XiaoMi-AI文件搜索系统
World File Search System图上
hamming图上的自由费米斯的多部分信息
量子信息是一个引人入胜的主题，具有彻底改变我们对宇宙的理解的能力，并且已将其作为一种工具来理解在各种不同环境中的相对论现象，例如加速度和黑洞（称为异常和霍金效应）[1,2]。量子纠缠已被用作增强重力波检测器灵敏度的方法。参考文献[3,4]研究了通过收集相互量子相关性并讨论每个光束在干涉仪中传播的方式的差异来消除过滤腔的可行性。参考[5]提出了一种基于量子纠缠的重力波检测的量子速度计测量方案的新实现。除此之外，一些论文原则上研究了受重力波影响的量子特性，包括量子烙印[6]，量子时间扩张[7]，纠缠收集[8]，激发/对单个原子的兴奋/去敏化[9,10]等。在[11]中还研究了重力场对量子纠缠的影响。，但大多数研究都集中在两体纠缠上。在本文中，我们将研究重力波对量子多体态的影响，并讨论实验检测对压力波的可行性。
有向图上时变信号的联合采样与重构
摘要 — 时变图信号的顶点域和时间域平滑性是可以利用的基本属性，从有限的样本中有效地重构图信号。然而，当信号的频率占用率随时间变化时，现有的方法并不直接适用。此外，虽然例如传感器网络应用可以从有向图模型中受益，但图特征向量的非正交性会对基于谱的信号重构算法提出挑战。在这种情况下，我们在这里考虑具有未知频率支持的 K 稀疏时变信号。通过利用变化图频率支持的平滑性并在有向图上采用移位操作，我们研究基于 Schur 分解的多个变化信号的联合采样，以通过正交频率分量重构每个信号。首先，通过提出两阶段单独联合采样方案来确定多个信号的联合频率支持。基于估计的频率支持，可以使用在单个采样阶段收集的数据恢复每个信号的 GFT 系数。提出了用于顶点集选择和图移位顺序选择的贪婪算法，从而能够对加性噪声进行鲁棒的信号重构。考虑到应用中的信号可能近似为 K 稀疏，我们进一步利用单个和联合采样阶段的样本，并将最优信号重构作为具有自适应频率支持选择的凸优化问题进行研究。所提出的最佳采样和重构算法优于随机网络和传感器网络数据收集中的几种现有方案。
在增强拓扑图上应用软计算...
基于嵌入方法的图形表示可以更轻松地分析网络结构，可用于各种任务，例如链接预测和节点分类。这些方法已被证明在各种环境中都是有效的，并且已成为图形学习领域的重要工具。这些方法易于实施，它们的预测会产生可解释的结果。但是，大多数图形嵌入方法仅依赖于图形结构信息，并且不考虑节点/边缘属性，从而限制其适用性。在本文中，我们提出了图理论设计，以将节点和边缘属性纳入拓扑结合，从而使图形装饰方法无缝地在属性图上无缝工作。为了找到给定属性图的理想表示形式，我们提出了原始网络中的增强特殊子图结构。我们讨论了所提出的方法的潜在挑战，并证明了其一些理论局限性。我们通过比较15个标准生物信息学数据集上的最先进的图形分类模型来测试方法的功效。与原始图上的结果相比，在增强图上，在增强图上的分类精度最高可提高高达5％的分类精度。©2023 Elsevier B.V.保留所有权利。
通过平滑学习图上的图形信号处理进行基于 EEG 的运动想象解码
摘要 — 目的：本文提出了一种基于图信号处理 (GSP) 的方法，通过获取任务特定的判别特征来解码两类运动想象脑电图数据。方法：首先，使用图学习 (GL) 方法从脑电图信号中学习特定于受试者的图。其次，通过对每个受试者图的归一化拉普拉斯矩阵进行对角化，获得正交基，使用该基计算脑电图信号的图傅里叶变换 (GFT)。第三，将 GFT 系数映射到判别子空间，以使用由 Fukunaga-Koontz 变换 (FKT) 获得的投影矩阵区分两类数据。最后，对 SVM 分类器进行训练和测试，以根据所得特征的方差来区分运动想象类别。结果：在 BCI 竞赛 III 的数据集 IVa 上评估所提出的方法，并将其性能与 i) 使用由皮尔逊相关系数构建的图上提取的特征和 ii) 三种最先进的替代方法进行比较。结论：实验结果表明，所提出的方法优于其他方法，反映了整合 GL、GSP 和 FKT 元素的额外优势。意义：所提出的方法和结果强调了整合 EEG 信号的空间和时间特征在提取能够更有力地区分运动想象类别的特征方面的重要性。
通过合成坐标在分子图上进行定向信息传递
通过定向消息传递利用坐标的图神经网络最近在多个分子特性预测任务中取得了最新进展。然而，它们依赖于通常不可用的原子位置信息，而获取这些信息通常非常昂贵甚至不可能。在本文中，我们提出了合成坐标，使高级 GNN 的使用无需真正的分子配置。我们提出了两种距离作为合成坐标：指定分子配置粗略范围的距离界限，以及使用个性化 PageRank 的对称变体的基于图的距离。为了利用距离和角度信息，我们提出了一种将普通图神经网络转换为定向 MPNN 的方法。我们表明，通过这种转换，我们可以在 ZINC 基准上将普通图神经网络的误差降低 55%。此外，我们通过在 SMP 和 DimeNet ++ 模型中加入合成坐标，在 ZINC 和无坐标 QM9 上取得了最新进展。我们的实现可以在线获得。1
