XiaoMi-AI文件搜索系统
World File Search System捕获时间
对空间数据挖掘的生成技术的调查
摘要 - 该论文重点是将生成技术集成到空间数据挖掘中，考虑到时空数据的显着增长和多样性。使用RNN，CNN和其他非生成技术中的广告，探索者探索了其在捕获时空数据中捕获时间和机关依赖性方面的应用。然而，诸如LLM，SSL，SEQ2SEQ和扩散模型之类的生成技术的出现已经为进一步增强时空数据挖掘提供了新的可能性。本文对基于生成技术的时空方法进行了全面的分析，并引入了专门为空间数据挖掘管道设计的标准化框架。通过提供详细的综述和使用生成技术的时空方法的新颖分类学，可以更深入地了解该领域中使用的各种技术。此外，本文强调了有希望的未来研究方向，敦促研究人员深入研究时空数据挖掘。它强调需要探索未开发的机会并推动知识的界限，以解锁新的见解并提高时空数据挖掘的有效性和效率。通过整体生成技术并提供标准化的框架，该论文有助于推进该领域，并鼓励研究人员探索在时空数据挖掘中生成技术的巨大潜力。
基于数字二的3-D地图管理，用于边缘...
摘要 - 边缘设备协作有可能促进计算密集型设备姿势跟踪，以进行资源约束的移动增强现实（MAR）设备。在本文中，我们为边缘辅助MAR设计了一个3D地图管理方案，其中边缘服务器通过使用从MAR设备上传的相机框架来构建和更新物理环境的3D地图，以支持本地设备姿势跟踪。我们的目标是通过定期选择适当的上传相机框架并更新3-D地图来最大程度地减少设备姿势跟踪的不确定性。为了应对上行链路数据速率和用户姿势的动态，我们制定了贝叶斯自适应的马尔可夫决策过程问题，并提出了一种基于数字双胞胎（DT）的方法来解决该问题。首先，DT被设计为数据模型，以捕获随时间变化的上行链路数据速率，从而支持3-D地图管理。第二，利用DT提供的广泛生成的数据，开发了一种基于模型的增强学习算法来管理3-D地图，同时适应了这些动态。数值结果表明，设计的DT在准确捕获时间链接数据速率方面优于Markov模型，而我们设计的基于DT的3-D MAP管理方案超过了减少设备的基准方案构成不确定性。
使用自适应智能预测时间序列的图形强化学习
摘要 - 强化学习以其能够对顺序任务进行建模和学习潜在数据模式的能力而闻名。深度学习模型已在回归和分类任务中广泛探索和采用。但是，深度学习具有其局限性，例如假设均等和有序数据，以及缺乏在时间序列预测方面合并图形结构的能力。图形性化neu-ral网络（GNN）具有克服这些挑战并捕获时间序列数据中的时间依赖性的能力。在这项研究中，我们提出了一种新的方法，用于使用GNN和增强学习（RL）监测时间序列数据。gnns能够将数据的图形结构明确地纳入模型，从而使它们能够以更自然的方式捕获时间依赖性。这种方法允许在复杂的时间结构中进行更准确的预测，例如医疗保健，交通和天气预报中的预测。我们还使用贝叶斯优化技术来微调我们的GraphRl模型，以进一步提高性能。所提出的框架在时间序列预测和监视中优于基线模型。本研究的贡献包括引入时间序列预测的新型GraphRl框架，以及与传统深度学习模型（例如RNN和LSTMS）相比，GNNS的有效性的证明。总体而言，这项研究证明了GraphRL在动态RL环境中提供准确有效的预测的潜力。
使用基于元学习的深度学习模型推断麻醉状态下的大脑状态
摘要 — 监测麻醉期间的意识深度对于临床环境和神经科学研究都有助于了解大脑机制。脑电图 (EEG) 已被用作实时表征麻醉剂引起的大脑改变的唤醒和/或认知状态的客观手段。不同的全身麻醉剂以不同的方式影响脑电活动。然而，由于 EEG 信号的信噪比 (SNR) 低，尤其是在办公室麻醉 EEG 环境中，传统机器学习模型在 EEG 数据上的表现并不令人满意。深度学习模型因其良好的泛化和处理噪声的能力而被广泛应用于脑机接口 (BCI) 领域以执行分类和模式识别任务。与其他深度学习已显示出令人鼓舞的结果的 BCI 应用相比，用于对麻醉下不同大脑意识状态进行分类的深度学习方法的研究要少得多。在本文中，我们提出了一种基于元学习的新框架，使用深度神经网络对麻醉状态下的大脑状态进行分类，即 Anes-MetaNet。Anes-MetaNet 由卷积神经网络 (CNN) 组成，用于提取功率谱特征，基于长短期记忆 (LSTM) 网络的时间后果模型用于捕获时间依赖性，以及元学习框架用于处理跨主体的大量差异。我们使用多阶段训练范例来提高性能，这可以通过可视化高级特征映射来证明。通过与现有方法进行比较，在办公室麻醉脑电图数据集上进行的实验证明了我们提出的 Anes-MetaNet 的有效性。
