XiaoMi-AI文件搜索系统
World File Search System字典
沟通问责制 - 这项工作涉及的范围超过乡镇主管统一的努力势头 - 势头 - 从一些低的hangi
沟通问责制 - 这项工作比乡镇主管统一的努力势头 - 从一些低悬挂的水果开始•有所作为使“变革代理人” /“冠军” /“冠军” /“冠军”计划涉及人员 - 参与个人网络 - 使用个人网络保持积极的实施确定或衡量所有这些因素的范围来确定所有这些因素的竞称和提高计划的范围，以实现目标，以实现目标成就。什么是实施计划？实施 - （1）提出（决定，计划，协议等）生效（Google.com - 字典），（2）执行，完成；为了通过具体措施（https：//www.merriam-webster.com/dictionary/implement）对实际效果并确保实际实现，该实施计划包括在综合计划过程中确定的目标，行动和策略以及完成这些目标所需的任务。制定现实和行动的目标，行动和策略很重要，因为它们可能会对资本改进，新的或更新的发展政策和程序，可能可用的公共资金的识别以及为乡镇创造的愿景。为了确保实施计划，应建立提出优先目标的责任。这将提供按计划保留建议 /项目所需的政府和监督
![arXiv:2007.10894v1 [quant-ph] 2020 年 7 月 21 日](/simg/1\129fc0599ae43a86d23a95f6ce97ddd7c50d7af6.webp)
arXiv:2007.10894v1 [quant-ph] 2020 年 7 月 21 日
振幅放大是 Grover 搜索算法的一个关键组成部分，它使用迭代方法系统地增加一个或多个目标状态的概率。我们提出了新的策略来增强放大过程，即将状态划分为类别，在放大之前或放大期间，这些类别的概率会以不同的水平增加。划分过程基于二项分布。如果事先知道搜索目标状态所属的类别，则与标准版本相比，振幅放大算法中的迭代次数可以大大减少。在更可能的情况下，即事先不知道相关类别，则可以在运行时配置它们的选择，或者可以采用随机方法，类似于二分搜索等经典算法。具体而言，我们将此方法应用于我们之前介绍的量子字典模式，其中键和值在两个单独的寄存器中编码，并且值编码方法与键寄存器中使用的叠加类型无关。我们认为这种结构是搜索的自然设置。我们通过在真实量子硬件 Honeywell System Model HØ 捕获离子量子计算机中获得的实验结果证实了新方法的有效性。
稀疏的组过滤库表示模型
背景：在运动成像（MI）脑电图（EEG）记录以及在脑计算机界面（BCI）应用的MI分类中，常见的空间模式（CSP）已被广泛用于特征外观。BCI通常需要相对较长的脑电图数据来可靠的分类培训。更具体地，在使用一般空间模式进行特征提取之前，使用两个不同类别的训练词典来构造复合词典矩阵，并且在滤波器带中的测试样品的表示形式估计为字典矩阵中列的线性组合。新方法：减轻频率带之间的稀疏小样本（SS）问题。我们为BCI系统中的运动图像提出了一种新型的稀疏组过滤库模型（SGFB）。结果：我们通过基于对非零相关系数的类别表示残差来执行任务。此外，我们还在三个不同的时间窗口中使用约束过滤器频段执行关节稀疏优化，以在多任务学习框架中提取强大的CSP功能。为了验证我们的模型的有效性，我们对BCI竞争的公共EEG数据集进行了实验，以将其与其他竞争方法进行比较。与现有方法的比较：差异
具有深度强化学习的参数 PDE 控制......
参数偏微分方程 (PDE) 的最优控制在工程和科学领域的许多应用中都至关重要。近年来，科学机器学习的进步为参数偏微分方程的控制开辟了新的领域。特别是，深度强化学习 (DRL) 有可能在各种应用中解决高维和复杂的控制问题。大多数 DRL 方法依赖于深度神经网络 (DNN) 控制策略。然而，对于许多动态系统，基于 DNN 的控制策略往往过度参数化，这意味着它们需要大量的训练数据、表现出有限的鲁棒性并且缺乏可解释性。在这项工作中，我们利用字典学习和可微分 L 0 正则化来学习参数偏微分方程的稀疏、鲁棒和可解释的控制策略。我们的稀疏策略架构与 DRL 方法无关，可以在不同的策略梯度和参与者-评论家 DRL 算法中使用，而无需改变其策略优化程序。我们在控制参数化 Kuramoto-Sivashinsky 和对流-扩散-反应 PDE 的挑战性任务上测试了我们的方法。我们表明，我们的方法 (1) 优于基于 DNN 的基准 DRL 策略，(2) 允许推导所学最优控制律的可解释方程，以及 (3) 推广到 PDE 的未知参数而无需重新训练策略。
通过词语预测自动校准 c-VEP BCI
摘要。代码调制的视觉诱发电位脑机接口 (c-VEP BCI) 允许从闪烁字符的虚拟键盘进行拼写。所有字符同时闪烁，每个字符根据预定义的伪随机二进制序列闪烁，循环移位不同的时间滞后。对于给定的字符，伪随机刺激序列会在受试者的脑电图 (EEG) 中唤起 VEP，可将其用作模板。此模板通常在校准阶段获得，并在拼写阶段应用于目标识别。c-VEP BCI 系统的一个缺点是它需要较长的校准阶段才能达到良好的性能。本文提出了一种无监督方法，通过从连续字符之间的 VEP 响应中提取相对滞后并使用字典预测完整单词，避免了 c-VEP BCI 中的校准阶段。我们在公共数据集上进行了离线实验。我们模拟了从英语词典中选择的四组单词的拼写，这些单词的总字符数不同。每个实验都由刺激周期数参数化。所得结果表明，基于单词预测的 c-VEP BCI 自动校准方法可以高效且有效。
使用时间改进的 3D-QALAS 中的 T1 和 T2 映射...
