XiaoMi-AI文件搜索系统
World File Search System广义
心力衰竭的广义深度学习模型...
目标：超声心动图（ECG）是用于诊断心力衰竭（HF）的最常见方法。但是，其准确性取决于操作员的经验。此外，数据的视频格式使患者将他们引用和重新检查的挑战。因此，本研究使用了一种深度学习方法来帮助医生评估心脏功能，以促进超声心动图发现的标准化以及动态和静态超声数据的兼容性。Methods: A deep spatio-temporal convolutional model r2plus1d-Pan (trained on dynamic data and applied to static data) was improved and trained using the idea of “regression training combined with classification application,” which can be generalized to dynamic ECG and static cardiac ultrasound views to identify HF with a reduced ejection fraction (EF < 40%).此外，还建立了三个独立数据集，其中包含8976个心脏超声视图和10085心脏超声视频。随后，标记了EF的跨国多中心数据集。此外，还进行了模型培训和独立验证。最后，在三家专门从事心血管疾病的区域医院的注册超声波检查员和心脏病专家招募了不同的工作年度，以比较结果。结果：拟议的深时时空卷积模型在接收器操作特征曲线（AUC）值下达到了0.95（95％置信区间[CI]：0.947至0.953），在动态超声数据的训练集上，AUC的训练集和1（95％CI，1至1至1）的训练集在独立效力集上。结论：随后，该模型被应用于静态心脏超声视图（验证集），同时输入相同心脏的1、2、4和8图像，分别分类的精度分别为85％，81％，93％和92％。在静态数据上，人工智能（AI）模型的分类准确性与超过3个工作年度的超声检查员和心脏病专家的最佳性能相当（p = 0.344），但明显优于中位数水平（p = 0.0000008）。
广义 W 态和非局部魔法
量子模拟的复杂性并非仅仅源于纠缠。量子态复杂性的关键方面与非稳定器或魔法有关 [1]。Gottesman-Knill 定理 [2] 表明，即使是一些高度纠缠的状态也可以被有效地模拟。因此，魔法是一种资源，代表准备量子态所需的非 Clifford 操作（例如 T 门）的数量。我们使用稳定器 R´enyi 熵 [3] 证明，与具有零动量的状态相比，具有非零晶格动量的退化量子多体基态允许魔法的增量 [4]。我们通过分析量化了这一增量，并展示了有限动量不仅增加了长程纠缠 [5]，还导致魔法的变化。此外，我们还提供了 W 状态及其广义（量子信息界经常讨论）与受挫自旋链基态之间的联系。
用于表面码解码的广义信念传播算法
信念传播 (BP) 是一种众所周知的低复杂度解码算法，对重要的量子纠错码类别具有很强的性能，例如随机扩展码的量子低密度奇偶校验 (LDPC) 码类。然而，众所周知，在面对拓扑码（如表面码）时，BP 的性能会下降，其中朴素 BP 完全无法达到低于阈值的状态，即纠错变得有用的状态。之前的研究表明，这可以通过借助 BP 框架之外的后处理解码器来补救。在这项工作中，我们提出了一种具有外部重新初始化循环的广义信念传播方法，该方法可以成功解码表面码，即与朴素 BP 相反，它可以恢复从针对表面码定制的解码器和统计力学映射所知的亚阈值状态。我们报告了独立位和相位翻转数据噪声下的 17% 阈值（与理想阈值 20.6% 相比），以及去极化数据噪声下的 14% 阈值（与理想阈值 18.9% 相比），这些阈值与非 BP 后处理方法实现的阈值相当。
信息几何广义协变量移位自适应
由 { ( x te i , y te i ) } n te i =1 构成的例子，取自测试分布 p te ( x , y ) = p te ( x ) p te ( y | x )。
利用广义锁相分析揭示神经回路的组织
1 德国图宾根马克斯普朗克生物控制论研究所认知过程生理学系，2 德国图宾根大学认知和系统神经科学 IMPRS，3 法国图宾根大学、法国原子能委员会、法国国家科学研究院、巴黎萨克雷大学、NeuroSpin 中心认知神经影像学部，91191 Gif/Yvette，4 中国科学院脑科学与智能技术卓越中心 (CEBSIT) 国际灵长类脑研究中心 (ICPBR)，上海 201602，5 奥地利科学技术研究所 (IST Austria)，奥地利克洛斯特新堡，6 英国曼彻斯特大学生物医学成像研究所成像科学中心，7 德国图宾根马克斯普朗克智能系统研究所和 MPI-ETH 学习系统中心经验推理系
广义集成剂的定量弹性
设计关键的系统工程师必须能够证明，即使在对其某些动作者失去控制权后，他们的系统也可以继续执行其任务。这样的故障导致致动器产生可能不良的输入，而控制器具有实时读数，但没有控制。按定义，如果在部分损失控制授权后仍能达到目标，则系统是弹性的。但是，与其初始功能相比，在这种故障之后，弹性系统可能要慢得多。为了量化这种绩效的损失，我们将定量弹性的概念介绍为达到初始和故障系统的任何目标所需的最小时间比率。直接从定义的定量弹性计算是一项复杂的任务，因为它需要解决四个嵌套（可能是非线性的优化问题）。这项工作的主要技术贡献是提供一种有效的方法来计算具有多个集成器和非对称输入集的控制系统的质量弹性。依靠控制理论并取决于两个新的几何结果，我们将定量弹性的结合减少到线性优化问题上。我们在两个数值示例上说明了我们的方法：低促进航天器的轨迹控制器和一个带有八个螺旋桨的无人机。
自动化的广义深度学习模型...
背景和目标：心血管磁共振（CMR）成像是各种心血管疾病的功能和解剖学评估的强大方式。足够的图像质量对于实现适当的诊断和治疗至关重要。大量的医学图像，各种成像伪像以及成像中心的工作量是揭示自动图像质量评估必要性（IQA）的必要性之一。但是，自动化IQA需要访问批量注释的数据集以培训深度学习（DL）模型。标记医学图像是一个乏味，昂贵且耗时的过程，这在提出基于DL的医疗方法方面构成了基本挑战。本研究的目的是在对注释数据集的访问权限有限的情况下，为CMR IQA提供一种新方法。
量子开关在广义承诺问题中的实际计算优势
量子开关是一种量子计算原语，通过应用叠加阶运算来提供计算优势。特别是，它可以减少解决承诺问题所需的门查询次数，当目标是区分给定一组酉门的一组属性时。在这项工作中，我们使用复阿达玛矩阵来引入更一般的承诺问题，这将问题归结为已知的傅里叶和阿达玛承诺问题作为极限情况。我们的概括放宽了对矩阵大小、门数和量子系统维数的限制，提供了更多参数供探索。此外，它得出结论，连续变量系统对于实现最一般的承诺问题是必不可少的。在有限维情况下，矩阵族被限制为所谓的 Butson-Hadamard 类型，并且矩阵的复杂性作为约束进入。我们引入了“每个门查询”参数，并用它来证明量子开关在连续和离散情况下都具有计算优势。我们的结果应该会启发使用量子开关实现承诺问题，其中可以更自由地选择参数，因此可以更自由地选择实验设置。