XiaoMi-AI文件搜索系统
World File Search System收敛速度
在 Bures-Wasserstein 流形上取平均值：维度——……
我们研究了用于计算高斯分布重心的关于最优传输度量的一阶优化算法。尽管目标是测地非凸的，但黎曼 GD 经验上收敛速度很快，实际上比欧几里德 GD 和 SDP 求解器等现成方法更快。这与黎曼 GD 最著名的理论结果形成了鲜明对比，后者与维度呈指数相关。在这项工作中，我们在辅助函数上证明了新的测地凸性结果；这为黎曼 GD 迭代提供了强大的控制，最终产生了无维度的收敛速度。我们的技术还可以分析两个相关的平均概念，即熵正则化的重心和几何中位数，为这些问题的黎曼 GD 提供了第一个收敛保证。
论文：使用问题特定的参数化量子电路增强优化问题的 VQE 收敛性
摘要 变分量子特征求解器 (VQE) 算法因其在近期量子设备中的潜在用途而受到越来越广泛的关注。在 VQE 算法中，参数化量子电路 (PQC) 用于准备量子态，然后利用这些量子态计算给定汉密尔顿量的期望值。设计高效的 PQC 对于提高收敛速度至关重要。在本研究中，我们通过动态生成包含问题约束的 PQC，引入了针对优化问题量身定制的问题特定 PQC。这种方法通过关注有利于 VQE 算法的酉变换来减少搜索空间，并加速收敛。我们的实验结果表明，我们提出的 PQC 的收敛速度优于最先进的 PQC，凸显了问题特定 PQC 在优化问题中的潜力。关键词：VQE算法，优化问题，问题特定参数化量子电路
巴拿赫不动点定理及其应用
先验误差界限 (4) 可用于计算开始时估计获得给定精度所需的步骤数。后验界限 (5) 可用于中间阶段，以检查我们是否可能比 (4) 建议的收敛速度更快。我们看到，如果两个连续迭代 xm 和 xm +1 = T ( xm ) 几乎相等，那么这保证我们非常接近真正的不动点 x 。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练过程中的收敛速度提高了 20% 至 40%，在部署过程中的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要的计算内存是后者的 20 倍。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
PPP/PPP-RTK 服务提供商报告
传统 RTK（实时动态）是一种基于 OSR 的方法，需要本地参考站的载波相位和伪距校正（或测量）。它提供几乎瞬时的收敛和厘米级定位精度；然而，它在可扩展性方面存在重大缺陷，因为 RTK 用户需要附近的站点。在 PPP 领域，为了本报告的目的，做了一些区分。PPP 被定义为一种基于 SSR 的方法，只需要校正空间信号误差（轨道、时钟、代码偏差）[1]。传统 PPP 具有可扩展性的巨大优势；然而，它的巨大挑战是收敛时间比 RTK 慢，通常用于估计各个误差贡献的状态，而这对于 RTK 来说不是必需的。PPP 的一个核心特征是估计载波相位测量模糊度。为了将模糊度解为整数，除了上述 PPP 校正（轨道、时钟、代码偏差）之外，PPP 算法还需要卫星载波相位偏差。模糊度解析技术可以实现更高的精度和更快的收敛速度。允许具有相位偏差的 PPP 将被称为 PPP-AR（模糊度解析）。在本报告中，我们还将 Fast-PPP 定义为一种为 PPP 提供本地或区域电离层校正的服务，同样可以实现更快的收敛速度。如果该服务同时提供精确的电离层和对流层校正，允许完全校正大气误差，则将其定义为 PPP-RTK，它提供几乎即时的收敛和厘米级精度，但比 PPP 消耗更多的带宽。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练期间的收敛速度提高了 20% 至 40%，在部署期间的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要 20 倍以上的计算内存。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
电化学锂离子电池模型的状态估计：通过混合重新设计的观察者性能改善*
摘要 - 锂离子电池的有效管理和及时维护需要需要估算的不可证实的（内部）变量。观察者。看来，观察者通常很难在收敛速度和准确性方面获得良好的效果，而这些表现在实践中是必不可少的。在这种情况下，我们演示了如何使用最近开发的混合多观察者来改善为Lihium-Ion电池电化学模型设计的给定观察者的性能。使用标准参数值获得的仿真结果显示了使用所提出的方法提高估计性能的改进。使用标准参数值获得的仿真结果显示了使用所提出的方法提高估计性能的改进。
融合 - 哈佛破折号
代表了一个充分利用的资源：实际上，我们拥有48个经济体的一个世纪数据（尽管肯定不是48个封闭经济体！）。美国各州提供了明确的融合证据，因为贫穷的经济体往往比富裕人的人均趋势更快。如果我们对资本有广泛的看法，那么估计的融合速度与新型增长模型相一致，以便随着经济发展而逐渐减少资本的回报。美国各州的发现可以与国家广泛的国家的发现。但是，出现了一些难题，在与模型的开放经济扩展调解数据时。尤其是，在美国各州的收入和产品的收敛速度相似，而理论推理则表明了一些重要的差异。
基于无线传感器网络覆盖控制算法研究
摘要：无线传感器网络具有传感器节点众多、成本有限、数据采集、容错性好、存储性强等特点，在环境监测、医疗卫生、军事和商业等领域得到广泛应用。覆盖控制是无线传感器网络亟待解决的重要问题。为了解决环境监测的重叠覆盖问题，提高覆盖率，提出了一种基于簇头选择的改进免疫模糊遗传算法（IIFGA），系统地描述了该算法的数学模型。实验中，给出了蚁群优化（ACO）和模拟退火（SA）来比较IIFGA的性能。实验表明，提出的覆盖控制算法具有较高的收敛速度，提高了覆盖率。