XiaoMi-AI文件搜索系统
World File Search System图上
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
RDF知识图上的机器学习有关药物安全：Reactome Data
我们的研究旨在使用应用于使用Reactome数据库构建的KG的ML技术来发现信号通路中的新节点和/或链接。目的是在不良药物反应的机制中进行互联，并确定潜在的新相关途径。这种方法增强了我们对途径动态的理解。我们的初步发现显示了与ADR相关的途径的有希望的提示。我们提出的方法是基于使用基于描述的推理的使用，并通过MOWL库嵌入生成。解释我们的发现强调了ML在公斤药物安全研究中的潜力。与药理学家和生物学家等领域专家的合作对于进一步的验证和研究至关重要。需要解决诸如数据异质性和模型性能优化之类的挑战。可以在我们的github存储库2上找到一个详细的描述，图形摘要和可执行的笔记本。
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。
通过 Lipschitz 嵌入和图上的最短路径精确计算流形度量
数据敏感度量自然出现在机器学习中，并且在一些著名方法中起着核心作用，例如 k-NN 图方法、流形学习、水平集方法、单链接聚类和基于欧氏 MST 的聚类（详情见第 5 节和附录 A）。构建合适的数据敏感度量是一个活跃的研究领域。我们考虑一个简单的数据敏感度量，它有一个底层流形结构，称为最近邻度量。该度量最早在 [CFM + 15] 中引入。它及其近似变体在过去已被多位研究人员研究过 [HDHI16、CFM + 15、SO05、BRS11、VB03]。在本文中，我们展示了如何精确计算任意维度的最近邻度量，这解决了任何基于流形的度量最重要和最具挑战性的问题之一。
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。
在有向图上连续时量子步行的实验实现及其在Pagerank
apurinic/apyrimidinic（AP）核酸内切酶 - 还原/氧化因子1（APE1/Ref-1，也称为APE1）是一种多功能酶，在DNA修复和还原/还原/氧化（REDOX）信号中具有至关重要的作用。APE1最初被描述为基础切除修复（BER）途径中的内切酶。进一步的研究表明，它是调节关键转录因子（TFS）的氧化还原信号枢纽。尽管已大量的重点放在APE1在癌症中的作用，但最近的发现支持APE1作为其他指示的目标，包括眼部疾病，包括眼部疾病[糖尿病性视网膜病变（DR），糖尿病黄斑水肿（DME）（DME），以及年龄相关的黄斑变性（AMD），炎症性肠道疾病（IBD）和其他对这些疾病的影响（IBD），以及这些crce at ape1 and ape1 and ape1 cracial and acce acce acce acce ccrem ccr二胰胰and and。疾病。APE1在DNA修复和氧化还原信号传导中的核心责任使其成为癌症和其他疾病的有吸引力的治疗靶标。
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。
带有欺骗性的图上安全博弈中的综合资源分配与策略合成
欺骗在信息不完全的战略互动中起着至关重要的作用。受安全应用的启发，我们研究了一类具有单边不完全信息的双人回合制确定性博弈，其中玩家 1（P1）的目的是阻止玩家 2（P2）达到一组目标状态。除了行动之外，P1 还可以放置两种欺骗资源：“陷阱”和“假目标”，以误导 P2 有关博弈的转变动态和收益。陷阱通过使陷阱状态看起来正常来“隐藏真实”，而假目标通过将非目标状态宣传为目标来“揭示虚构”。我们感兴趣的是联合合成利用 P2 错误信息的 P1 的最佳诱饵放置和欺骗性防御策略。我们在图模型上引入了一个新颖的超博弈和两个解决方案概念：隐秘欺骗必胜和隐秘欺骗几乎必胜。这些确定了 P1 可以在有限步内或以 1 的概率阻止 P2 到达目标的状态，并且 P2 不会意识到自己被欺骗了。因此，确定最佳诱饵位置相当于最大化 P1 的欺骗获胜区域的大小。考虑到探索所有诱饵分配的组合复杂性，我们利用组合合成概念来表明诱饵放置的目标函数是单调的、非减的，并且在某些情况下是亚模或超模的。这导致了一个诱饵放置的贪婪算法，当目标函数是亚模或超模时实现 (1 − 1 / e ) 近似。提出的超博弈模型和解决方案概念有助于理解各种安全应用中的最佳欺骗资源分配和欺骗策略。
在时间图上的异常检测，以抑制多代理强化学习中对抗性通信
多代理增强学习（MARL）系统中的对抗沟通可能会对其性能产生重大的负面影响。这可能导致系统的次级优势，这是由于不正确或误导性信息引起的决策不良。以前的消除或减少对抗性交流的方法表明，在特定情况下，多代理通信的空间特征可用于检测。但是，它们的有效性是有限的，并且没有很好的文档，尤其是在复杂的场景和针对具有国防策略知识的恶意代理商中。此外，尽管许多先前的作品都集中在代理到代理交流的规范上，但其时间的性质和特征已在很大程度上被忽略了。在这项工作中，我们基于在时间图上的异常检测技术来测试许多不同的假设，以检测MARL系统中对抗性通信的检测和抑制。此外，我们提出了一种新颖的方法，并系统地评估了其在两个复杂的合作场景上使用各种不同的对手剂的有效性。最后，我们开发了一个框架，用于通过对抗性通信进行MARL实验，该实验可以为设计一致且可重现的实验提供统一的方法。
HKU生态学家首先将一个昆虫群放在一个世纪的生物多样性地图上
为了应对这一挑战，Guénard教授一直领导一支国际团队在十多年内组装近16,000种蚂蚁物种的分销数据。蚂蚁是最广泛和生态上占主导地位的昆虫之一，加权是Guénard教授先前的一项研究中所示的野生鸟类和哺乳动物的两倍。对于昆虫群体，它们有相对有据可查的文献。Guénard教授团队的辛勤工作汇编了300多年来对蚂蚁研究的数据，使使用包括生物信息学和机器学习在内的先进技术可以预测和分析其分布。最后，他们能够生成第一个蚂蚁的生物地理图。