XiaoMi-AI文件搜索系统
World File Search System正则
生成扩散模型中的记忆和正则化
摘要。扩散模型已成为生成建模的强大框架。该方法的核心是分数匹配：在不同尺度上，数据分布的嘈杂版本的对数密度的学习梯度。当使用经验数据而不是人口损失评估评分匹配中采用的损失函数时，最小化器对应于时间依赖的高斯混合物的得分。但是，使用此分析可牵引的最小化器会导致数据记忆：在无条件和条件设置中，生成模型都返回训练样本。本文包含对记忆潜在的动力学机制的分析。分析强调了避免重现分析可牵引的最小化器的正规化的必要性；而且，这样做的基础是对如何正规化的原则理解。数值实验研究了：（i）Tikhonov正则化的特性； （ii）旨在促进渐近一致性的正则化； （iii）通过训练神经网络的神经网络的参数不足或提早停止引起的正常化。这些实验是在记忆的背景下评估的，并突出了未来正规化发展的方向。
简单连接正则路径查询的包含
查询知识库是知识表示中最重要和最基本的任务之一。尽管查询知识库的大部分工作都集中在连接查询上，但通常需要使用一种简单的递归形式，例如常规路径查询 (RPQ) 提供的递归形式，它要求由给定的常规语言定义的路径。连接 RPQ (CRPQ) 可以理解为具有这种递归形式的连接查询的泛化。CRPQ 是 SPARQL 的一部分，SPARQL 是用于查询 RDF 数据的 W3C 标准，包括众所周知的知识库，如 DBpedia 和 Wikidata。特别是，RPQ 在查询 Wikidata 方面非常流行。根据最近的研究 (Malyshev 等人，2018 年；Bonifati 等人，2019 年)，它们用于超过 24% 的查询（以及超过 38% 的独特查询）。更一般地说，CRPQ 是查询图形结构数据库的基本构建块 (Barcel´o，2013 年)。随着知识库变得越来越大，对查询的推理（例如用于优化）变得越来越重要。最基本的推理任务之一是查询
使用正则图的基于EEG的情绪识别...
摘要 - 电脑摄影（EEG）通过电极测量不同大脑区域的神经元活性。许多关于基于脑电图的情绪识别的现有研究并不能完全利用脑电图通道的拓扑。在本文中，我们提出了一个正规化的图形网络（RGNN），以用于基于EEG的情绪识别。rgnn认为不同大脑区域之间的生物拓扑结构是在不同的脑电图通道之间捕获局部和全球关系。特别是，我们通过图神经网络中的邻接矩阵对脑电图中的通道间关系进行建模，在图神经网络中，邻接矩阵的连接和稀疏性受到人脑组织的神经科学理论的启发。此外，我们提出了两个正规化器，即节点的对抗训练（NODEDAT）和情绪感知的分布学习（EmotionDL），以更好地处理跨主题的EEG EEG变化和嘈杂的标签。在两个公共数据集（种子和种子IV）上进行了广泛的实验，在大多数实验环境中表明，与最先进的模型相比，我们的模型的性能优越。此外，消融研究表明，所提出的邻接矩阵和两个正则化器为我们的RGNN模型的性能贡献了一致且显着的增益。最后，对神经元活动的调查揭示了基于脑电图的情绪识别的重要大脑区域和通道间关系。
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中闪烁刺激会引发周期性信号，即稳态视觉诱发电位 (SSVEP)。它们通常通过回归技术检测，这种技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验，以便在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于 SSVEP 信号操作的 BCI 系统，可靠性是以牺牲速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，基于无校准回归的方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。对于只有少量校准试验可用的小样本量设置，所提出的方法非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，使用短至一秒的试验。在不同的实验环境下，包括具有认知障碍的实验环境（即具有控制、听力、说话和思考条件的四个数据集），OSTDA 的表现与其他三种基准最新技术相似或明显更好。总体而言，在本文中，我们表明 OSTDA 是所有研究的管道中唯一可以在所有分析条件下实现最佳结果的管道。2021 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中周期性信号称为稳态视觉诱发电位 (SSVEP)，由闪烁刺激引起。