XiaoMi-AI文件搜索系统
World File Search System张量
统计中的张量方法
3 Generalized Cumulants 61 3.1 Introduction and definitions 61 3.2 The fundamental identity for generalized cumulants 62 3.3 Cumulants of homogeneous polynomials 64 3.4 Polynomial transformations 65 3.5 Complementary set partitions 68 3.5.1 Equivalence classes 68 3.5.2 Symbolic computation 69 3.6 Elementary lattice theory 70 3.6.1 Generalities 70 3.6.2分区晶格的m obius功能72 3.6.3包含 - 排斥和二进制晶格74 3.6.4累积和分区晶格75 3.6.5累积的进一步关系77 3.7一些示例77 3.7一些涉及线性模型80 3.8累积空间82 3.9 Gaussian Momments 82 Rysents 85 3.9.19.1.1 issers85。拉普拉斯近似88 3.10.1两人分期膨胀88 3.10.2正式拉普拉斯扩张89 3.11书目注释90 3.12进一步的结果和练习3 92
扩散张量成像发现
这项研究是一项回顾性研究，该研究已由Bezmialememvakıf大学机构伦理委员会批准（日期为2018年10月2日的决定，编号为18/236）。通过表型发现和遗传分析被诊断出的八名受试者参与了这项研究。从同意参加研究的参与者及其父母那里获得了书面知情同意。审查了8位受试者（6名男性，2名女性，平均年龄8岁）和11名年龄匹配的对照组（4名男性，7名女性，平均年龄11岁）。表现症状是精神和运动的恶化，进行性视觉丧失和癫痫发作。所有孩子都存在视力障碍和典型的眼科发现。患者是儿科神经病学系的患者。对照组由没有临床病史的健康患者组成，由于头痛而适用于门诊诊所，并报告其身体检查和MRI正常。回顾性评估所有受试者的常规脑MRI和DTI发现。
一种新型的张量网络
尽管张量网络是模拟低维量子物理的有力工具，但张量网络算法在较高空间维度上的计算成本非常高。我们引入了量子规范网络：一种不同类型的张量网络假设，对于较大的空间维度，模拟的计算成本不会明显增加。我们从量子动力学的规范图 [ 1 ] 中汲取灵感，它由每个空间斑块的局部波函数组成，相邻斑块通过幺正连接相关。量子规范网络 (QGN) 具有类似的结构，只是局部波函数和连接的希尔伯特空间维数被截断。我们描述了如何从通用波函数或矩阵积态 (MPS) 获得 QGN。对于 M 个算子，任何波函数的所有 2 k 点相关函数都可以通过键维数为 O ( M k ) 的 QGN 精确编码。相比之下，仅当 k = 1 时，量子比特的 MPS 通常需要指数级更大的键维数 2 M / 6。我们提供了一种简单的 QGN 算法，用于近似模拟任意空间维度中的量子动力学。近似动力学可以实现时间无关的汉密尔顿量的精确能量守恒，并且空间对称性也可以精确保持。我们通过模拟多达三个空间维度中的费米子汉密尔顿量的量子猝灭来对该算法进行基准测试。
张量感知能量核算
随着由深度学习 (DL) 支持的人工智能 (AI) 应用的快速增长，这些应用的能源效率对可持续性的影响越来越大。我们推出了 Smaragdine，一种使用 TensorFlow 实现的基于张量的 DL 程序的新型能源核算系统。Smaragdine 的核心是一种新颖的白盒能源核算方法：Smaragdine 能够感知 DL 程序的内部结构，我们称之为张量感知能源核算。借助 Smaragdine，DL 程序的能耗可以分解为与其逻辑层次分解结构一致的单元。我们应用 Smaragdine 来了解 BERT（最广泛使用的语言模型之一）的能源行为。Smaragdine 能够逐层、逐张地识别 BERT 中能耗/功耗最高的组件。此外，我们还对 Smaragdine 如何支持下游工具链构建进行了两个案例研究，一个是关于 BERT 超参数调整的比较能量影响，另一个是关于 BERT 进化到下一代 ALBERT 时的能量行为演变。
基于梯度的机器在张量上的限制...
