XiaoMi-AI文件搜索系统
World File Search System图中
在图中学习的概括范围
机器学习中的中心假设是观察结果是独立的，并且是分布的（i.i.d.）关于固定但未知的概率分布。在此假设下，已经提出了对高级算法设计中模型的可学习性或导致的阐述（Boser等，1992）。但是，在许多实际应用中，收集的数据可以取决于I.I.D。假设不存在。社区中有关数据的依赖性以及如何依赖的方式进行了广泛的讨论（Dehling和Philipp，2002； Amini and Usunier，2015年）。使用相互依存的数据学习。近年来建立依赖设定的概括理论已引起人们的兴趣（Mohri和Rostamizadeh，2008，2009; Ralaivola et al，2010; Kuznetsov and Mohri，2017）。在这个方向上的一项主要研究线模拟了各种类型的混合模型的数据依赖性，例如α-混合（Rosen- Blatt，1956年），β-混合（Volkonskii和Rozanov，1959年），φ -Mixing（ibragimov，1962）和η-混合（Kontorovich（Kontorovich），以及2007年，以及2007年，以及2007年，以及2007年）。混合模型已在统计学习理论中使用，以建立基于Rademacher复杂性（Mohri和Rostamizadeh，2009，2010; Kuznetsov and Mohri，2017）或算法稳定性（Mohri和Ros-Tamizadeh和Ros-Tamizadeh，2008，2008，2008; He Hean，2008; He Hean Indepental commution and kont and kont and kont and kont and kont and kont and kont and kont and kont and kont，技术（Yu，1994）。在这些模型中，混合系数在数据之间测量了数据之间的依赖性。另一项工作线（称为脱钩），通过分解一组依赖性随机变量来研究复杂系统的行为
从场景图中基于变压器的图像生成
1恩纳·科尔大学（University of Enna Kore）医学与外科学院，意大利恩纳（Enna）94100； salvatore.lavalle@unikore.it（s.l.）; caterina_gagliano@hotmail.com（c.g.）2临床和实验放射学单元，实验成像中心，IRCCS San Raffaele科学研究所，通过Olgettina 60，20132年意大利米兰； edo.masiello@gmail.com 3，“有机体Di Senso”系“ Sapienza”，VialeDell'università，33，00185，意大利罗马； giannicola.iannella@uniroma1.it（G.I.）; giuseppe.magliulo@uniroma1.it（G.M.）; annalisa.pace@uniroma1.it（A.P。）4人类解剖学和实验肿瘤学，医学院，乌蒙斯健康科学研究所，蒙斯大学，比利时7022 MONS； jerome.lechien@unimons.ac.be Be 5耳鼻喉科服务，圣地亚哥De Costela医院综合大楼，15705 Santiago de Compostela，西班牙； Christian.calvo.henriquez@gmail.com 6医学和外科科学系和高级技术“ GF Ingrassia”，Ent科，卡塔尼亚大学，Via S. Sofia，S。Sofia，78，95125，意大利Catania，意大利； s.cocuzza@unict.it（s.c。）; federicamariaparisi@gmail.com（F.M.P。） ： +39-3204-1545-764人类解剖学和实验肿瘤学，医学院，乌蒙斯健康科学研究所，蒙斯大学，比利时7022 MONS； jerome.lechien@unimons.ac.be Be 5耳鼻喉科服务，圣地亚哥De Costela医院综合大楼，15705 Santiago de Compostela，西班牙； Christian.calvo.henriquez@gmail.com 6医学和外科科学系和高级技术“ GF Ingrassia”，Ent科，卡塔尼亚大学，Via S. Sofia，S。Sofia，78，95125，意大利Catania，意大利； s.cocuzza@unict.it（s.c。）; federicamariaparisi@gmail.com（F.M.P。）： +39-3204-1545-767服务D'Orl et de Chirurgie cervico-faciale，中心医院蒙特佩利尔，奥古斯丁·弗里奇（Augustin Fliche）80 Avenue Augustin Fliche，34000 Montpellier，法国8，奥托尔希尼尔纳律学系，亚历山大大学，亚历山大21577，奥托尔希元学系； ahmedyassinbahgat@gmail.com 9头颈外科，耳鼻喉科，头颈和口腔外科手术单元，Morgagni Pierantoni医院，经Carlo Forlanini，34，47121Forlí，意大利，意大利； giovanni.cammaroto@hotmail.com 10麻醉和重症监护系Policlinico-san Marco，意大利卡塔尼亚95125； luigilavia7@gmail.com 11 Ent and Audiology系，费拉拉大学，意大利44121 Ferrara； dott.albertocaranti@gmail.com（A.C。）; claudio@claudiovicini.com（c.v.） *通信：tnmaniaci209@gmail.com;电话。
