XiaoMi-AI文件搜索系统
World File Search System数据表示
适应于...的空中交通数据的新表示法
摘要 — 空中交通通常以简单的指标来表征，例如在给定区域上空飞行的飞机数量或在时间窗口内飞行的总距离。例如，这些值可用于估计给定控制中心所需的空中交通管制员的粗略数量或进行经济研究。但是，这种方法不适用于更复杂的情况，例如在空域比较或空中交通管制员培训中遇到的情况。本文介绍了一种基于可靠理论框架的交通数据创新表示方法。它将为许多专用于交通分析的工具铺平道路。基于局部协方差的提取，获得了一个具有对称正定矩阵空间中值的网格。它可以作为比较的基础，也可以进行过滤和选择，以获得适合有效复杂性评估的交通状况摘要。
用于数据特征选择和压缩特征表示的量子算法
量子计算已成为一个新兴领域，可能彻底改变信息处理和计算能力的格局，尽管物理上构建量子硬件已被证明是困难的，而且当前嘈杂中型量子 (NISQ) 时代的量子计算机容易出错且其包含的量子比特数量有限。量子机器学习是量子算法研究中的一个子领域，它对 NISQ 时代具有潜力，近年来其活动日益增多，研究人员将传统机器学习的方法应用于量子计算算法，并探索两者之间的相互作用。这篇硕士论文研究了量子计算机的特征选择和自动编码算法。我们对现有技术的回顾使我们专注于解决三个子问题：A) 量子退火器上的嵌入式特征选择，B) 短深度量子自动编码器电路，以及 C) 量子分类器电路的嵌入式压缩特征表示。对于问题 A，我们通过将岭回归转换为量子退火器固有的二次无约束二元优化 (QUBO) 问题形式并在模拟后端对其进行求解来演示一个工作示例。对于问题 B，我们开发了一种新型量子卷积自动编码器架构，并成功运行模拟实验来研究其性能。对于问题 C，我们根据现有技术的理论考虑选择了一种分类器量子电路设计，并与相同分类任务的经典基准方法并行进行实验研究，然后展示一种将压缩特征表示嵌入到该量子电路中的方法。
分布式与本地表示
Goldsmith, JA (1990)。自音段和韵律音系学。牛津：Blackwell。 Halle, M. (1983)。论区别性特征及其发音实现。自然语言与语言学理论 1：91-105。 Hulst, H. vd (1989)。音段结构的原子：成分、手势和依赖性。音系学 6：253-284。 Lombardi, L. (1994)。喉部特征和喉部中和。纽约：Garland。 Padgett, J. (1995)。特征几何中的限制。斯坦福：CSLI 出版物。 Sandler, W.，编辑 (1993)。音系学：手语音系学特刊。音系学 10：165-306。 Schane, SA (1984)。粒子音系学的基础。音系学年鉴 1：129–155。Walsh, DL (1997)。流音音系学。博士论文。马萨诸塞大学阿默斯特分校。Williamson, K. (1977)。辅音的多值特征。语言 53：843–871。
wgbstools：用于DNA甲基化测序数据表示，可视化和分析
DNA甲基化的基因组研究经常使用Illumina Beadchip 450K/Epic阵列，该阵列在一组预定义的CpG位点上测量了平均DNA甲基化水平（β值），其中包括整个人类基因组的2800万CPG甲基化位点的2800万CPG甲基化位点的1.5-3％[9,9,10]。DNA测序技术的最新进展促进了一种以碎片为中心的观点，该观点以单分子分辨率捕获了多个相邻CpG位点的二进制DNA甲基化模式[4-8,11-14]。这些技术包括使用甲基化的DNA测序技术，例如牛津纳米孔技术（OXFORD NANANOPORE技术（Oxford）[17]或Pacbbio [18] [18] [18]，这些技术包括甲基[15]或酶甲基处理，然后进行测序（EM-SEQ）[16]，以及直接检测基础修饰。DNA甲基化信息可以在整个基因组中测量，也可以使用杂种捕获阵列，限制酶（RRB）或靶向PCR在目标区域富集[3-5,19-21]。尽管如此，用于处理，可视化和分析此类数据滞后的计算和算法工具。
使用对比学习实现细胞外数据的稳健且可推广的表示
图 1：CEED 框架。在 CEED 中，我们假设波形已经从细胞外记录中提取出来。然后，每个波形都会通过我们的随机视图生成模块，通过应用变换获得不同的视图。这些变换会产生一组预定义的不变性（参见第 3.2.1 节）。使用这些视图，然后训练基于神经网络的编码器（可以采用多层感知器 (MLP) 或变压器的形式）以产生尊重所需不变性的表示。这是通过对比学习实现的，其中鼓励来自相同波形的视图的表示相似，鼓励来自不同波形的视图不相似。训练完成后，学习到的表示可用于一系列下游神经科学任务，例如尖峰分类或形态电细胞类型分类。
关于链接数据中提升映射表示的心理工作量评估
摘要。文献中广泛使用自我报告程序来测量用户在执行特定任务时所经历的心理工作量。本研究建议将这些心理工作量评估技术应用于在链接数据中创建提升映射的任务。已经进行了一项用户研究，以比较使用正式映射语言和文本编辑器“手动”创建此类映射的心理工作量与使用基于块隐喻的可视化表示生成这些映射的心理工作量。本研究采用了两种主观心理工作量工具，即 NASA 任务负荷指数和工作量概况。初步结果显示，这些工具在测量创建提升映射任务的感知心理工作量方面是可靠的。结果还表明，使用可视化表示的参与者获得的心理工作量分数更小且更一致。
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
