XiaoMi-AI文件搜索系统
World File Search System方差
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
系统、其状态和方差的使用
摘要：量子信息调动了对量子系统、其状态和行为的描述。自 1932 年冯·诺依曼提出测量假设以来，如果一个量子系统被制备成由相同密度算符 ρ 表示的两种不同混合状态，则这些制备被认为会导致相同的混合物。50 多年来，人们对这一假设一直缺乏共识。在 2011 年的一篇文章中，Fratini 和 Hayrapetyan 考虑了自旋分量的方差，试图证明这一假设是没有道理的。本文旨在讨论这篇 2011 年文章的主要观点以及他们对 Bodor 和 Diosi 2012 年论文的回复，后者声称他们的分析无关紧要。面对 2011 年论文和回复中的一些模糊或不一致之处，我们首先尝试猜测他们的目的，建立在此背景下有用的结果，最后讨论这场争论中隐含的几个概念的使用或误用。
方差分析用于度量空间，并应用于空间数据
摘要。我们对基于度量空间中数据进行测试组差异的一些最近类似方差分析的程序进行了审查，并提出了新的此类程序。我们的统计量来自经典的莱文测试，以检测分散差异。它仅使用数据点的成对距离，并且可以在数据空间中barycenters（“广义均值”）计算的情况下快速，精确地计算出来，只有通过近似值甚至不可行）很慢。它也满足渐近正态性。我们根据1向ANOVA设置中的空间点模式和图像数据讨论了各种过程的相对优点。作为应用程序，我们在矿物质漏斗过程中的数据集和马德里的局部害虫计数的数据集上执行1-和2向方差分析。关键词和短语：方差分析，图像，莱文测试，度量空间，空间点模式。
从协方差矩阵
高维纠缠已被确定为量子信息处理中的重要资源，也是模拟量子系统的主要障碍。其认证通常是Di FFI的邪教，并且最广泛使用的实验方法基于相对于高度纠缠的状态的忠诚度测量。在这里，我们考虑了集体可观察物的协方差，例如众所周知的协方差矩阵标准（CMC）[1]，并提出了CMC的概括，用于确定两组派系统的Schmidt数量。这在多体系统（例如冷原子）中尤其有利，在这些系统中，一组实际测量非常有限，通常只能估计集体运营商的差异。为了显示我们结果的实际相关性，我们得出了更简单的Schmidt-number标准，这些标准需要与基于忠诚的证人相似的信息，但可以检测到更广泛的状态。我们还考虑了基于自旋covari-ances的范式标准，这对于对冷原子系统中高维纠缠的实验检测非常有帮助。我们通过讨论结果在多片合奏中的适用性以及对未来工作的一些开放问题来得出结论。
基因组基因座影响人脑结构协方差的模式
Juna M. Nasrallah，Abdulkadir B，Theodore D. Boquet -Pjadas G，Elizabeth Mamourian B，Sinnivasan Srinavasan。 Yang H，Paola Dazzan J，Rene St. Kahn K，Hugo G. Schnack，Marcus V.Wood Q，消息来源，拉蒙塔尼（Lamontagne），苏珊·奥斯丁（Susan Austin），莱诺尔·J·劳纳（Lenorer J.