在分子图中优化OOD检测
尽管分子表示学习最近取得了进展，但其有效性还是在近世界的假设上假定的，即训练和测试图来自相同的分布。开放世界测试数据集通常与分布（OOD）样本混合在一起，在该样本中，部署的模型将难以做出准确的预测。在药物筛查或设计中分子特性的误导性估计会导致湿lab资源的大量浪费并延迟发现新疗法的发现。传统检测方法需要对OOD检测和分布（ID）分类性能进行贸易，因为它们共享相同的表示模型。在这项工作中，我们建议通过采用基于辅助扩散模型的框架来解析OOD分子，该框架比较了输入分子和重建图之间的相似性。由于产生构建ID训练样品的产生偏见，OOD分子的相似性得分将要低得多以促进检测。尽管在概念上很简单，但将此香草框架扩展到实际检测应用程序仍然受到两个重大挑战的限制。首先，基于欧几里得距离的流行相似性指标无法考虑复杂的图形结构。第二，涉及迭代脱氧步骤的属性模型众所周知，尤其是在大量药物库上运行时。为了应对这些挑战，我们的研究先驱者是一种旋转型G raph r生态建构的方法，该方法被称为pgr-mood。具体来说，PGR-MOOD取决于三个创新：i）一个有效的指标，可根据离散的边缘和连续节点特征全面量化输入和重建分子的匹配程度； ii）构建
图形图中的参数化复杂性 - 滴
参数化的复杂性。已知许多广泛关注的计算问题通常是NP -HARD。然而，通常可以使用隐式的许多现实实例来有效地找到确切的解决方案。在特定类别的各种实例上，对各种问题进行了长期的系统研究，并且朝这个方向进行研究构成了计算机科学的基本领域之一。但是，在许多现实情况下，不可能定义我们希望解决的明确类别的实例；实例不像是黑白（是否属于特定类别），而是具有各种灰色阴影（具有一定程度的内部结构）。相对年轻的参数化复杂性范式[6，4，8，16]提供了处理这种情况的理想工具。在参数化设置中，我们将每个实例与数值参数相关联，该参数捕获了该实例的“结构化”。这样就可以开发其性能的算法强烈取决于参数 - 而不是经典设置，在这种情况下，我们经常将拖延性与多项式运行时间相关联，而棘手的性能与超多种元素相关联，参数化算法自然而然地“缩放”与实例中包含的结构量相关联。参数化设置中的易处理性的中心概念是固定参数的拖延（简而言之），这意味着可以通过f（k）·n o（k）·n o（1）的运行时解决给定的问题（f是任意可计算的功能，k是k的值，k是k的值，k是参数的值，n是输入大小）。除了固定参数障碍性外，参数化的复杂性景观还包括各种伴侣概念，例如XP索取性，内核化和W- hardness。
自旋图中量子纠缠的产生及其鲁棒性
摘要 纠缠是量子信息处理的关键资源，因此需要在各种硬件平台上生成高保真度纠缠态的协议。虽然自旋链已被广泛研究以产生纠缠，但图结构也具有这种潜力；然而，只有几类图被用于这项特定任务。在本文中，我们将一种涉及两种不同耦合强度的特殊耦合方案应用于两个互连的 3×3 方图的图，使得它实际上包含三个缺陷。我们展示了这种结构如何生成贝尔态，其保真度取决于所选的耦合比。我们应用分区图论来降低图的维数，并表明，使用简化图或简化链，我们仍然可以模拟具有相同动态的相同协议。最后，我们研究了制造误差如何影响纠缠生成协议以及不同的等效结构如何受到影响，发现对于某些特定的耦合比，它们非常稳健。
在量子图中发现隐藏层
在复杂的网络中找到隐藏的层是现代科学中的一个重要且非平凡的问题。我们探索量子图的框架，以确定多层系统的隐藏部分是否存在，如果是这样，则其程度是多少，即那里有多少个未知层。假设唯一可用的信息是在网络的单层上波传播的时间演变，因此确实可以发现仅通过观察动力学而隐藏的东西。我们提供有关合成和现实世界网络的证据，表明波动力学的频谱可以以其他频率峰的形式表达不同的特征。这些峰表现出对参与传播的层数的依赖性，从而允许提取上述数量。我们表明，实际上，只要有足够的观察时间，人们就可以完全重建行范围标准化的邻接矩阵频谱。我们将我们的命题与用于多层系统目的的波数据包签名方法进行了比较与机器学习方法。
有向平面图中的多源多源最大流量
他们分别向所有来源和下沉，但这种减少并不能保留平面性。使用Orlin的算法进行稀疏图[21]导致O（n 2 / log N）的运行时间。对于少于u的整数容量，可以使用Goldberg and Rao [9]的算法，它导致O（n1。5 log n log u）。Miller和Naor [19]首先研究了具有多个来源和水槽的平面图中的最大流量。他们为所有水槽和来源都位于单个面边界的情况下给出了一种分裂和争议算法。插入Henzinger等人的线性最短路径算法。[12]产生O（n log n）的运行时间。Borradaile和Harutyunyan具有相同的运行时间的迭代算法[2]。Miller和Naor还为源头和水槽位于K不同面部边界的情况下提供了一种算法。使用O（n log N） - 时源单源单源单源最大流量算法和klein [3]产生O（k 2 n log 2 n）的运行时间。Miller和Naor表明，当知道多少商品在每个来源和每个水槽都产生/消耗时，可以找到一致的流量路由，而尊重ARC容量的一致路由可以降低到最短的最短路径[19]，可以在O（n log 2 N/ log log 2 n/ log log log N n n/ log log N n n n n/ log log n n）时[20]。