简介：T 2 和 T 1 估计可改善各种病理的特征描述，但较长的扫描时间阻碍了定量 MRI (qMRI) 的广泛应用，因此已经开发了序列以实现高效的 3D 采集。例如，3D-QALAS 1 利用交错的 Look-Locker 采集和 T 2 准备脉冲来对 T 1 和 T 2 进行全脑量化。但是，3D-QALAS 应用恒定翻转角并在 5 个时间点重建图像，这些时间点由于冗长的回波序列期间的信号演变而出现模糊。总结图 1，我们建议通过以下方式改进 3D-QALAS：(1) 结合基于子空间的重建来解决完整的时间动态以消除模糊 (2) 使用与自动微分兼容的模拟通过 Cramer-Rao 界限 (CRB) 优化采集翻转角，(3) 并减少每重复时间 (TR) 的总采集次数以缩短扫描时间。方法：子空间重建：传统 3D-QALAS 应用 T 2 准备和反转脉冲并测量 5 次采集，每次采集都利用 4 度翻转的回声序列。不是为 5 次采集中的每次采集重建一个体积，而是让 𝐸 成为 3D-QALAS TR 中 𝐴 采集之一中的回声数量（通常 𝐴= 5，𝐸= 120 →𝑇= 120 × 5 = 600 𝑒𝑐ℎ𝑜𝑒𝑠/𝑇𝑅 ），其中 𝑇 是回声总数。我们生成一个信号演化字典，用 SVD 计算低维线性基 Φ，从而产生一个易于处理的重建问题 𝑎𝑟𝑔𝑚𝑖𝑛 𝛼 ‖𝑦−𝐴Φ𝛼‖ + 𝑅(𝛼) ，其中 𝐴 表示傅里叶、线圈和采样算子以及 𝑅 正则化。通过使用 𝑥= Φ𝛼 解析时空体积，我们旨在利用与 𝑇 回声 2 的字典匹配来估计更清晰的定量图。图 2 (A) 中的体内实验表明，使用子空间可以减少估计的 T 2 图中的模糊。 CRB 翻转角优化：我们通过最小化两种方式的 CRB 来优化 3D-QALAS 中的翻转角：(1) 优化每个回波序列的一个翻转角 (2) 优化每个回波序列中的所有翻转角。我们使用传统的 4 度翻转角初始化了这两种优化，利用了代表性组织参数 [T 2 =70ms、T 1 =700ms、M0=1] 和 [T 2 =80ms、T 1 =1300ms、M0=1]，并最小化了基于 CRB 的成本函数。我们为 3D-QALAS 实现了自动微分兼容信号模拟 3，从而能够计算基于 CRB 的优化的梯度。减少采集：我们通过从 TR 末尾移除采集，设计了具有 A ={5,4,3} 采集的优化序列，从而加快了扫描速度。实验：我们在扫描仪上实施了针对每个回波序列进行优化的 3D-QALAS 序列，并使用 Mini System Phantom、型号 #136（CaliberMRI，美国科罗拉多州博尔德）和人类受试者（经 IRB 批准）上的常规和优化序列采集数据，进行了 3 次和 5 次采集（1x1x1mm3 分辨率，R=2）。我们比较了使用子空间重建（秩 = 3）和字典匹配估计的定量图。结果：优化序列：图 2（B）绘制了优化的翻转角和（C）与应用子空间重建进行定量估计时的传统序列相比的所得 CRB。优化可以减少 CRB 或者以更少的采集次数匹配传统的 5 次采集 CRB，从而有可能缩短扫描时间。模型和体内：图 3（A）和（B）显示了从模型和体内数据估计的图，其中每个 ETL 翻转角优化的序列（A=3,5 次采集）与恒定翻转角匹配。讨论和结论：未来的工作将实施全翻转角优化序列来解决未来实验中的 T 1 偏差。将子空间重建与自动微分启用的翻转角优化相结合，可获得改进的 3D-QALAS 序列，并将扫描时间缩短 1.75 倍。参考文献：[1] Kvernby, S. et al. J. Cardiovasc. Magn. Reson. 16 , 102 (2014)。[2] Tamir, JI 等人 Magn. Reson. Med. 77 , 180–195 (2017)。[3] Lee, PK 等人 Magn. Reson. Med. 82 , 1438–1451 (2019)。致谢：NIH R01 EB032708、R01HD100009、R01 EB028797、U01 EB025162、P41 EB030006、U01 EB026996、R03EB031175、R01EB032378、5T32EB1680
Rosecliff算法：制作密码动态
