XiaoMi-AI文件搜索系统
World File Search System散度
使用连续脑实质阻抗离散度测量人类淋巴功能
附属机构：1 Applied Cognition Inc，加利福尼亚州雷德伍德城；2 华盛顿大学医学院放射学系，华盛顿州西雅图；3 VISN 20 西北精神疾病研究、教育和临床中心，VA 普吉特海湾医疗保健系统，华盛顿州西雅图；4 斯坦福大学医学院临床卓越研究中心，加利福尼亚州斯坦福；5 佛罗里达大学健康中心神经病学系，佛罗里达州盖恩斯维尔；6 VISN 20 西北精神疾病研究、教育和临床中心 (MIRECC)，VA 波特兰医疗保健系统，俄勒冈州波特兰；7 VA 波特兰医疗保健系统神经病学服务部，研究服务部，俄勒冈州波特兰；8 俄勒冈健康与科学大学俄勒冈阿尔茨海默病研究中心神经病学系，俄勒冈州波特兰；9 佛罗里达大学健康精准健康研究中心，临床和转化科学研究所，佛罗里达州盖恩斯维尔； 10 佛罗里达大学医学院健康结果与生物医学信息学，佛罗里达州盖恩斯维尔；11 华盛顿大学医学院精神病学和行为科学系，华盛顿州西雅图；12 华盛顿大学医学院神经病学系，华盛顿州西雅图；
渐近量子信道鉴别的摊销信道散度
众所周知，在有限、非渐近状态下，对于经典信道和量子信道的区分，自适应策略比非自适应策略更具优势。然而，Hayashi [IEEE 信息理论汇刊 55(8), 3807 (2009)] 表明，在渐近状态下，自适应设置不会改善经典信道区分的指数错误率。我们通过多种方式扩展了这一结果。首先，我们通过证明自适应策略不会渐近改善经典量子信道区分的指数错误率，建立了经典量子信道的强 Stein 引理。其次，我们恢复了许多其他类别的信道，对于这些信道，自适应策略不会带来渐近优势。第三，我们给出了自适应协议对于一般渐近量子信道区分的功率的各种逆界。有趣的是，自适应协议是否可以改善非对称 Stein 设置中量子信道区分的指数错误率仍未可知。我们的证明基于量子通道的摊销可区分性的概念，我们使用数据处理不等式对其进行分析。
改进基于能量的模型的对比散度训练
对比散度是一种常用的基于能量的模型训练方法，但众所周知，它在训练稳定性方面存在困难。我们提出了一种改进对比散度训练的改进方法，即仔细研究一个难以计算且经常为了方便而被忽略的梯度项。我们表明，这个梯度项在数值上是显著的，在实践中对于避免训练不稳定很重要，同时易于估计。我们进一步强调了如何使用数据增强和多尺度处理来提高模型的鲁棒性和生成质量。最后，我们通过实证评估了模型架构的稳定性，并在一系列基准测试和用例（如图像生成、OOD 检测和组合生成）上展示了改进的性能。