电动图像EEG信号编码的多视图CNN
目的：卷积神经网络（CNN）最近在解码脑脑成像（MI）脑部计算机界面（BCI）的脑电图（EEG）信号方面引起了很多注意，该信号设计用于改善中风康复策略。然而，脑电图信号的极其非线性，非平稳性质和各个受试者之间的多样性导致CNN模型过度拟合并限制其学习能力。在这项研究中，提出了具有多视图输入的密集连接的卷积网络。方法：首先，通过应用于脑电图信号的带通滤波器的CNN模型输入，从原始EEG信号中产生了不同的数据子集，以基于脑节律生成多个频率子频段信号。然后，分别基于整个频段和滤波器频段信号捕获时间和空间特征。此外，使用多CNN层的两个密集块，它们将每一层连接到馈送路径中的其他层，用于增强模型学习能力并增强信息传播。最后，使用一种串联融合方法来整合提取的特征和完全连接的层来最终化分类。结果：所提出的方法在韩国公立大学EEG数据集上达到了75.16％的平均准确性，该数据集由54个健康受试者组成，用于两级运动成像任务，高于其他最先进的深度学习方法。结论：提出的方法有效地从BCI系统中的EEG信号中提取了更丰富的运动图像信息，并提高了分类精度。
生成性动力图形 - 代表性学习 -
在金融交易中进行检测至关重要，特别是对于确定诸如阴谋欺骗之类的复杂行为。传统机器学习方法主要集中在孤立的节点特征上，通常忽略了互互互操作节点的更广泛背景。基于图形的技术，尤其是图形神经网络（GNN），通过有效利用关系信息来推进该领域。但是，在现实世界中的欺骗检测数据集中，交易行为表现出动态，不规则的模式。措施欺骗检测方法虽然在某些方面有效，但仍在努力捕获动态和多样化的，不断发展的节点之间的关系的复杂性。为了应对这些挑战，我们提出了一个名为“生成动态图”模型（GDGM）的新颖框架，该框架对动态交易行为进行建模以及节点之间的关系，以学习阴谋欺骗检测的表示表示。具体来说，我们的方法结合了生成动态的潜在空间，以捕获时间模式和不断发展的市场条件。原始交易数据首先将其转换为时标的序列。然后，我们使用神经普通微分方程和门控反式单元对交易行为进行建模，以生成结合欺骗模式的时间动态的表示形式。此外，还采用了伪标记的结构和异质聚合技术来收集相关信息并提高阴谋欺骗行为的检测性能。对欺骗检测数据集进行的实验表明，我们的方法在检测准确性方面构成了最先进的模型。此外，我们的欺骗检测系统已成功部署在最大的全球交易市场之一中，进一步验证了所提出方法的实际适用性和性能。
使用基于注意力的DC-GRU网络在板球中的裁判信号识别
计算机视觉在各种运动领域都有广泛的应用，板球是一种具有不同事件类型的复杂游戏，也不例外。在板球比赛中识别裁判员信号对于游戏玩法中的公平而准确的决策至关重要。本文介绍了板球裁判动作视频数据集（Cuavd），这是一个新颖的数据集，旨在检测板球比赛中的裁判姿势。由于裁判拥有对现场发生的事件做出关键判断的权力，因此该数据集旨在为板球中的自动化系统促进自动化系统的发展做出贡献。提出的基于注意力的深卷积GRU网络准确地检测并在视频序列中对各种裁判信号作用进行了分类。该方法在我们准备好的CUAVD数据集和公开可用的数据集上，即HMDB51，YouTube操作和UCF101获得了显着的结果。DC-GRU注意模型表明了其在捕获时间依赖性和准确识别裁判信号作用方面的有效性。与其他高级模型（如传统的CNN体系结构，CNN-LSTM引起关注）和3DCNN+GRU模型相比，提出的模型始终优于识别裁判信号动作。在正确分类裁判员信号视频时，它实现了94.38％的高验证精度。本文还使用诸如F1测量和混乱矩阵之类的性能指标评估了模型，从而确认了它们在识别裁判信号动作方面的有效性。建议的模型在现实生活中具有实际应用，例如体育分析，裁判培训和自动裁判援助系统，在视频中，精确地识别裁判信号是至关重要的。
![arxiv：2204.09840v1 [eess.sp] 2022年4月21日](/simg/g:\will\search\icon\source\5\504a728d3f527df747c3c63716c58715487243b8.webp)
arxiv：2204.09840v1 [eess.sp] 2022年4月21日
