XiaoMi-AI文件搜索系统
World File Search System张量
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中周期性信号称为稳态视觉诱发电位 (SSVEP)，由闪烁刺激引起。它们通常通过回归技术检测，该技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验才能在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于使用 SSVEP 信号操作的 BCI 系统，可靠性是以速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，无校准回归方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。所提出的方法对于只有少量校准试验可用的小样本量设置非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，试验时间短至一秒。 OSTDA 在不同实验设置（包括具有认知障碍的实验设置）下的表现与其他三种基准最新技术相似或明显更好（即具有控制、听力、口语和思考条件的四个数据集）。 总体而言，在本文中，我们表明 OSTDA 是所有研究管道中唯一能够在所有分析条件下实现最佳结果的管道。 2021 由 Elsevier BV 出版
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
张量主成分分析的经典算法和量子算法
N 。那么，从理论上讲，当λ远大于 N (1 − p ) / 2 [ 2 , 3 ] 时，可以恢复信息。然而，尚无已知的多项式时间算法能够达到这一性能。相反，最著名的两种算法是谱算法和平方和算法。谱算法最早在参考文献 [ 2 ] 中提出。其中，由 T 0 形成一个矩阵（如果 p 为偶数，则矩阵为 N p/ 2 × N p/ 2 ，其元素由 T 0 的元素给出），并且该矩阵的主特征向量用于确定 v sig 。对于偶数 p ，此方法适用于远大于 N − p/ 4 的λ ，并且推测它的变体对奇数 p 具有类似的效果。基于平方和的方法也具有与谱方法类似的效果。针对该问题，平方和法 [ 4 , 5 ] 产生了一系列算法 [ 6 , 7 ]，这些算法可以在小于 N − p/ 4 的 λ 下进行恢复，但运行时间和空间成本在 polylog( N ) N − p/ 4 /λ 中呈指数增长。在参考文献 [ 1 ] 中，展示了一系列具有类似性能的谱算法。
通过混合张量网络进行量子经典机器学习
张量网络 (TN) 在机器学习中得到了广泛的应用，特别是 TN 和深度学习有着惊人的相似之处。在这项工作中，我们提出了量子-经典混合张量网络 (HTN)，它将张量网络与经典神经网络结合在一个统一的深度学习框架中，以克服常规张量网络在机器学习中的局限性。我们首先分析了常规张量网络在机器学习应用中的局限性，包括表示能力和架构可扩展性。我们得出结论，事实上，常规张量网络不适合成为深度学习的基本构建块。然后，我们讨论了 HTN 的性能，它克服了常规张量网络在机器学习方面的所有缺陷。从这个意义上说，我们能够以深度学习的方式训练 HTN，这是反向传播和随机梯度下降等算法的标准组合。最后，我们提供两个适用案例来展示 HTN 的潜在应用，包括量子态分类和量子-经典自动编码器。这些案例也展示了以深度学习方式设计各种 HTN 的巨大潜力。
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。
PHYSICAL REVIEW A 110, 042210 (2024) 过程张量...