失败的零强迫和定向图上的关键集
摘要让D为简单的Digraph（有向图），带有顶点s v（d）和弧集a（d），其中n = | v（d）| ，每个弧都是有序的一对不同的顶点。如果（v，u）∈A（d），则u被视为d中V的邻居。最初，我们将每个顶点指定为已填写或为空。然后，应用以下颜色更改规则（CCR）：如果一个填充的顶点V具有一个空的邻居U，则U将被填写。如果V（d）中的所有顶点最终都在CCR的重复应用下填写，则初始集合称为零强迫集（ZFS）；如果不是，那是失败的零强迫集（FZFS）。我们在Digraph上介绍了零强迫f（d），这是任何FZF的最大基数。零强制数z（d）是任何ZF的最小基数。我们表征具有f（d） 我们还用f（d）= n -1，f（d）= n -2和f（d）= 0表征挖掘，这导致了任何顶点是ZFS的挖掘物的表征。 最后，我们表明，对于任何整数n≥3和具有k我们还用f（d）= n -1，f（d）= n -2和f（d）= 0表征挖掘，这导致了任何顶点是ZFS的挖掘物的表征。最后，我们表明，对于任何整数n≥3和具有k
量子计算：在常规图上实施打击时间的量子步行
在撰写本硕士论文时，我们得到了不同的人的大力支持。没有他们的帮助，这一论文是不可能的，我们要对他们表示感谢。首先，我们无法开始感谢研究人员Dhinakaran Vinayagamurthy博士和研究工程师Dhiraj Madan的IBM Research，他们在整个过程中一直帮助我们。我们非常感谢您花费的时间来帮助和支持我们。你们俩在决定论文的主题方面扮演了决定性的角色，这要归功于您的知识和宝贵的建议，我们已经能够完成它。我们还希望向IBM Sweden的CTO Mikael Haglund表示衷心的感谢，以提供您的指导和支持。您对我们能力的深刻信念在此过程中极大地鼓励了我们。最后，我们要感谢Carl Nettelblad副教授回顾我们的论文并给我们许多实用建议。您一直愿意花时间帮助我们，这使得撰写本文的过程变得非常容易。
b“机械：烘干机通风口长度、防火挡板位置以及穿透组件的适当额定值，在平面图上清楚列出额定组件、室外空气/通风计算、平面图上正确的 UL 组件细节、1 型罩和相关管道系统的详细平面图（如适用）、气体管道图（系统上的总 Btu、管道材料、系统压力、调节器位置、管道距离）、百叶窗和风扇位置、管道系统、管道探测器位置、指示新鲜空气、供应、回流和排气位置和 cfm 的空气分配装置、16' 建筑物上的永久屋顶通道、所有 HVAC 设备的位置，提供所有 HAVC 设备的详细时间表”
b“机械：烘干机通风口长度、防火挡板位置以及穿透组件的适当额定值，在平面图上清楚列出额定组件、室外空气/通风计算、平面图上正确的 UL 组件细节、1 型罩和相关管道系统的详细平面图（如适用）、气体管道图（系统上的总 Btu、管道材料、系统压力、调节器位置、管道距离）、百叶窗和风扇位置、管道系统、管道探测器位置、指示新鲜空气、供应、回流和排气位置和 cfm 的空气分配装置、16' 建筑物上的永久屋顶通道、所有 HVAC 设备的位置，提供所有 HAVC 设备的详细时间表”
有向无环图上的同步动力系统
背景和动机：离散动力系统是研究网络中扩散现象的形式化模型。这些模型的应用领域包括社会传染（例如信息、观点、时尚、流行病）的研究和能源需求建模（例如太阳能的适应）（Adiga 等人 2019 年；Chistikov 等人 2020 年；Ogihara 和 Uchizawa 2020 年；Gupta 等人 2018 年）。非正式地说，这样的动力系统 4 由一个底层（社会或生物）网络组成，每个节点都有一个来自域 B 的状态值。在本文中，我们假设底层图是有向的，域是二进制的（即 B = { 0,1 } ）。传染病的传播由一组布尔局部函数建模，每个节点一个。对于任何节点 v ，v 处的局部函数 fv 的输入是 v 的当前状态及其邻居（即，v 具有传入边的节点）的状态，而 fv 的输出是下一时刻 v 的状态。我们考虑同步更新模型，其中所有节点都评估其局部函数并并行更新其状态。这些动力系统在文献中被称为同步动力系统 (SyDS)（例如，(Adiga 等人 2019；Rosenkrantz 等人 2018)）。在涉及系统生物学的应用中，这样的系统也称为同步布尔网络（例如，(Kauffman 等人 2019)）。