XiaoMi-AI文件搜索系统
World File Search System张量
基于脑电图诊断轻度认知障碍的张量分解方案
轻度认知障碍 (MCI) 是急性阿尔茨海默病的主要阶段，早期发现对于患者及其周围的人至关重要。由于这一轻度阶段没有明显的临床症状，其症状介于正常衰老和严重痴呆之间，因此很难识别。在此，我们提出了一种基于张量分解的方案，用于使用脑电图 (EEG) 信号自动诊断 MCI。提出一种新的投影，它保留电极的空间信息以构建数据张量。然后，使用并行因子分析 (PARAFAC) 张量分解提取特征，并使用支持向量机 (SVM) 将 MCI 与正常受试者区分开来。在两个不同的数据集上测试了所提出的方案。结果表明，基于张量的方法在诊断 MCI 方面优于传统方法，对于第一个和第二个数据集的平均分类准确率分别为 93.96% 和 78.65%。因此，维持信号的空间拓扑结构在 EEG 信号的处理中起着至关重要的作用。
基于扩散张量图像的机器学习研究，以区分神经性厌食症和神经性贪食症
以前的研究人员已努力将A与BN区分开。荟萃分析仅在AN中强调了特定的认知观点障碍，而在BN中未观察到（7）。此外，正如神经心理学任务研究所暗示的那样，发现患者在食品情绪关系中表现出缺陷的粮食情感关系中的缺陷和食物情绪关系中的扰动（8）。另一项研究表明，患者倾向于将情绪抑制作为适应不良的情绪调节策略，与BN不同（9）。对AN和BN的神经影像学研究揭示了与两种疾病的特定特征有关的一些差异。例如，在一项静息状态功能连通性研究中，在背侧前扣带回皮层和脾后皮质之间显示出更强的连通性，而具有BN的妇女在背侧扣带回皮质和内侧轨道偏侧甲状腺皮质（10）之间表现出增加的同时活性（10）。
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。
2D Pauli代码的一般张量网络解码
在这项工作中，我们为2D代码开发了一个通用张量网络解码器。具体而言，我们构成了一个解码器，该解码器近似于2D稳定器和子系统代码，但受Pauli噪声的影响。对于由N量表组成的代码，我们的解码器的运行时间为O（n log n +Nχ3），其中χ是近似参数。我们通过在三种噪声模型下研究四类代码，即规则的表面代码，不规则的表面代码，子系统表面代码和颜色代码，在钻头滑唇，相移，相动式噪声下，通过研究四类代码来证明该解码器的功能。我们表明，我们的解码器所产生的阈值是最新的，并且在数值上与最佳阈值一致，这表明在所有这些情况下，张量网络解码器很好地近似于最佳解码。对我们解码器的小说是任意2D张量网络的有效有效的近似收缩方案，这可能具有独立的关注。我们还发布了该算法的实现，作为独立的朱莉娅软件包：sweepContractor.jl [1]。
通过张量网络技术在Kitaev的量子双模型中进行热化
1简介2 2量子自旋系统4 2.1符号和基本特性。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 2.2当地哈密顿人的光谱差距。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 2.3圆环上的周期性边界条件。。。。。。。。。。。。。。。。。。。。。。。。。8 3 PEPS和家长汉密尔顿人13 3.1张量表示法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 3.2 PEPS。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 3.3家长哈密顿人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 3.4父母哈密顿族人的光谱差距。。。。。。。。。。。。。。。。。。。。。。。。。。。21 3.4.1边界状态和近似分解。。。。。。。。。。。。。。。。。21 3.4.2局部非注入性PEP的近似分解。。。。。。。。。。。。22 3.4.3近似分解条件的仪表不变性。。。。。。。。。。24 4 PEPS的热场Double 26 4.1量子双模型的描述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 4.2 pepo基本张量。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 4.2.1星级操作员作为PEPO。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 4.2.2 Plaquette操作员作为Pepo。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 29 4.2.3 peps张量在边缘。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 3128 4.2.2 Plaquette操作员作为Pepo。。。。。。。。。。。。。。。。。。。。。。。。。。29 4.2.3 peps张量在边缘。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31
DNA-TEQ：用于 DNN 推理的自适应指数量化张量
摘要 — 量化通常用于深度神经网络 (DNN)，通过降低激活和权重（又称张量）的算术精度来减少存储和计算复杂度。高效的硬件架构采用线性量化，以便将最新的 DNN 部署到嵌入式系统和移动设备上。然而，线性均匀量化通常无法将数值精度降低到 8 位以下，而不会牺牲模型精度方面的高性能。性能损失是由于张量不遵循均匀分布。在本文中，我们表明大量张量符合指数分布。然后，我们提出 DNA-TEQ 以自适应方案对 DNN 张量进行指数量化，以在数值精度和精度损失之间实现最佳权衡。实验结果表明，DNA-TEQ 提供的量化位宽比以前的方案低得多，平均压缩率比线性 INT8 基线高出 40%，准确度损失可以忽略不计，并且无需重新训练 DNN。此外，DNA-TEQ 在指数域中执行点积运算方面处于领先地位。对于一组广泛使用的 DNN，与基于 3D 堆叠内存的基线 DNN 加速器相比，DNA-TEQ 平均可提供 1.5 倍的加速和 2.5 倍的节能。索引术语 —DNN、量化、指数、Transformer
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。
用于模拟量子多态性的张量网络方法...
3.2 使用不同优化方法计算 QAOA 假设状态的张量网络线图。“默认”和“对角线”分别显示使用全矩阵门和对角线门方法的图 3.1 所示电路的张量网络线图。“ZZ 门 + 对角线”是通过在应用公式 3.4 获得的简化量子电路上使用对角线门方法获得的。该图演示了如何通过改进量子算法到张量网络的转换来降低网络的复杂性，从而为寻找收缩阶和收缩本身提供加速。....................................................................................................................................................................................................................................................................36