方差特征保留运动想象 BCI 的共同空间模式
方法：本研究提出了一种方差特征保持的 CSP（VPCSP），并通过基于图论的正则化项对其进行了修改。具体来说，我们在局部保留方差特征的同时计算投影数据的异常损失。然后，通过引入拉普拉斯矩阵将损失重写为矩阵，从而将其转化为与 CSP 等价的广义特征值问题。本研究在来自 BCI 竞赛的两个公共 EEG 数据集上评估了所提出的方法。改进的方法可以提取稳健且可区分的特征，从而提供更高的分类性能。实验结果表明，所提出的正则化显著提高了 CSP 的有效性，并且与已报道的改进 CSP 算法相比取得了显著更好的性能。
使用协方差神经网络解释的大脑年龄预测
在计算神经科学中，人们对开发机器学习算法的兴趣越来越高，这些算法利用脑成像数据来为个体提供“脑时代”的估计。重要的是，由于不良健康状况，大脑年龄和年龄年龄之间的不一致可以捕获加速老化，因此可以反映出增加对神经系统疾病或认知障碍的脆弱性。然而，由于大多数现有的脑年龄预测算法缺乏透明度和方法上的理由，因此阻碍了大脑年龄对临床决策支持的广泛采用。在本文中，我们利用协方差神经网络（VNN）提出了使用皮质厚度特征为脑年龄预测的解释驱动和解剖学上的解释框架。Specifically, our brain age prediction framework extends beyond the coarse metric of brain age gap in Alzheimer's disease (AD) and we make two important observations: (i) VNNs can assign anatomical interpretability to elevated brain age gap in AD by identifying contributing brain regions, (ii) the interpretability offered by VNNs is contingent on their ability to exploit specific eigenvectors of the anatomical协方差矩阵。在一起，这些观察结果促进了对脑时代预测任务的可解释和解剖学上的观点。
使用协方差神经网络进行可解释的大脑年龄预测
在计算神经科学领域，人们对开发利用脑图像数据来估算个体“脑年龄”的机器学习算法的兴趣日益浓厚。重要的是，脑年龄与实际年龄之间的差异（称为“脑年龄差距”）可以反映出不良健康状况导致的加速衰老，因此可以反映出患神经系统疾病或认知障碍的几率增加。然而，由于现有的大多数脑年龄预测算法缺乏透明度和方法论依据，因此脑年龄在临床决策支持中的广泛应用受到了阻碍。在本文中，我们利用协方差神经网络 (VNN) 提出了一个由解释驱动且解剖学上可解释的框架，使用皮质厚度特征来预测脑年龄。具体而言，我们的大脑年龄预测框架超越了阿尔茨海默病 (AD) 中大脑年龄差距的粗略度量，我们得出了两个重要观察结果：(i) VNN 可以通过识别贡献大脑区域，为 AD 中增大的大脑年龄差距分配解剖学可解释性，(ii) VNN 提供的可解释性取决于它们利用解剖学协方差矩阵的特定特征向量的能力。总之，这些观察结果促进了大脑年龄预测任务的可解释性和解剖学可解释性视角。
自动协方差模式分析的表现优于在变体进行性上核麻痹中的18F-荧光脱氧葡萄糖 - 点发射断层扫描（FDG -PET）的视觉阅读
1 1诊断和介入放射学和核医学系，汉堡 - 埃芬多夫，汉堡，德国汉堡2神经退行性疾病中心（DZNE）慕尼黑，德国慕尼黑7慕尼黑系统神经病学集群（Synergy），慕尼黑，德国慕尼黑8号8号神经病学系，汉堡大学医学中心，汉堡，汉堡，德国9号，汉堡，9月9日，德国核医学，奥格斯堡，穆尼尔，穆尼奇，穆尼奇，穆尼奇，穆尼，穆尼，德国汉诺威汉诺威医学院的诊断和介入神经放射学，12号医学和辐射保护保护，大学医院，奥格斯堡大学，德国奥格斯堡，奥格斯堡，德国奥格斯堡13 13莱比锡神经病学系，莱比锡，莱比锡，德国莱比锡，德国14号神经病学系，奥格斯堡，神经病学系。德国慕尼黑16美国纽约州曼海斯特医学研究机构Manhasset，美国17核医学系，莱比锡大学医院，莱比锡，德国1诊断和介入放射学和核医学系，汉堡 - 埃芬多夫，汉堡，德国汉堡2神经退行性疾病中心（DZNE）慕尼黑，德国慕尼黑7慕尼黑系统神经病学集群（Synergy），慕尼黑，德国慕尼黑8号8号神经病学系，汉堡大学医学中心，汉堡，汉堡，德国9号，汉堡，9月9日，德国核医学，奥格斯堡，穆尼尔，穆尼奇，穆尼奇，穆尼奇，穆尼，穆尼，德国汉诺威汉诺威医学院的诊断和介入神经放射学，12号医学和辐射保护保护，大学医院，奥格斯堡大学，德国奥格斯堡，奥格斯堡，德国奥格斯堡13 13莱比锡神经病学系，莱比锡，莱比锡，德国莱比锡，德国14号神经病学系，奥格斯堡，神经病学系。德国慕尼黑16美国纽约州曼海斯特医学研究机构Manhasset，美国17核医学系，莱比锡大学医院，莱比锡，德国