XiaoMi-AI文件搜索系统
World File Search System复杂度
复杂度驱动的 CNN 压缩，适用于资源受限的边缘 AI
摘要 — 物联网 (IoT) 支持的网络边缘人工智能 (AI) 的最新进展通过实现低延迟和计算效率，在智能农业、智能医院和智能工厂等多个应用中实现了边缘智能。然而，在资源受限的边缘设备上部署 VGG-16 和 ResNets 等最先进的卷积神经网络 (CNN) 实际上是不可行的，因为它们有大量的参数和浮点运算 (FLOP)。因此，作为一种模型压缩的网络修剪概念正在引起人们的关注，以加速低功耗设备上的 CNN。最先进的修剪方法，无论是结构化的还是非结构化的，都没有考虑卷积层所表现出的复杂性的不同潜在性质，而是遵循训练-修剪-再训练流程，这会导致额外的计算开销。在这项工作中，我们通过利用 CNN 固有的层级复杂性，提出了一种新颖且计算高效的修剪流程。与典型方法不同，我们提出的复杂性驱动算法根据其对整体网络复杂性的贡献选择特定层进行过滤器修剪。我们遵循直接训练修剪模型的过程，避免计算复杂的排名和微调步骤。此外，我们定义了三种修剪模式，即参数感知 (PA)、FLOP 感知 (FA) 和内存感知 (MA)，以引入 CNN 的多功能压缩。我们的结果表明，我们的方法在准确性和加速方面具有竞争力。最后，我们提出了不同资源和准确性之间的权衡，这有助于开发人员在资源受限的物联网环境中做出正确的决策。
一种低复杂度的脑机接口，用于高...
脑机接口 (BCI) 是一种允许人类操作者仅使用心理命令来控制与周围世界交互的末端执行器的系统 [1]。该系统由一个测量设备组成，用于记录人类用户的大脑活动，然后将其处理为驱动系统末端执行器的命令。BCI 涉及两种测量方式：一种是侵入式测量，这种测量允许高复杂度控制，但通常不可行；另一种是非侵入式测量，这种测量提供的信号质量较低，但更实用。一般来说，尚未开发出既能高效、稳健、可扩展地执行高复杂度控制，又能保留非侵入式测量实用性的 BCI 系统。在这里，我们利用反馈信息理论的最新成果 [2、3] 来填补这一空白，将 BCI 建模为一个通信系统，并部署一种人类可实现的交互算法，用于对高复杂度机器人群进行非侵入式控制。我们构建了一个可扩展的机器人行为词典，BCI 用户可以轻松高效地搜索该词典，正如我们通过大规模用户研究测试我们的交互算法的可行性、对（虚拟和真实）机器人群进行完整 BCI 系统的用户测试以及根据理论模型验证我们结果的模拟所证明的那样。我们的结果提供了一个概念证明，即如何通过具有低复杂度和噪声输入的 BCI 系统有效地控制一大类高复杂度效应器（甚至超出机器人技术）。
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
基于多尺度模糊熵的基于EEG复杂度的算法：检测阿尔茨海默氏病
摘要：国家内部地区战略（SNAI）是一项公共政策，旨在应对内部地区的扩大，根据提供基本服务的中心的距离定义。这样的政策的成功对于解决了Covid-19大流行的新计划挑战至关重要。从这个意义上讲，有必要通过提供方便的决策支持工具，了解市政当局之间的权力平衡以及定义适当的干预措施来充分支持其实施。SNAI已用于项目选择的指标网格可以满足此需求。但是，网格在市政级别支持公共政策的申请需要审查其某些功能，例如指标的大量数量以及在市政量表上定义其中的一些功能。基于这些前提，本文旨在通过对当前的SNAI电网进行批判性分析来支持内部领域的政策，旨在提高其有效性。它依赖于合并定性数据解释和统计分析的混合方法。借助这种方法，可以通过将其复杂性和信息级别不受影响，从而定义一个简约的网格。SO固定的指标集可以代表一个有价值的参考工具，以从SNAI的角度查明行动的优先级或选择进一步的领土范围，即使它仍然带来了一些要面对的关键问题。
高复杂度诊所中高血压患者的血压控制及相关变量
简介：动脉高血压是一种对心血管死亡率和发病率影响很大的疾病；然而，它仍然没有得到充分控制。目的：评估专科门诊患者的高血压控制情况并确定相关变量。方法：横断面研究，分析在一家高度复杂的门诊接受治疗的 782 名患者的病历。纳入标准：年龄≥18岁，确诊患有高血压，治疗≥6个月。排除继发性高血压患者（104）和数据不完整患者（64）。主要结果是血压控制（收缩压<140和舒张压<90 mmHg）。研究的独立变量是：社会人口统计学和临床特征（药物使用、合并症和实验室检查）。在双变量分析中使用 Pearson χ2 检验、Fisher 检验、Student t 和 Wilcoxon-Mann-Whitney 检验，在多重分析中使用逻辑回归，采用 p ≤ 0.05。结果：高血压控制率为 51.1%。与血压控制不足相关的因素包括：体重指数（OR = 1.038；95% CI = 1.008 - 1.071）、卒中史（OR = 0.453；95% CI = 0.245 - 0.821）、左心室肥大（OR = 1.765；95% CI = 1.052 - 3.011）和用药次数（OR = 1.082；95% CI = 1.033 - 1.136）。结论：约一半的高血压患者血压得到控制；临床变量和靶器官损害与血压控制有关。
QCA 中 2:1 多路复用器块的超低复杂度......
