XiaoMi-AI文件搜索系统
World File Search System图中
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。
设计和添加多域拼图中缺失的部分
• 令人惊讶的是，人们会期望这样一个基本概念会在构成《盟军联合条令》的 50 多种盟军联合出版物 (AJP) 或《综合作战计划指令》xiii 中引入并彻底定义。不幸的是，很难找到这样的定义，或者更确切地说，很难找到与我们在此处讨论的内容一致的定义，即作战领域，例如陆地、海洋、空中、网络、太空。然而，在 COPD 第 26 页第 1-7 段“交战空间”中，可以找到“北约目前在 PMESII 结构下认可的六 (6) 个领域”的介绍。这六个领域是 (1) 政治、(2) 军事、(3) 经济、(4) 社会、(5) 基础设施、(6) 信息。有趣且完全相关的概念，但显然属于不同种类，并且与我们的陆地、海洋、空中、网络和太空领域处于不同的层次。
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。
使用人工神经网络从脑电图中检测ereg中风患者的错误相关电位
摘要：已提出了与错误相关的电位（ERRP）作为改善大脑 - 计算机界面（BCI）性能的一种手段，方法是纠正BCI执行的不正确操作或标记数据以连续适应BCI以改善性能。后一种方法可能在中风康复中相关，在这种康复中，通过使用在整个康复过程中持续个性化的广义分类器，可以将BCI校准时间最小化。如果数据正确标记，则可以实现这一目标。因此，这项研究的目的是：（1）对中风的个体产生的单次试验错误，（2）调查测试 - 重测可靠性，（3）比较不同的分类校准方案与不同的分类方法与人工新神经网络（ANN，ANN，ANN，和LINARINAL ANTIFERINAL，LDA）的不同分类方法（人工Neuratial网络）和LDA的含义。25个中风的人在两天的时间里试图执行运动，然后在记录连续脑电图时收到反馈（错误/正确）。脑电图分为时期：errps和nonerrps。根据时间特征或整个时期，将时期与多层感知器ANN分类。此外，将特征与收缩LDA分类。特征是来自感觉运动皮层的ERR和非ERRPS的波形，以改善分类器输出的解释性和解释。测试了三个校准方案：今天，日间和跨参与者。使用日期校准，将90％的数据与整个时期正确分类为ANN的输入；当使用时间特征作为ANN和LDA的输入时，它降至86％和69％。两天之间的测试可靠性较差，而其他校准方案导致准确性在63-72％的范围内，LDA表现最好。个人的损伤水平与分类精度之间没有关联。结果表明，可以在中风的个体中对错误进行分类，但是使用这种方法最佳解码需要使用用户和会话特定的校准。使用ERRP/NONERRP波形特征使对分类器输出的生理有意义解释成为可能。结果可能对在BCI中连续将数据进行标记以进行中风康复，从而有可能改善BCI性能。
小波骨骼在睡眠脑电图中作为轻度认知障碍早期诊断的生物标志物
许多神经变性疾病在早期阶段很难诊断。例如，对轻度认知障碍（MCI）的早期诊断需要各种各样的测试，以区分MCI症状和衰老的正常后果。在本文中，我们使用小波 - 骨骼方法在健康的成年患者和认知功能障碍患者的脑电图（EEG）中找到一些特征模式。我们分析了11名60至75岁年龄段的11名老年患者在自然睡眠期间记录的EEG活性，其中6例患有轻度的认知障碍，并采用基于连续小波转化骨骼的非线性分析方法。我们的研究表明，对整个睡眠状态的EEG信号进行了全面分析，使我们能够确定频带中振荡模式平均持续时间的显着降低[12; 14] Hz在有轻度认知障碍的情况下。因此，该频率范围的变化可以解释为与运动皮层的活性相关，作为制定早期客观MCI标准的候选者。
![b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数容量的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边的连接，这是第一个在\ xe2 \ x84 \ xa6（n 3）绑定在密集图高连续性方向上的时间上改进的算法。我们的结果取决于采样的简单组合以及稀疏性的稀疏性，这似乎是新的，并且可能导致有向图连接问题的进一步折衷。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们在\ xcb \ x9c o（nw/\ xcf \ xb5）中获得了一个（1 + \ xcf \ xb5）-AppRoximation，其中w是总顶点的重量（假设Integral vertex weivertex weivertex weivertex weivertex）;特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础，以获得全局顶点连接的类似界限。我们的结果补充了由于Gabow的工作[8]的1991年边缘连通性以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果补充了。 [23]和Forster等。 [6]对于顶点连接。](/simg/8/8e7675640f7d11b8c01f2da32483c44d53994a39.webp)
b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数容量的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边的连接，这是第一个在\ xe2 \ x84 \ xa6（n 3）绑定在密集图高连续性方向上的时间上改进的算法。我们的结果取决于采样的简单组合以及稀疏性的稀疏性，这似乎是新的，并且可能导致有向图连接问题的进一步折衷。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们在\ xcb \ x9c o（nw/\ xcf \ xb5）中获得了一个（1 + \ xcf \ xb5）-AppRoximation，其中w是总顶点的重量（假设Integral vertex weivertex weivertex weivertex weivertex）;特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础，以获得全局顶点连接的类似界限。我们的结果补充了由于Gabow的工作[8]的1991年边缘连通性以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果补充了。 [23]和Forster等。 [6]对于顶点连接。
