XiaoMi-AI文件搜索系统
World File Search System梯度信息
基于梯度的深钢筋学习解释方法
摘要摘要摘要：摘要：DQN之类的深强化学习方法的学习过程和工作机制不透明，并且无法感知其决策基础和可靠性，这使该模型的决策高度可疑，并且极大地限制了深入强化学习的应用程序场景。要解释智能代理的决策机制，本文提出了基于梯度的显着性图生成算法SMGG。它使用高级卷积层生成的特征图的梯度信息来计算不同特征地图的重要性。使用模型的已知结构和内部参数，从模型的最后一层开始，通过计算特征映射的梯度来生成不同特征地图相对于显着性图的重量。它列出了在正方向和负面方向上特征的重要性，并使用具有积极影响的权重来加重功能图中捕获的特征，从而形成了当前决策的积极解释；它使用对其他类别产生负面影响的权重来对特征映射中捕获的特征进行加权，从而形成了当前决策的反向解释。决策的显着性图是由两者共同生成的，并且获得了智能代理的决策行为的基础。通过实验证明了该方法的有效性。
![arXiv:2312.04447v1 [quant-ph] 2023 年 12 月 7 日](/simg/g:\will\search\icon\source\d\dd2aade460d2360909b48294117fb12369783f96.webp)
arXiv:2312.04447v1 [quant-ph] 2023 年 12 月 7 日
分布式量子计算，特别是分布式量子机器学习，因其能够利用分布式量子资源的集体力量、超越单个量子节点的限制而获得了极大的关注。同时，分布式计算协议中隐私的关键问题仍然是一个重大挑战，特别是在标准的经典联邦学习 (FL) 场景中，参与客户端的数据容易通过服务器的梯度反转攻击而泄露。本文提出了具有量子通信的创新量子协议，旨在解决 FL 问题、加强隐私措施并优化通信效率。与利用表达变分量子电路或差分隐私技术的先前研究相比，我们考虑使用量子态进行梯度信息隐藏，并提出了两种不同的 FL 协议，一种基于隐私内积估计，另一种基于增量学习。这些协议在低通信资源的隐私保护方面取得了重大进展，为高效的量子通信辅助 FL 协议开辟了道路，并为安全分布式量子机器学习的发展做出了贡献，从而解决了量子计算时代的关键隐私问题。
非线性优化的量子计算算法...
现实世界优化问题的日益复杂凸显了这项研究的重要性，因为经典算法无法在这些情况下提供有效的答案。由于非线性优化问题在许多领域普遍存在，因此需要创新方法来快速且可扩展地解决这些问题。由于量子计算具有叠加原理和内在并行性，因此它在加速优化过程和克服经典限制方面具有巨大的潜力。然而，将量子算法 (I-QA) 集成到现实世界的应用中并不总是一帆风顺的。在保持量子相干性、纠正错误和在硬件限制内工作方面存在重大挑战。为了能够通过量子并行性同时探索解空间，本研究提出了混合量子梯度-经典方法 (HQG-CA)，该方法利用参数化量子电路来表示可能的解。此外，通过将量子梯度信息应用于量子态空间中的直接优化来提高收敛速度。金融投资组合的优化、机器学习模型参数的调整以及物流路线的优化是 HQG-CA 在许多行业中的一些应用。本摘要探讨了这些应用，突出了 HQG-CA 在解决现实世界中的优化问题方面的革命性潜力。通过全面的模拟实验评估了 HQG-CA 的有效性。基于广泛的测试和与传统替代方案的比较，讨论了算法加速、解决方案准确性和可扩展性等性能指标。本研究对 HQG-CA 解决非线性优化问题的潜力进行了全面评估。
大脑图的可解释的稀疏-NSF -PAR
大脑图对大脑区域之间的结构和功能关系进行了建模，在涉及图分类的神经科学和临床应用中至关重要。然而，密集的大脑图构成了计算挑战，包括高运行时间和记忆使用和有限的解释性。在本文中，我们研究了图神经网络（GNN）中的有效设计，以消除嘈杂的边缘来稀疏脑图。虽然先前的作品根据解释性或任务 - 涉及属性去除嘈杂的边缘，但不能保证它们在通过频繁图提高性能方面的有效性。此外，现有方法通常忽略了多个图形的集体边缘去除。为了解决这些问题，我们引入了一个迭代框架来分析不同的稀疏模型。我们的发现是作为下降的：（i）优先考虑可解释性的方法可能不适合图形稀疏性，因为它们可以在图形分类任务中降低GNNS的性能； （ii）与GNN训练同时学习边缘分类比训练后更有益； （iii）跨图的共享边缘选择优于每个图的单独选择； （iv）与任务相关的梯度信息有助于边缘选择。基于这些见解，我们提出了一个新的模型，可解释的图形泄漏（IGS），该模型可增强图形分类性能高达5.1％，而边缘减少了55.0％。IG识别的保留边缘提供了神经科学解释，并得到了公认的文献的支持。
