一个基于神经网络的框架，用于预测LIDAR地图匹配中的本地化错误协方差。为了实现这一目标，我们引入了一种专门设计用于错误协方差估计的新型数据集生成方法。在使用Kalman滤波器的评估中，我们实现了2 cm的定位准确性，这是该域的显着增强。
使用机器学习，轻型使用效率模型和全球涡流协方差数据估算森林总生产
1个计算机科学学院，中国劳资关系大学，北京100048，中国； tzhenkun@hotmail.com 2北京技术与商学院数学与统计学院，北京100048，中国3号地球表面流程和资源生态学国家主要实验室，北京师范大学，北京北部大学，北京100875，中国； tzhou@bnu.edu.cn 4北京师范大学的地理科学学院环境变化和自然灾害的主要实验室，北京100875，中国5地球与环境科学学院，皇后学院，皇后学院，纽约市，纽约市，纽约市，纽约市，纽约，纽约，11367，美国，美国； chuixiang.yi@qc.cuny.edu 6地球与环境科学系，纽约市纽约市研究生中心，纽约，纽约，纽约10016，美国7 Barry Commoner Health and The Environalser and The Environalser，Queens College，Queens College，纽约市纽约市，纽约，纽约，纽约，纽约，纽约，11367，美国，美国； eric.kutter@qc.cuny.edu 8 Dalian技术大学水与环境研究机构，达利安116024，中国； zhangqinhan@mail.dlut.edu.cn（Q.Z. ）; nkrakauer@ccny.cuny.edu（N.Y.K。） 9土木工程系和NOAA-CREST，纽约市纽约市纽约市纽约市10031，美国 *通信：yingyingfu2015@hotmail.com1个计算机科学学院，中国劳资关系大学，北京100048，中国； tzhenkun@hotmail.com 2北京技术与商学院数学与统计学院，北京100048，中国3号地球表面流程和资源生态学国家主要实验室，北京师范大学，北京北部大学，北京100875，中国； tzhou@bnu.edu.cn 4北京师范大学的地理科学学院环境变化和自然灾害的主要实验室，北京100875，中国5地球与环境科学学院，皇后学院，皇后学院，纽约市，纽约市，纽约市，纽约市，纽约，纽约，11367，美国，美国； chuixiang.yi@qc.cuny.edu 6地球与环境科学系，纽约市纽约市研究生中心，纽约，纽约，纽约10016，美国7 Barry Commoner Health and The Environalser and The Environalser，Queens College，Queens College，纽约市纽约市，纽约，纽约，纽约，纽约，纽约，11367，美国，美国； eric.kutter@qc.cuny.edu 8 Dalian技术大学水与环境研究机构，达利安116024，中国； zhangqinhan@mail.dlut.edu.cn（Q.Z.）; nkrakauer@ccny.cuny.edu（N.Y.K。）9土木工程系和NOAA-CREST，纽约市纽约市纽约市纽约市10031，美国 *通信：yingyingfu2015@hotmail.com9土木工程系和NOAA-CREST，纽约市纽约市纽约市纽约市10031，美国 *通信：yingyingfu2015@hotmail.com
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
从协方差矩阵
高维纠缠已被确定为量子信息处理中的重要资源，也是模拟量子系统的主要障碍。其认证通常是Di FFI的邪教，并且最广泛使用的实验方法基于相对于高度纠缠的状态的忠诚度测量。在这里，我们考虑了集体可观察物的协方差，例如众所周知的协方差矩阵标准（CMC）[1]，并提出了CMC的概括，用于确定两组派系统的Schmidt数量。这在多体系统（例如冷原子）中尤其有利，在这些系统中，一组实际测量非常有限，通常只能估计集体运营商的差异。为了显示我们结果的实际相关性，我们得出了更简单的Schmidt-number标准，这些标准需要与基于忠诚的证人相似的信息，但可以检测到更广泛的状态。我们还考虑了基于自旋covari-ances的范式标准，这对于对冷原子系统中高维纠缠的实验检测非常有帮助。我们通过讨论结果在多片合奏中的适用性以及对未来工作的一些开放问题来得出结论。
基因组基因座影响人脑结构协方差的模式
Juna M. Nasrallah，Abdulkadir B，Theodore D. Boquet -Pjadas G，Elizabeth Mamourian B，Sinnivasan Srinavasan。 Yang H，Paola Dazzan J，Rene St. Kahn K，Hugo G. Schnack，Marcus V.Wood Q，消息来源，拉蒙塔尼（Lamontagne），苏珊·奥斯丁（Susan Austin），莱诺尔·J·劳纳（Lenorer J.
使用协方差神经网络解释的大脑年龄预测
在计算神经科学中，人们对开发机器学习算法的兴趣越来越高，这些算法利用脑成像数据来为个体提供“脑时代”的估计。重要的是，由于不良健康状况，大脑年龄和年龄年龄之间的不一致可以捕获加速老化，因此可以反映出增加对神经系统疾病或认知障碍的脆弱性。然而，由于大多数现有的脑年龄预测算法缺乏透明度和方法上的理由，因此阻碍了大脑年龄对临床决策支持的广泛采用。在本文中，我们利用协方差神经网络（VNN）提出了使用皮质厚度特征为脑年龄预测的解释驱动和解剖学上的解释框架。Specifically, our brain age prediction framework extends beyond the coarse metric of brain age gap in Alzheimer's disease (AD) and we make two important observations: (i) VNNs can assign anatomical interpretability to elevated brain age gap in AD by identifying contributing brain regions, (ii) the interpretability offered by VNNs is contingent on their ability to exploit specific eigenvectors of the anatomical协方差矩阵。在一起，这些观察结果促进了对脑时代预测任务的可解释和解剖学上的观点。
使用协方差神经网络进行可解释的大脑年龄预测
在计算神经科学领域，人们对开发利用脑图像数据来估算个体“脑年龄”的机器学习算法的兴趣日益浓厚。重要的是，脑年龄与实际年龄之间的差异（称为“脑年龄差距”）可以反映出不良健康状况导致的加速衰老，因此可以反映出患神经系统疾病或认知障碍的几率增加。然而，由于现有的大多数脑年龄预测算法缺乏透明度和方法论依据，因此脑年龄在临床决策支持中的广泛应用受到了阻碍。在本文中，我们利用协方差神经网络 (VNN) 提出了一个由解释驱动且解剖学上可解释的框架，使用皮质厚度特征来预测脑年龄。具体而言，我们的大脑年龄预测框架超越了阿尔茨海默病 (AD) 中大脑年龄差距的粗略度量，我们得出了两个重要观察结果：(i) VNN 可以通过识别贡献大脑区域，为 AD 中增大的大脑年龄差距分配解剖学可解释性，(ii) VNN 提供的可解释性取决于它们利用解剖学协方差矩阵的特定特征向量的能力。总之，这些观察结果促进了大脑年龄预测任务的可解释性和解剖学可解释性视角。