XiaoMi-AI文件搜索系统
World File Search System奇偶
解决奇偶校验和支付游戏的最优策略改进算法⋆
摘要。本文提出了一种用于奇偶和支付游戏的新型策略改进算法，该算法保证在每个改进步骤中选择一个局部策略修改的最佳组合。当前的策略改进方法使用具有两个不同阶段的算法，根据某些排名函数逐步改进一个玩家的策略：它们首先从局部有利可图的更改列表中选择一个玩家策略的修改，然后评估修改后的策略。这种分离是不幸的，因为当前的策略改进算法除了将各个局部修改分类为有利可图、对抗性或陈旧性之外，没有有效的方法来预测单个局部修改的全局影响。此外，它们完全看不到不同修改的交叉影响：应用一种有利可图的修改可能会使所有其他有利可图的修改都具有对抗性。我们的新构造克服了传统的选择和评估策略修改之间的分离。因此，它通过在每个步骤中提供最佳改进，从所有有利可图和陈旧更改的超集中选择最佳的局部更新组合，从而改进了当前的策略改进算法。
用于凝视跟踪任务期间用户表现和疲劳评估的人机自适应模型
摘要：眼动界面是一种新兴技术，用户只需注视图形用户界面 (GUI) 即可控制它们。然而，使用凝视控制的 GUI 可能是一项艰巨的任务，会导致认知和身体负荷过重以及疲劳。为了应对这些挑战，我们提出了基于生物反馈的自适应人机辅助人机界面 (HA-HCI) 的概念和模型。该模型可以有效和可持续地使用由生理信号（例如凝视数据）控制的计算机 GUI。所提出的模型允许基于阻尼谐振子 (DHO) 模型在人机交互过程中进行分析性人类表现监测和评估。为了测试该模型的有效性，作者从 12 名玩凝视控制计算机游戏的健康志愿者那里获取了凝视跟踪数据，并使用奇偶统计分析对其进行了分析。实验结果表明，所提出的模型有效地描述和解释了注视跟踪性能动态，包括 GUI 控制任务性能的主体变化、长期疲劳和训练效果，以及基于注视跟踪的控制任务期间用户性能的短期恢复。我们还分析了现有的 HCI 和人类性能模型，并开发了现有生理模型的扩展，以开发自适应用户性能感知界面。所提出的 HA-HCI 模型从用户性能的角度描述了人与生理计算系统 (PCS) 之间的交互，结合了与 PCS 的标准 UI 组件交互的性能评估程序，并描述了系统应如何应对生产力 (性能) 的损失。我们通过设计眼控游戏进一步证明了 HA-HCI 模型的适用性。我们还开发了一个基于阻尼谐振的分析用户性能模型，该模型适用于描述基于注视跟踪的 PC 游戏性能的变化。使用奇偶分析测试了该模型的有效性，结果显示存在很强的正相关性。阻尼振荡模型建立的用户个人特征可用于根据玩家的游戏技能和能力对玩家进行分类。实验结果表明，玩家可以分为学习者（阻尼因子为负）和疲劳者（阻尼因子为正）。我们发现振幅和阻尼因子之间存在很强的正相关性，这表明良好的启动者通常疲劳率较高，而启动缓慢的疲劳率较低，甚至可能在比赛中提高其表现。提出的 HA-HCI 模型和分析用户性能模型为开发自适应的人性化 HCI 提供了一个框架，该框架能够监控、分析和提高使用基于生理计算的用户界面的用户的性能。所提出的模型在提高未来人类辅助凝视控制界面系统的可用性方面具有潜在的应用。
对古代印度神话在临床医学中的融合的文献综述：健康和康复的整体方法
神话和古代印度医学的融合，尤其是阿育吠陀，是对文化遗产和科学努力的迷人综合。阿育吠陀涵盖了广泛的实践，包括药理学，解剖学，生理学，手术和妇产科，并整合了印度神话的丰富挂毯，从而提供了对健康和疾病的全面理解。将神话人物和叙事包括在古代印度医学的话语中，为精神和经验知识的融合提供了独特的观点，突出了神话在塑造临床医学基础原理中的作用。话语探讨了阿育吠陀及其神话基础对当代临床实践的深远影响，强调了嵌入古代叙事中的永恒智慧。这些故事代表了整体医学实践的基础，强调了在现代治疗范式中越来越多地证实的思想，身体和精神之间的奇偶恋。Sushruta和Charaka古老的文本中详细介绍的哲学和方法，再加上Dhanvantari和Bharadwaja的寓言故事，对基本原理做出了重大贡献，这些原理是今天的整体医疗方法。阿育吠陀及其神话叙事的持久遗产继续影响并激发了整体医疗保健方法，强调了古代智慧与现代医疗实践之间不可磨灭的联系。