基于对比学习的水下图像增强和检测方法
摘要：水下图像遭受颜色失真和细节的损失，这严重影响了水下机器人的视觉感知能力。为了提高检测准确性，提出了一个多任务学习框架，以基于对比度学习的水下图像增强和对象检测提出了多任务学习框架，这不仅会产生视觉上友好的图像，还可以提高对象检测精度，从而实现对象检测任务的图像增强图像。为了解决不清楚目标纹理特征的问题，用于检测任务的区域生成模块用于构建用于对比性学习的正面和负面图像块，以确保目标区域更接近特征空间中的原始图像。此外，检测到的梯度信息用于指导图像增强方向，有益于目标检测。此外，提出了一种基于循环生成对抗网络的图像翻译方法来学习和保留图像增强的清晰图像特征，从而消除了对配对的水下图像的需求并减少了数据要求。最后，在EUVP，U45和UIEB数据集上对增强算法进行了验证，并且在RUOD，URPC2020和RUIE数据集上验证了检测算法。实验结果表明，所提出的算法可以在主观视觉中有效纠正颜色失真，同时保留原始图像和目标的结构纹理。就客观指标而言，峰值信噪比达到24.57 dB，结构相似性达到0.88。在更快的R-CNN（基于区域的卷积神经网络）和Yolov7（您只看一次，版本7）算法后，检测精度平均提高了2％。关键字：水下图像增强；对比学习；循环生成对抗网络；对象检测
用于自动发现的科学机器学习......
科学机器学习是指将机器学习与传统科学方法相结合，近年来已成为一种强大的工具。本论文建立了创新的机器学习方法，结合了物理学、数值分析和计算机科学的知识，用于自动发现量子控制方案和相图。从概念上讲，给定量子系统的（时间相关）汉密尔顿量或林德布拉量，很容易确定其在固定初始状态下的时间演化。根据物理环境，我们将用普通或随机微分方程来描述动力学。控制量子系统的（随机）动力学需要解决逆问题，这在量子计量和信息处理等领域是不可或缺的。然而，通过从头开始推导高性能控制方案来解决控制问题通常很困难。特别是，最好开发能够对系统波动作出反应的反馈控制器，使其成为非常强大的控制系统。到目前为止，还没有通用的现成方法来设计有效的控制策略，因为现有的基于黑盒强化学习的方法很难优化。在这篇论文的第一部分，我们提出了一种基于可微分编程范式的自动控制方案设计，这使我们能够利用有关物理系统结构的先验知识。具体来说，我们采用一种神经网络形式的控制器，该控制器根据当前量子态或观察到的测量记录选择在每个时间步中要应用的控制驱动。神经网络参数在一系列时期内根据通过 (伴随) 灵敏度方法计算的梯度信息进行优化。我们在各种场景中展示了我们的方法，例如进行同相检测的量子比特的状态准备和稳定。同相检测信号仅包含有关系统实际状态的最小信息，被不可避免的光子数波动所掩盖。在第二部分中，我们开发了两种数据驱动的方法来自动识别物理系统中的相边界。第一种方法基于训练预测模型（例如神经网络），以根据物理系统的状态推断其参数。推断出的参数与正确的底层参数之间的偏差最容易受到影响，并且在相边界附近指向相反的方向。因此，模型预测的矢量场发散中的峰值揭示了相变。这种基于预测的方法适用于任意参数维度的相图，而无需有关相的先验信息。我们将该方法应用于二维 Ising 模型、Wegner 的 Ising 规范理论、广义环面代码、Falicov-Kimball 模型和耗散的 Kuramoto-Hopf 模型。作为第二种方法，我们引入了一种基于（适当）输入特征选择的物理驱动、计算上有利且可解释的方法。该方法依赖于平均输入特征之间的差异作为相变的指标，而不使用预测模型。至关重要的是，这种基于均值的方法可以直接洞察揭示的相图，而无需事先标记或了解其相。作为一个例子，我们考虑物理上丰富的