XiaoMi-AI文件搜索系统
World File Search System多任务
时空相似性措施基于多任务学习，用于使用MRI数据预测阿尔茨海默氏病进展
摘要 - 识别和利用各种生物标志物跟踪阿尔茨海默氏病（AD）的进展已受到许多最近的关注，并使帮助临床医生迅速做出了迅速的决定。传统的进程模型着重于从MRI/PET图像（例如区域平均皮质厚度和区域量）中提取感兴趣区域（ROI）中的形态生物标志物（ROI）。它们是有效的，但忽略了随着时间的流逝，大脑ROI之间的关系会导致协同的恶化。用于探索这些生物标志物之间的协同恶化关系，在本文中，我们提出了一种新型时空相似性度量的多任务学习方法，可有效预测AD的进展并敏感地捕获生物标志物之间的关键关系。特别是，我们首先定义了一个时间量度，用于估计生物标志物变化随时间变化的幅度和速度，这表明趋势变化（时间）。将这一趋势转换为矢量，然后我们比较了统一的矢量空间（空间）中生物标志物之间的这种变异性。实验结果表明，与直接基于ROI的特征学习相比，我们提出的方法在预测疾病进展方面更有效。我们的方法还使执行纵向稳定性选择以确定生物标志物之间不断变化的关系，这些关系在疾病进展中起着关键作用。我们证明，皮质体积或表面积之间的协同恶化的生物标志物对认知预测具有显着影响。索引术语 - Alzheimer疾病，脑生物标志物相关性，余弦相似性，多任务学习
基于数值方法的动态补偿的航空操纵器机器人的多任务控制
本文提出了一种用于空中操纵器的控制方案，该方案允许解决不同的运动问题：最终效应器位置控制，最终效应器轨迹跟踪控制和路径遵循控制。该方案具有两个级联的控制器：i）第一个控制器是基于数值方法的最小范数控制器，它仅通过修改控制器引用就可以解决三个运动控制问题。另外，由于空中操纵器机器人是一个冗余系统，即，完成任务具有额外的自由度，可以按层次顺序设置其他控制目标。作为控制的次要目标，提议在任务过程中维持机器人臂的所需配置。ii）第二个级联控制器旨在补偿系统的动力学，其中主要目的是将速度误差驱动到零。提出了机器人系统的耦合动态模型（己谐和机器人臂）。该模型通常是根据力和扭矩的函数开发的。但是，在这项工作中，它是参考速度的函数，这些速度通常是这些车辆的参考。通过相应的稳定性和鲁棒性分析给出了提出的对照算法。最后，为了验证控制方案，在部分结构化的环境中进行实验测试，其空中操纵器与空中平台和3DOF机器人臂相符。
在多任务深度加强学习中共享知识
我们研究了在任务之间共享表示形式的好处，以便在多任务增强学习中有效利用深层神经网络。我们利用这样的假设，即从不同的任务中学习，共享共同的属性，有助于概括它们的知识，从而导致更有效的功能与学习一项任务相比。直觉上，当通过增强学习算法使用时，由此产生的功能集提供了性能优势。我们通过提供理论保证来强调在任务之间共享表示形式的条件，从而将近似值近似值的近似时间限制扩展到多任务设置的条件，从而证明了这一点。此外，我们通过提出三种强化学习算法的多任务扩展来补充我们的分析，我们对广泛使用的强化学习基准进行了经验评估，该基准在样本效率和绩效方面显示了对单任务处理的显着改善。
通过多任务学习跨工程机队的知识转移的等级贝叶斯建模
摘要 - 我们提出并在实验上基于双波长DFB激光器，基于四个相移的Moiré光栅（4PS-SMG）。通过在山脊波导的每一侧设计4PS光栅，在腔内的两侧进行了等效的引入，从而实现了两种π相移，从而使设备能够展示双波长激光。山脊波导每一侧的4PS-SMG的采样周期分别为4668 nm和4609 nm。可以通过电子束光刻（EBL）以高质量实现采样周期的59 nm差异。此外，侧壁光栅结构只需要一个暴露才能定义山脊波导和光栅，从而避免了与光栅和山脊波导之间的未对准有关的问题。将电流注入130 mA至210 mA范围内的DFB激光器时，该设备会提供出色的双波长性能，其功率差在两种主要模式之间的功率差不到2 dB。该设备在39.4 GHz处提供高质量的射频（RF）信号，狭窄的线宽约为5.0 MHz。索引项 - 毫米波，双波长DFB激光器，DFB半导体激光器，采样Moiré光栅。
通过合并大小方向的大脑结构变化定量和张量多任务学习
摘要 - 预测阿尔茨海默氏病（AD）进展的机器学习（ML）技术可以极大地帮助研究人员和临床医生建立有效的AD预防和治疗策略。数据形式的单调性和医疗数据稀缺性是当前限制ML方法性能的主要原因。在这项研究中，我们提出了一种新型的基于相似性的定量方法，该方法同时考虑了脑生物标志物之间结构变化的幅度和方向关系，并将量化数据编码为第三阶张量，以解决数据形式单调性问题，然后将量张量的多任务学习模型相结合以预测AD AD Progssive。在此模型中，对每个患者的预测都被视为一项任务，每个任务共享通过张量分解获得的一组潜在因素，任务之间的知识共享可以改善模型的概括并解决医疗数据稀缺问题。该模型可用于有效预测AD积分磁共振成像（MRI）数据和AD患者在不同阶段的认知评分的进展。为了评估所提出方法的有效性，我们利用阿尔茨海默氏病神经影像学计划（ADNI）进行了广泛的实验。结果表明，所提出的模型比各种认知评分上的单项任务和最先进的多任务回归方法更准确，一致地预测AD的进展。所提出的方法可以识别患者的大脑结构变异，并将其应用于可靠地预测和诊断AD进展。
多任务超扫描 BCI 的常见空间模式制定
摘要 — 本研究提出了一种新的公共空间模式 (CSP) 公式，该公式通常用作脑机接口 (BCI) 和其他神经学研究中的强大特征提取技术。在这种方法中，应用于多个受试者的数据并命名为超 CSP，CSP 公式利用了多个同时记录的受试者脑电图之间的个体协方差和互相关矩阵。该方法旨在有效地隔离多个头部之间的共同运动任务，并减轻受试者固有或故意执行的其他虚假或不受欢迎的任务的影响。该技术可以在使用小数据量和低计算复杂度的情况下提供令人满意的分类性能。通过使用提出的超 CSP 和支持向量机分类器，在存在强烈不良任务的情况下，我们在 8 次试验中获得了 81.82% 的分类准确率。我们希望这种方法可以减少多任务 BCI 场景中的训练误差。记录的有价值的与运动相关的超扫描数据集将提供给公众使用，以促进该领域的研究。
基于改进的多任务级联的面部检测...