信息可以通过量子单元内电子电荷的配置进行编码 [5]。在 QCA 中，没有电流流动。单元内的一对电子根据电子相互作用的原理改变其位置。QCA 技术是绕过基于晶体管的器件的理想解决方案，因为它在功耗和速度方面存在许多限制 [3]。QCA 技术具有许多有趣的特性，例如低功耗、高频处理和小特征尺寸 [6]。数字系统的当前趋势是降低电路的复杂性；在这种情况下，QCA 会派上用场。在这项工作中，提出了一种新的 2:1 QCA-MUX 结构。所提出的门在面积、复杂性（单元数）和成本方面都更胜一筹。2. 背景
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
基于脑电图复杂度作为生物标志物预测强迫症患者的治疗抵抗力
目的：本研究旨在确定一种可以预测强迫症 (OCD) 患者治疗抵抗性的脑电图 (EEG) 复杂性生物标志物。此外，还确定了治疗抵抗性和治疗反应性患者 EEG 复杂性值之间的统计差异。此外，还评估了 EEG 复杂性与耶鲁-布朗强迫症量表 (YBOCS) 评分之间是否存在相关性。方法：回顾性评估了 29 名治疗抵抗性和 28 名治疗反应性强迫症患者的 EEG 数据。根据 4 个常见频带，即 delta、theta、alpha 和 beta，使用近似熵 (ApEn) 方法从整个 EEG 数据和滤波后的 EEG 数据中提取 EEG 复杂性。使用随机森林方法对 ApEn 复杂性进行分类。结果：从β波段EEG片段提取的ApEn复杂度可区分对治疗有反应和对治疗有抵抗力的强迫症患者，准确率为89.66%（敏感性：89.44%；特异性：90.64%）。对治疗有抵抗力的强迫症患者的β波段EEG复杂度较低，以YBOCS评分衡量的强迫症严重程度与复杂度值呈负相关。结论：结果表明，EEG复杂度可被视为预测强迫症患者治疗反应的生物标志物。意义：对强迫症患者治疗反应的预测可能有助于临床医生制定和实施个性化治疗计划。2020年国际临床神经生理学联合会。由Elsevier BV出版，保留所有权利。
基于经典描述的模糊 Kolmogorov 复杂度
柯尔莫哥洛夫-所罗门诺夫-柴廷（Kolmogorov，简称 Kolmogorov）复杂度由 Solomonoff [ 1 ] 和 Kolmogorov [ 2 ] 独立提出，后来柴廷 [ 3 ] 也提出了这一复杂度。该复杂度基于可以模拟任何其他图灵机的通用图灵机的发现 [ 4 , 5 ]。单个有限字符串的柯尔莫哥洛夫复杂度是能够正确生成该字符串作为输出的通用图灵机的最短程序的长度，也是对字符串所含信息量的度量。已经证明，虽然存在多种图灵机，但最短程序的长度是不变的，在底层图灵机的选择下，其差异最多为一个加法常数 [ 6 ]。柯尔莫哥洛夫复杂度理论广泛应用于问答系统 [ 7 ]、组合学 [ 8 ]、学习理论 [ 9 ]、生物信息学 [ 10 ] 和密码学 [ 11 , 12 ] 等领域。1985 年，Deutsch [ 13 ] 引入量子图灵机作为量子计算机的理论模型。量子图灵机扩展了经典图灵机模型，因为它们允许在其计算路径上发生量子干涉。Bernstein 和 Vazirani [ 14 ] 表明量子图灵机在近似意义上具有通用性。最近，一些研究者提出了一些柯尔莫哥洛夫复杂度的量子版本。Vitányi [ 15 ] 提出了量子柯尔莫哥洛夫复杂度的定义，它度量近似量子态所需的经典信息量。Berthiaume 等人 [ 16 ] 提出了一种基于柯尔莫哥洛夫复杂度的量子柯尔莫哥洛夫复杂度定义。 [16] 提出了一种新的量子比特串量子柯尔莫哥洛夫复杂度定义，即通用量子计算机输出所需字符串的最短量子输入的长度。Zadeh [17] 提出了模糊计算的第一个公式，他基于图灵机和马尔可夫算法的模糊化，定义了模糊算法的概念。随后，Lee 和 Zadeh [18] 定义了模糊语言的概念。Santos [19] 证明了模糊算法和模糊图灵机之间的等价性。接下来，Wiedermann [20] 考虑了模糊计算的可计算性和复杂性。利用 Wiedermann 的工作，Bedregal 和 Figueira [21] 证明了不存在可以模拟所有模糊图灵机的通用模糊图灵机。随后，李[22,23]研究了模糊图灵机的一些变体。他证明了