概率振幅成型
在Böcherer，Steiner，Schulte [24]中提出的概率振幅成形（PAS）是一种实用结构，用于在高阶星座上与现成的前进误差校正（FEC）代码相结合的高阶星座。PA由一个分布匹配器（DM）组成，该匹配器（DM）在信号点幅度上施加了分布，然后进行系统的FEC编码，并保留幅度分配。fec编码会生成其他奇偶校验位，该位选择信号点的符号。在接收器处，FEC解码之后是逆DM。PA很快产生了很大的工业影响，尤其是在光纤通信中。该专着详细介绍了导致PAS发明的实际构想，并提供了对PAS架构的信息理论评估。由于将其分为成型层和FEC层，因此PAS的理论分析需要新工具。在塑形层上，分析了有限长度DMS的成本损失和费率损失。在FEC层上，得出了可实现的FEC速率。使用不匹配的解码，研究了可实现的速率，以解码实际重要的指标。结合了发现，这表明具有线性代码的PA在一类离散输入通道上可以实现容量。讨论了未来研究的开放问题。
使用格子修剪，正向上下文适应和矢量化
摘要 - 依赖性量化（DQ）是多功能视频编码（VVC）标准中的关键编码工具之一。dq采用两个标量量化器，每个标量量化器的选择受奇偶元驱动的四州状态机的控制。由于设计是规范上执行的，因此DQ的使用需要汇率优化的量化（RDOQ），并具有每个系数决策和状态更新，例如基于网格的量化，最初针对VVC参考软件（VTM）提出。由于其固有的依赖性（包括基于先前编码的系数值的VVCS上下文选择）以及相当广泛的搜索范围，因此Trellis量化在计算上是高度复杂的。降低该算法的复杂性对于实用的VVC编码器至关重要。在本文中，我们提出了一个快速依赖的量化格子搜索，通过以下方式改进了初始设计：不可能的分支的格子修剪，正向自适应上下文传播，最后是矢量化的实现。在开放和优化的VVEND编码器中提出的建议方法将量化运行时减少了37％，允许在中等预设中总体15％的编码器加速，而在全intra编码条件下对压缩性能没有影响。在随机访问条件下，实现了9％的整体编码器加速。索引项 - VVC，VVEN，量化，格子，矢量。
基于AAV的实验动物中人类疾病建模的向量瘤胃微生物的影响
先前的研究已经讨论了Sanhe和荷斯坦奶牛之间的血清代谢与哺乳性表现之间的关联，发现这两种品种的代谢谱与平等不同。由于瘤胃是奶牛营养吸收和生产转化的中心器官，因此在相同饮食条件下观察到的差异是否与瘤胃微生物组的结构有关，尚不清楚。这项研究测量了四个奇偶族的Sanhe Cows（S1/S2/S3/S4）和Holstein Cows（H1/H2/H3/H4）的明显消化率和瘤胃发酵参数，并使用高通量测序技术产生了全面的瘤胃象征性型菌群数据集。在S组之间观察到干物质消化率（P = 0.001）和氨氮（P = 0.024）的显着差异，S1中各种VFA含量的趋势较高（0.05 H组在粗蛋白消化率上显示出显着差异（p = 0.001），H1中的较高的异价酸含量（p = 0.002）以及H3中最低的乙酸盐与丙酸丙酸酯与丙酸酯比（P = 0.002）。 元基因组测序结果表明瘤胃微生物组模式和代谢变化之间的一致性，S1与S2/S3/S4明显不同，H1和H2与H3和H4不同。 瘤胃微生物组的物种组成在Sanhe和Holstein Cow之间相似，但注意到丰度的差异。 根瘤菌<肾小球>，新甲基脂肪酸群和心摩肌在S1，H1和H2中更为丰富，并且在这些阶段中，自噬 - 触及植物 - 病原体相互作用和内吞作用等途径显着富集。H组在粗蛋白消化率上显示出显着差异（p = 0.001），H1中的较高的异价酸含量（p = 0.002）以及H3中最低的乙酸盐与丙酸丙酸酯与丙酸酯比（P = 0.002）。元基因组测序结果表明瘤胃微生物组模式和代谢变化之间的一致性，S1与S2/S3/S4明显不同，H1和H2与H3和H4不同。瘤胃微生物组的物种组成在Sanhe和Holstein Cow之间相似，但注意到丰度的差异。根瘤菌<肾小球>，新甲基脂肪酸群和心摩肌在S1，H1和H2中更为丰富，并且在这些阶段中，自噬 - 触及植物 - 病原体相互作用和内吞作用等途径显着富集。多方的Sanhe奶牛的ATP结合盒转运蛋白途径的丰度更高。此外，诸如GH84和GH37之类的Cazymes与差异性生理指标和牛奶性状显着相关。总而言之，这项研究揭示了Sanhe和不同奇偶群体的瘤瘤菌与代谢特征之间的复杂关系，这表明瘤胃微生物组的结构的变化可能是影响乳头奶牛泌乳性能和代谢差异的关键因素。