摘要 - 随着深度学习和计算机视觉的发展，面部检测已得以快速发展。面部检测有多个应用程序域，包括身份身份验证，安全保护，媒体和娱乐。尽管多任务级联的卷积神经网络（MTCNN）具有很高的精度和鲁棒性，但由于真实场景的复杂性和硬件设施的约束，该模型在真实场景中具有大参数和计算开销的缺点。因此，改进的网络模型的开发至关重要。本文通过减少参数和计算开销的数量并使用更好的模型参数来定位面部的关键点来改善MTCNN模型。该模型提高了面部年龄估计的准确性和鲁棒性。宽面和Celeba数据集用于培训。最终的面部检测精度达到98.7％，同时将模型参数的数量减少到相同条件下的70％。该模型满足现代社会对面部检测的应用需求，并证明了改进的网络模型的效率和准确性。
个性化的联邦超级核武器，用于微电网能量需求响应中的多任务增强学习
随着传感器的遍布建筑环境，它们助长了数据驱动的模型的进步，这些模型有望提高微电网管理的效率。但是，这引起了人们对数据隐私和数据所有权的关注。联邦学习的范式已经出现在有监督的学习中以解决这些问题，但是在联合RL方面的工作相对较少，并且专注于培训全球模型，这些模型没有考虑到来自不同微电网的数据的异质性。我们开发了个人联邦超级核武器（PFH）的首次应用于增强学习（RL）。然后，我们提出了PFH对几个射击传输的新应用，并显示了学习的显着初始增加。pfh从未在监督学习基准之外展示过，因此我们将PFH应用于重要领域：RL价格设定以进行能源需求响应。我们考虑了一个跨多个微电网分配给代理的一般情况，其中必须将能量消耗数据保存在每个微电网中。to-cesther，我们的工作探讨了个性化联合学习和RL的领域如何融合在一起，以使多个任务的学习有效，同时避免需要集中的数据存储。
超级核武器的多任务学习
多任务学习体系结构通过在网络之间共享参数来利用共享知识并提高实现的能力来同时建模多个相关任务。设计多任务体系结构是由于参数效率和在所有网络层上灵活建模任务差异的能力之间的权衡而具有挑战性的。我们提出了多任务Hyper Nnetworks，这是一种新颖的多任务学习体系结构，绕过这种权衡，从而生成柔性任务网络，每个任务的参数数量最少。我们的方法使用超网络来从小任务特定的嵌入中为每个任务生成不同的网络权重，并在任务之间启用抽象知识转移。我们的方法从现有的多任务学习架构中脱颖而出，通过提供附加功能来利用任务级元数据来明确学习任务关系和任务功能。我们从经验上表明，多任务超级核武器的表现优于小型禁忌数据问题的许多最先进的多任务学习架构，并且比现有方法更有效地利用元数据。
NMDA驱动的树突状调制可以在层次感觉处理途径中学习多任务表示
虽然大脑中的感觉表示取决于上下文，但尚不清楚如何在生物物理级别实现此类调制，以及如何在层次结构中进一步处理层可以为每个可能的contex-tum-tual状态提取有用的功能。在这里，我们证明了树突状n-甲基-D-天冬氨酸尖峰可以在生理约束中实施对馈送处理的上下文调节。这种神经元特定的调制措施利用了以稳定的馈电权重编码的先验知识，以实现跨环境的转移学习。在具有上下文独立的进发pefferward权重的生物物理逼真的神经元网络中，我们表明对树突分支的调节输入可以通过HEBBIAN，错误调查的学习规则解决线性不可分割的学习问题。我们还证明了表示表示的局部预测是源于不同输入的，还是来自相同输入的不同上下文调制，导致表示跨处理层的分层馈电权量的表示，以适应多种环境。