摘要：数字景观中的身份验证是由于不断发展的网络威胁而面临的持续挑战。传统的基于文本的密码，这些密码容易受到各种攻击，因此需要创新解决方案来加强用户系统。本文介绍了Rosecliff算法，该算法是一种双重身份验证机制，旨在提高针对复杂的黑客尝试的弹性并不断发展存储的密码。该研究探讨了加密技术，包括对称，不对称和混合加密，从而解决了量子计算机构成的新兴威胁。Rosecliff算法将动态介绍给密码中，该密码允许在多个平台上进行更安全的通信。评估算法的强大攻击，例如蛮力，字典攻击，中间攻击和基于机器学习的攻击。Rosecliff算法通过其动态密码的一代和加密方法，证明了针对这些威胁有效的。可用性评估包括实施和管理阶段，专注于无缝集成以及用户体验，强调清晰度和满意度。限制被承认，从而敦促对加密技术的弹性，鲁棒性的鲁棒性以及对新兴技术的整合的进一步研究。总而言之，Rosecliff算法是一种有希望的解决方案，从而有效地应对现代身份验证挑战的复杂性，并为未来的数字安全研究和增强功能奠定了基础。
Benny Lau和Lee Lau口述历史 b''
L. Lau：我不知道，小时候，我不喜欢学习。我不喜欢做任何事情。我唯一想做的就是玩和看电视。，我认为最大的变化是导致变化的原因，所以我已经注定要失败，因为我父亲已经在计划。当我15岁左右4岁的高中时，我父亲已经知道我不会进入香港的任何大学，所以他已经打算将我送到多伦多与我的长兄弟在一起，以便我可以以某种方式在多伦多上大学。所以，在我们旅行之前。他带我去多伦多旅行去拜访我的兄弟，我应该是口译员，因为他觉得这些年来我一直在学习英语课，所以我必须知道英语。，但是在那次旅行中，当我发现我不知道的时候，我不知道 - 我不知道人们在说什么或机场的迹象，我不明白。所以我意识到“哦，狗屎。我的意思是，我有麻烦。”所以，当我从多伦多回来时，我开始真正学习英语。因此，我的计划是每天每天学习10个单词。所以，我的时间被记住的话所消耗。所以，我会挑选一本《新闻周刊》杂志，以阅读句子，几乎所有其他单词都必须在字典中查找。当时没有Google，对，因此您必须随身携带词典。所以，我想，六个月到九个月后，我不记得确切的时间，我能够阅读《新闻周刊》的文章。
![arxiv：2312.04066v4 [cs.cv] 2024年11月29日](/simg/2\299cce7dff37d86a05dd078f449eebfbae43ceb0.webp)
arxiv：2312.04066v4 [cs.cv] 2024年11月29日
无监督的域改编（UDA）试图通过利用标有标记的源数据集并将其知识传输到类似但不同的目标数据集的标记数据来超越标记数据。同时，当前视觉语言模型表现出显着的零拍词前字典能力。在这项工作中，我们将通过UDA获得的知识与视觉模型的固有知识相结合。我们引入了一种强大的指导学习计划，该计划采用零拍的预测来帮助源数据集和目标数据集对齐。对于强的指南，我们使用目标数据集的最自信的样本扩展了源数据集。此外，我们采用知识蒸馏损失作为弱指导。强大的指导使用硬标签，但仅应用于目标数据集中最自信的预测。相反，弱指南用于整个数据集，但使用软标签。薄弱的指导被用作知识蒸馏损失，并以（调整后的）零射击预测。我们表明，我们的方法从及时的视觉模型适应技术中得到了补充和好处。我们对三个基准（OfficeHome，Visda和Domainnet）进行实验和消融研究，表现优于最先进的方法。我们的消融研究进一步证明了我们算法的不同组合的贡献。
多视图对比度学习超图神经网络，用于药物 - 疾病 - 疾病酶协会预测
确定药物，微生物和疾病之间的潜在关联对于探索发病机理和改善精确医学具有重要意义。有很多用于成对关联预测的计算方法，例如药物微生物和微生物 - 疾病酶关联，但很少有方法集中在高阶三质量药物 - 微生物 - 疾病（DMD）关联上。由HyperGraph神经网络（HGNN）的进步驱动，我们希望它们能够完全限制高级相互作用模式，这是由DMD关联和重新确定声音预测性能提出的Hy-Pergraph背后的。但是，由于体外筛查的高成本，已确认的DMD关联不足，该筛选形成了稀疏的DMD超图，因此具有次级通用能力。为了减轻限制，我们提出了一个dmd关联预测，提出了一个名为MCHNN的经验化学习。我们在DMD HyperGraph上设计了一种新颖的多视图对比学习（CL）作为辅助任务，该任务指导HGNN学习更多的判别性代表并增强通用能力。extentiment实验表明，MCHNN在DMD关联预先字典中实现了令人满意的性能，更重要的是，在稀疏的DMD Hypergraph上设计了我们设计的多视图CL的效率。