量子自旋霍尔绝缘子的超导二极管效应基于约瑟夫森连接
超导二极管效应（SDE）是一种磁电现象，其中外部磁场将非零的质量中心动量赋予库珀对，以促进或阻碍根据其方向促进超级电流的流动。我们提出，基于量子的自旋霍尔绝缘子（QSHI）的约瑟夫森连接器可以用作非隔离电子设备的多功能平台，当通过相位偏置和非平面磁场触发时，该平台表现出SDE。通过计算Andreev结合状态和准颗粒状态的连续体的贡献，我们提供了数值和分析结果，审查了SDE的各个方面，包括其质量Q因子。发现Q因子的最大值在低（零）温度下是通用的，它的起源与独立于交界处的特定细节的潜在拓扑特性相关。随着磁场的增加，由于轨道效应引起的诱导超导间隙的关闭，SDE减小了。要观察SDE，必须设计基于QSHI的Josephson结，以使其边缘具有不务件的运输。此外，我们在一个更具异国情调但现实的场景中探索了SDE，在驱动电流时，约瑟夫森交界处的典型地面态奇偶校仍然保守。在这种4π的周期情况下，我们预测SDE的增强是与其2π-周期性的，平等无限的对应物相比的增强。
量子码的局部概率解码
flip 是一种极其简单且最大程度局部化的经典译码器，在某些类的经典代码中得到了广泛应用。当应用于量子码时，存在无法由该译码器纠正的恒重误差（如稳定器的一半），因此先前的研究考虑了 flip 的修改版本，有时还与其他译码器结合使用。我们认为这可能并非总是必要的，并提供数值证据证明当将 flip 应用于立方格子上三维环面码的环状征象时，存在一个阈值。该结果可以归因于以下事实：对于该译码器，最低权重的无法纠正误差比其他无法纠正误差更接近（就汉明距离而言）可纠正误差，因此它们很可能在未来的代码周期中经过额外噪声变换后变得可纠正。在解码器中引入随机性可以使其以有限的概率纠正这些“不可纠正”的错误，对于使用信念传播和概率翻转相结合的解码策略，我们观察到现象噪声下的阈值为 ∼ 5.5%。这与该代码的最佳已知阈值（∼ 7.1%）相当，该阈值是使用信念传播和有序统计解码 [Higgott and Breuckmann, 2022] 实现的，该策略的运行时间为 O(n3)，而我们的本地解码器的运行时间为 O(n)（并行时为 O(1)）。我们预计该策略可以推广到其他低密度奇偶校验码中，并希望这些结果能够促使人们研究其他以前被忽视的解码器。
量子误差校正，耗散稳定的挤压量子量表
量子系统与其环境的相互作用导致量子相干的丧失。通常通过Ancilla，建立良好的储层工程方法调整量子系统与其环境的耦合，可以通过将有效的耗散性动态逐渐发展为量子量子状态或量子状态[1-6]，从而克服了有效的耗散动力学来克服脱碳范式。尤其是在电路量子电差异的范围内[7]，已经成功利用了储层工程，以自主保护在谐波振荡器的限制希尔伯特空间中编码的量子信息，即玻孔代码，而无需基于测量的反馈。这是通过有效的奇偶校验的工程来实现的，它保留了耗散的演化，该耗散演化将微波谐振器的状态驱动到由相反状态的均匀和奇数相干叠加跨越具有相反位移的歧义的歧管，也称为Schrödinger猫态[8-11]。原则上，这些耗散动态可用于准备猫代码的逻辑状态[9]。尽管如此，这不是必需的，因为使用最佳控制脉冲序列[10]，可以使用分散耦合量子轴对微波谐振器场进行通用控制，或者正如最近已证明的那样，已证明，连续变量（CV）通用门集的优化序列[12，13]。因此，为了稳定CAT代码的唯一目的，储层工程是为了唯一的目的。
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7