摘要。可以通过观察大脑结构和功能连接性中的替代性来检测几种脑部疾病。神经疾病的发现表明，诸如轻度认知障碍（MCI）之类的脑疾病的早期诊断可以预防甚至将其发展为阿尔茨海默氏病（AD）。在这种情况下，最近的研究旨在通过提出在大脑图像上使用的机器学习模型来预测大脑连接的演变。但是，这种方法是昂贵且耗时的。在这里，我们建议将脑连接性用作更有效的替代方案，以通过大脑来依赖时间依赖大脑的诊断，而相反，大型互连图表征了几个大脑区域之间的相互连接方案。我们称我们提出的方法复发性脑图映射器（RBGM），这是一种新型的基于边缘的复发图神经网络，可预测单个基线中脑图的时间依赖性评估轨迹。我们的rbgm包含一组反复的neu-ral网络启发映射器，每个时间点都旨在将地面真相脑图投射到下一个时间点上。我们利用教师强迫方法来提高训练并提高进化的大脑图质量。为了在每个时间点保持预测的脑图及其相应的地面脑图之间的拓扑一致性，我们进一步整合了拓扑损失。我们还使用L 1损失来捕获时间依赖性，并最大程度地减少正规化的连续时间点脑图之间的差异。针对RBGM和最新方法的几种变体的基准表明，我们可以在更有效地预测大脑图演化方面达到相同的准确性，为新颖的图形神经网络体系结构和高度有效的训练方案铺平了道路。我们的RBGM代码可在https://github.com/basiralab/rbgm上找到。
使用LSTM在巴西进行预测和爆发检测：整合人类流动性和气候因素
背景登革热是全球主要的健康问题，由于其有利的气候因素，社会环境状况以及人类流动性的增加，巴西反复发生和严重爆发。准确的登革热案件和爆发风险对于预警系统和有效的公共卫生干预至关重要。传统的预测模型主要依赖于历史案例数据和气候变量，通常忽略了人类运动在病毒传播中的作用。本研究通过将人类流动性数据纳入基于深度学习的登革热预测框架来解决这一差距。方法开发了一种基于LSTM的模型，以预测每周的登革热病例并检测到选定的巴西城市的爆发。该模型整合了历史登革热案例，滞后气候变量（温度和湿度）以及人类移动调整后的进口案例，以捕获时间趋势和空间传播动态。根据三种替代模型评估其性能：（1）仅使用登革热案例数据的LSTM，（2）结合气候变量的LSTM，以及（3）LSTM集成气候和地理邻里效应的LSTM。使用平均值溶质误差（MAE），平均绝对百分比误差（MAPE）和连续排名的概率得分（CRP）评估了预测准确性，而使用准确性，灵敏度，特异性和F1分数评估了爆发分类。结果在登革热案例预测和爆发检测中，提出的提出的迁移率增强的LSTM模型始终超过所有基线。在所有城市中，它都达到了较低的MAE和MAPE值，表明准确性提高，同时也表现出了出色的CRP性能，反映了良好的校准不确定性估计值。在爆发分类中，该模型达到了最高的灵敏度和F1分数，与仅依赖病例趋势，气候变量或地理位置的模型相比，它在检测爆发期间的有效性。结果强调了登革热预测中赋予移动性数据的重要性，尤其是在人口较高的城市中心。
糖尿病的新型混合深度学习模型...
被称为糖尿病性视网膜病的进行性眼科疾病仍然是全球失明的主要原因。有效的治疗和预防视力丧失需要迅速而准确的DR检测。深刻的学习程序在临床图片检查中表现出了非凡的承诺，在本文中，我们提出了一个混合模型，该模型加入了卷积大脑组织（CNNS）和重复性脑组织（RNN）的质量，以进一步发展Dr Discovery精确性。拟议的跨界深度学习模型涉及三个主要阶段。首先要采取的前进性，以这种方式以这种方式来升级眼底图片的质量和差异化，以取决于该模型消除基本亮点的能力。之后，使用残留的CNN来从已经处理的图像中提取特征。残留的CNN在捕获各种级别的亮点方面是备用的，并且此阶段使模型能够成功从信息图片中获得歧视性元素。随后的阶段包括将RNN纳入模型。rnns非常适合分析医学图像中的顺序模式，因为它们非常适合处理顺序数据和捕获时间依赖性。由于RNN的包含，该模型从底底图像序列中提取时间信息的能力提高了其识别早期DR进展符号的能力。混合模型的体系结构促进了空间和时间信息的融合，从而实现了更全面，更准确的DR诊断。1。第三阶段和最后阶段围绕着表征任务，在该任务中，完全关联的大脑网络被用来破译过去阶段分开的亮点，并将图片订购为各种DR的严重程度。关键词：糖尿病性视网膜病，深度学习，混合模型，检测，视网膜图像。引言糖尿病性视网膜病（DR）是一种退化性眼部感染，是糖尿病的结果。对视网膜中血管的损害，眼睛背面的光敏组织是其独特的特征之一。每当未经处理的情况下，DR都会导致严重的视力不幸甚至视觉缺陷[1] [2]。非增殖性糖尿病性视网膜病（NPDR）和增殖性糖尿病性视网膜病（PDR）是糖尿病性视网膜病的两种基本类型[3] [4]。在NPDR的开始阶段，视网膜中的静脉虚弱，并开始溢出液体或血液。但是，PDR是一个更高级的阶段，其中视网膜的表面开始发芽新，