b'We考虑了确定有向图中的根和全局边缘和顶点连接性（以及计算相应切割）的基本问题。对于具有小整数功能的根（以及全局）边缘连接，我们给出了一种新的随机蒙特卡洛算法，该算法在时间\ xcb \ x9c o n 2中运行。对于根边连接性，这是第一个在密度高图高连续性方向上绑定的\ xe2 \ x84 \ xa6（n 3）时间上改进的算法。我们的结果依赖于采样的简单组合以及显得新颖的稀疏性，并且可能导致有向图连接问题的进一步权衡。我们将边缘连接想法扩展到有向图中的根和全局顶点连接。我们获得了\ xcb \ x9c o（nw/\ xcf \ xb5）中的根顶点连接的（1 + \ xcf \ xb5） - approximation，其中w是w是总顶点的重量的时间（假设Integral verterx werges flovex wevertex weivers apteral vertex weivers witteral wittex weivers w we特别地，这会产生一个\ xcb \ x9c o n 2 /\ xcf \ xb5时间随机算法的未加权图。这转化为\ xcb \ x9c o（\ xce \ xbanw）时间精确算法，其中\ xce \ xba是根的连接。我们以此为基础为全局顶点连接获得类似的范围。我们的结果补充了由于Gabow的工作[8]的1991年边缘连接性工作以及Nanongkai等人的最新工作，因此在低连通性方面的这些问题的已知结果。[23]和Forster等。[6]用于顶点连接。
使用基于LSTM的模型从脑电图中提取不同级别的语音信息
解码一个人通过脑电图（EEG）从人脑聆听的语音信号可以帮助我们忽略听觉系统的工作原理。线性模型已用于从语音中重建脑电图，反之亦然。最近，人工神经网络（ANN），例如，综合神经网络（CNN）和基于长期的短期记忆（LSTM）架构在建模脑电图与语音之间的关系方面的线性模型优于线性模型。在诱惑将这些模型在实际应用中使用这些模型之前，例如听力测试或（第二）语言理解评估，我们需要知道这些模型正在介绍哪种语音信息。在这项研究中，我们旨在使用不同级别的语音特征分析基于LSTM的模型的性能。该模型的任务是确定两个给定的语音段中的哪个与记录的脑电图匹配。我们使用了低级和高级语音特征，包括：信封，MEL频谱，语音活动，音素标识和词嵌入。我们的结果表明，该模型可阐述有关脑电图中有关沉默，强度和广泛语音类别的信息。此外，包含所有这些信息的MEL频谱图在所有特征中都具有最高的精度（84％）。索引术语：LSTM，CNN，语音解码，听觉系统，EEG
脑电图中的深度学习：过去十年关键时期的进展
摘要：深度学习在众多领域都取得了优异的表现，尤其是在语音识别和计算机视觉领域。对于脑电图的研究相对较少，但在过去十年中仍然取得了重大进展。由于缺乏对脑电图深度学习的全面、主题广泛的调查，我们试图总结最近的进展，以提供概述以及未来发展的前景。我们首先简要提到了脑电图信号的伪影消除，然后介绍了已用于脑电图处理和分类的深度学习模型。随后，我们将深度学习在脑电图中的应用分为脑机接口、疾病检测和情绪识别等类别进行回顾。随后进行讨论，其中介绍了深度学习的优缺点以及未来的发展方向
脑电图中的深度学习：过去十年关键时期的进展
摘要 — 深度学习在众多领域都取得了优异的表现，尤其是在语音识别和计算机视觉领域。对于脑电图的研究相对较少，但在过去十年中仍然取得了重大进展。由于缺乏对脑电图深度学习的全面、主题广泛的调查，我们试图总结最近的进展，以提供概述以及未来发展的前景。我们首先简要提到了脑电图信号的伪影消除，然后介绍了已用于脑电图处理和分类的深度学习模型。随后，我们将深度学习在脑电图中的应用分为脑机接口、疾病检测和情绪识别等类别进行回顾。随后进行讨论，其中介绍了深度学习的优缺点，并提出了深度学习在脑电图中的未来方向和挑战。我们希望本文可以作为过去脑电图深度学习工作的总结，以及基于深度学习的脑电图研究进一步发展和取得成就的开端。
创伤在母亲的covid-19疫苗信念和意图中的作用
对COVID-19的抽象客观研究主要研究主要集中在成年人对自己接种疫苗的意图上。但是，许多父母还将面临关于接种儿童的决定。在这项研究中，我们研究了母亲的创伤后应激障碍（PTSD）和创伤性如何与母亲对自己和子女的Covid-19疫苗的信念和意图有关。方法总共有240位患有心理健康史的母亲参加了一项父母的研究，通过Prolifucifuction回答了在线调查问题。评估的问题：（a）创伤起诉者（过去的诊断，当前症状和终生暴露于事件）； （b）疫苗测量（自我和儿童的进化，Covid-19-19疫苗的认可，一般疫苗感知的安全性，关于疫苗意图的推理，对意图的影响来源）； （c）可能的解释变量（机构不信任，负面世界观）。ANCOVA和回归分析。与具有其他心理健康诊断的母亲相比，具有PTSD病史的母亲在COVID-19-19-19疫苗中的承认显着较少，而对自己或孩子进行疫苗的意图较少。这些影响是通过更大的制度不信任来解释的（即显着的间接影响）。先前有PTSD诊断的母亲也表达了疫苗犹豫不决的原因（例如，对科学的信念较少），对疫苗决策中的医疗保健和政府资源的影响较小。结论发现突出了创伤性方法在减少Covid-19疫苗犹豫的努力方面的效用。对于有PTSD史的母亲来说，解决包括医疗保健行业在内的机构不信任的母亲可能是在内容，交付和疫苗消息方式中考虑的重要因素。