过程张量是量子梳，描述开放量子系统通过多个量子动力学步骤的演化。虽然有多种方法可以测量两个过程的差异，但必须特别注意确保量词遵循物理上可取的条件，例如数据处理不等式。在这里，我们分析了量子梳一般应用中常用的两类可区分性度量。我们表明，第一类称为 Choi 散度，不满足重要的数据处理不等式，而第二类称为广义散度，满足。我们还将量子信道广义散度的一些其他相关结果扩展到量子梳。最后，鉴于我们证明的性质，我们认为广义散度可能比 Choi 散度更适合在大多数应用中区分量子梳。特别是，这对于定义具有梳状结构的资源理论的单调性至关重要，例如量子过程的资源理论和量子策略的资源理论。
一种简单而有效的可扩展多视图张量聚类
基于锚点的大规模多视图聚类因其在处理海量数据集方面的有效性而引起了广泛关注。然而，当前的方法主要通过探索锚点图或投影矩阵之间的全局相关性来寻找用于聚类的共识嵌入特征。在本文中，我们提出了一种简单而有效的可扩展多视图张量聚类（S 2 MVTC）方法，我们的重点是学习视图内和跨视图的嵌入特征的相关性。具体而言，我们首先通过将不同视图的嵌入特征堆叠到张量中并旋转它来构造嵌入特征张量。此外，我们构建了一种新颖的张量低频近似（TLFA）算子，它将图相似性结合到嵌入特征学习中，有效地实现不同视图内嵌入特征的平滑表示。此外，对嵌入特征应用共识约束以确保视图间语义一致性。在六个大规模多视图数据集上的实验结果表明，S 2 MVTC 在聚类性能和 CPU 执行时间方面明显优于最先进的算法，尤其是在处理海量数据时。S 2 MVTC 的代码已公开发布在 https://github.com/longzhen520/S2MVTC。
肌萎缩性侧硬化症中的扩散张量成像
摘要：扩散张量成像（DTI）允许对病理白质变化的体内成像，既可以通过无偏的素voxel，也可以基于假设引导的区域分析。扩散指标的改变表明肌萎缩性侧索硬化症患者在个体水平上的脑状态。使用机器学习（ML）模型来分析复杂和高维神经影像学数据集，ALS中基于DTI的生物标志物的新机会。本综述旨在总结如何将基于DTI参数的不同ML模型用于监督诊断分类，并在ALS中使用无监督的方法提供个性化的患者分层。为了捕获整个神经病理学特征的频谱，DTI可能与其他模式相结合，例如ML模型中的结构T1W 3-D MRI。为了进一步提高ML在ALS中的功能并启用深度学习模型的应用，需要标准化的DTI协议和多中心协作来验证多模式DTI生物标志物。将ML模型应用于基于多模式DTI的多模式的数据集将对ALS患者的神经病理学特征进行详细评估，并可以在临床检查中使用的新型神经影像学生物标志物的发展。
张量脑：感知、记忆和语义解码的统一理论
我们提出了一个关于代理感知和记忆的统一计算理论。在我们的模型中，感知和记忆都是通过符号索引层和亚符号表示层之间振荡交互的不同操作模式实现的。这两层形成一个双层张量网络 (BTN)。索引层对概念、谓词和情景实例的索引进行编码。表示层广播信息并反映认知大脑状态；它是作者所称的“心理画布”或“全局工作空间”的模型。作为感知输入和索引层之间的桥梁，表示层通过其亚符号嵌入实现索引的基础，这些嵌入被实现为连接两个层的连接权重。大脑是一个采样引擎：只有激活的索引才会传达给大脑的其余部分。虽然记忆似乎与过去有关，但其主要目的是支持代理的现在和未来。最近的情景记忆为代理提供了此时此地的感觉。远程情景记忆检索相关的过去经验，以提供有关可能的未来情景的信息。这有助于代理做出决策。基于预期未来事件的“未来”情景记忆指导计划和行动。语义记忆检索当前感知未提供的特定信息，并为未来的观察定义先验。我们的方法解释了情景记忆和语义记忆之间的巨大相似性：语义记忆模拟未来实例的情景记忆。我们分析情景记忆和语义
用于药物重新定位的非负张量分解
计算药物重新定位旨在确定现有药物在治疗其并非针对的疾病方面的潜在应用。这种方法可以大大加快传统的药物发现过程，减少药物开发所需的时间和成本。张量分解使我们能够整合多种药物和疾病相关数据，以提高预测性能。在本研究中，提出了一种用于药物重新定位的非负张量分解 NTD-DR。为了捕捉药物-靶标、药物-疾病和靶标-疾病网络中的隐藏信息，NTD-DR 使用这些成对关联构建一个表示药物-靶标-疾病三重态关联的三维张量，并将它们与药物、靶标和疾病的相似性信息相结合以进行预测。我们将 NTD-DR 与最近的最先进方法在受试者工作特征 (ROC) 曲线下面积 (AUC) 和精确度和召回率曲线下面积 (AUPR) 方面进行了比较，发现我们的方法优于竞争方法。此外，五种疾病的案例研究也证实了 NTD-DR 预测的可靠性。我们提出的方法在前 50 个预测中识别出比其他方法更多的已知关联。此外，NTD-DR 识别的新关联通过文献分析得到验证。