非局部性是量子物理学的重要组成部分，是量子状态（例如纠缠）许多引人注目的特征的核心。高度纠缠的量子状态的一个重要类别是Greenberger-Horne-Zeilinger（GHz）状态，它们在各种基于量子的技术中扮演关键角色，并且特别感兴趣地基于噪音量子硬件进行基准测试。一种新型的量子启发的生成模型被称为天生机器，该模型利用量子物理的概率性质，在学习经典数据和量子数据方面取得了巨大的成功。为此，我们研究了训练天生机器在张量网络的两个不同架构上学习GHz状态的任务。我们的结果表明，基于梯度的训练方案对TN BORN机器无法学习GHz状态相干叠加（或平等）的非本地信息。这导致了一个重要的问题，即哪种建筑设计，初始化和优化方案更适合学习隐藏在量子状态中的非本地信息，以及我们是否可以适应量子启发的培训算法以学习此类量子状态。
通过MEG数据的张量分解
目的：识别电生理信号的信息特征对于理解脑发育模式很重要，其中诸如磁脑电图（MEG）等技术特别有用。然而，更少的关注是完全利用MEG数据的多层次性质来提取描述这些模式的组件。方法：MEG产量成分的张量因子化封装数据的多维性质，提供了简约的模型，从而识别潜在的大脑模式，以实现有意义的neu-ral过程汇总。为了满足对小儿队列研究有意义的MEG签名的需求，我们提出了一种基于张量的方法来提取多受试者MEG数据的发育特征。我们采用规范多核（CP）分解来估计数据的潜在时空组件，并将这些组件用于组级别的统计推断。结果：使用CP分解以及层次聚类，我们能够提取典型的早期和晚期延迟事件相关场（ERF）组件，这些磁场（ERF）组件是高分和低性能组的歧视性（P <0。05），与主要认知领域（例如注意力，情节记忆，执行功能和语言理解力）显着相关。结论：我们证明，MEG的基于张量的组级别统计推断可以产生对多维MEG数据的描述。此外，这些特征可用于研究健康儿童的脑模式和认知功能的群体差异。意义：我们提供了一种有效的工具，该工具可能直接从电生理测量中评估儿童发育状况和大脑功能有用，并促进认知过程的前瞻性评估。
使用功能层次张量
这项工作涉及解决高维fokker-planck方程的新观点，即可以根据其相关粒子动力学采样的轨迹将求解PDE求解为密度估计任务的独立实例。使用这种方法，一个回避误差积累是由于在参数化函数类上集成了PDE动力学而产生的。这种方法显着简单地简化了部署，因为人们没有基于不同方程的损失条款的挑战。特别是我们引入了一类新的高维函数，称为功能层次张量（FHT）。FHT ANSATZ利用了层次的低级别结构，从而相对于维度计数，具有线性可扩展的运行时和内存复杂性的优势。我们引入了一种基于草图的技术，该技术对与方程相关的粒子动力学模拟的粒子进行密度估计，从而根据我们的ANSATZ获得了Fokker-Planck解决方案的表示。我们将提出的方法成功地应用于具有数百个变量的三个具有挑战性的时间依赖的Ginzburg-Landau模型。
具有张量网络的隐私机器学习
张量网络广泛用于提供有效的局部量子多体系统的低能状态的有效表示，最近被提议为Ma-Chine学习体系结构，这些体系结构可以在传统方面具有优势。在这项工作中，我们表明，张量网络体系结构尤其具有潜在的潜在属性来保存机器学习，这在诸如医疗记录处理之类的任务中至关重要。首先，我们描述了馈电神经网络中存在的一个新的隐私漏洞，以合成和现实世界数据集进行了说明。然后，我们开发明确定义的条件，以确保对这种脆弱性的鲁棒性，这涉及仪表符号下的模型的表征。我们严格地证明，张量 - 网络构造可以满足此类条件。这样做，我们为基质产品状态定义了一种新型的规范形式，该状态具有高度的规律性，并根据基于奇异值分解的规范形式固定剩余的规格。我们通过在医疗记录数据集中对矩阵产品状态进行培训的实际示例补充发现结果，这表明攻击者从模型的术语中提取有关培训数据集的信息的可能性很大。鉴于在训练张量 - 网络架构方面的专业知识越来越大，这些重新
通过张量 - 网络对锂离子电池进行建模 -
电化学模型和ECM都可以视为基于物理的模型。尽管最近进行了许多研究，但仍发现它们不足以捕获由电化学，热过程和电气过程以及寄生虫反应的混合而产生的全部libs复杂动态，尤其是在计算能力的限制时。鉴于当今的LIB系统在运行中提供了许多数据，因此从系统识别或机器学习的角度来看，纯数据驱动的方法为Lib Modeling提供了有价值的替代方法（Ljung，1999; Verhaegen and Verdult，2007; Murphy; Murphy，2012; Hu and de Callafon，2017; Hu and de Callafon，2017; hu; hu; hu; hu; hu et 2020;跳过基本的物理和特点，这些方法提取了黑框模型，以通过参考统计和优化方法来关联LIB的输入和输出数据。可以在