它们通常通过回归技术检测，该技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验才能在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于使用 SSVEP 信号操作的 BCI 系统，可靠性是以速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，无校准回归方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。所提出的方法对于只有少量校准试验可用的小样本量设置非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，试验时间短至一秒。 OSTDA 在不同实验设置（包括具有认知障碍的实验设置）下的表现与其他三种基准最新技术相似或明显更好（即具有控制、听力、口语和思考条件的四个数据集）。 总体而言，在本文中，我们表明 OSTDA 是所有研究管道中唯一能够在所有分析条件下实现最佳结果的管道。 2021 由 Elsevier BV 出版
NAMBU – JONA-LASINIO模型中的正则化效应
我们表明，由于（中）轴向异常，暗物质轴或轴突状颗粒（ALP）沿沿外部磁场的导体自发交替交流电流，从而意识到手性磁效应（CME）。我们提出了一个新的实验，以测量该电流以检测暗物质轴或ALP。这些诱导的电流是电子培养基效应，与轴突或ALP偶联与电子成正比，这取决于其显微镜物理。在实验设置中，一个由于CME引起的电流和真空电流的总和，这是由于异常的轴突耦合而导致的。与后者相比，CME电流通常是电子速度的一个因子，除非轴突或ALP偶联与电子的偶联比其与光子偶联以补偿Fermi速度抑制。但是，我们发现重新利用当前操作和计划的轴突卤素可能具有良好的敏感性来探测CME电流。
用于脑成像的正则化电通量体积积分方程
摘要 — 用于在频域中对生物组织进行建模的体积积分方程通常会在高介电常数对比度和低频下出现病态。这些条件故障严重损害了这些模型的准确性和适用性，并使其尽管具有众多优点但仍不切实际。在本文中，我们提出了一个电通量体积积分方程 (D-VIE)，当在生物兼容的单连接物体上计算时，它没有这些缺点。这种新公式利用仔细的光谱分析来获得体积准亥姆霍兹投影仪，该投影仪能够治愈两个病态源。特别是，通过材料介电常数对投影仪进行归一化允许对方程进行非均匀重新缩放，从而稳定高对比度故障和低频故障。数值结果表明这种新公式适用于真实的大脑成像。
高性能容量扩展模型的正则化 Benders 分解
摘要 — 我们考虑电力容量扩张模型，该模型通过最小化投资和运营成本来优化投资和退役决策。为了为规划和政策决策提供可靠的支持，这些模型需要包括详细的运营和时间耦合约束，考虑与天气相关的参数和需求数据的多种可能实现，并允许对离散投资和退役决策进行建模。这些要求导致大规模混合整数优化问题，而这些问题是现成的求解器无法解决的。因此，实际的解决方法通常依赖于精心设计的抽象技术，以在减少计算负担和模型准确性之间找到最佳折衷。Benders 分解提供了可扩展的方法来利用分布式计算资源并使模型具有高分辨率和计算性能。在本研究中，我们为具有多个规划期、随机运营场景、时间耦合策略约束以及多日储能和水库水力资源的大规模容量扩张模型实施了一种量身定制的 Benders 分解方法。使用多个案例研究，我们还评估了几种水平集正则化方案以加速收敛。我们发现，在可行集内部选择规划决策的正则化方案与以前发布的方法相比表现出更优异的性能，从而能够以前所未有的计算性能解决高分辨率混合整数规划问题。
Berezinskii-Kosterlitz的渐近自由 - 无需使用Qubit正则化的微调
我们提出了一个二维硬核环路模型，是一种在Berezinskii-kosterlitz-无用的过渡时期出现的渐近自由质量连续性量子场理论的一种方式。无需微调，我们的模型可以在接近相变时在大规模阶段重现经典晶格XY模型的通用级尺度函数。这是通过在热力学极限下降低回路配置空间中的fock-vacuum位点的散发性来实现的。与传统的XY模型相比，在Berezinskii-Kosterlitz上的某些通用量在我们的模型中显示出较小的有限尺寸效应。我们的模型是欧几里得时空中渐近自由质量量子场理论的Qubit正则化的一个典型例子，并有助于了解如何在不进行微调的情况下作为分离的固定点上的相关扰动而出现渐近自由。
带有正则辍学的验证生成文本作者资格模型
摘要森林健康的检测对于维持森林环境已经变得很重要，尤其是在日益增强的压力源时。该项目的目的是使用金属氧化物（MOX）气体传感器设计电子鼻子（E-NOSE），以能够通过检测独特的挥发性有机成分（VOC）来区分健康和压力的树木。该项目涉及开发和实施气体传感器阵列，结合了多个MOX传感器，以检测VOC。利用Arduino微控制器，可以从气体传感器中收到数据，而Python则用于数据分析。数据分析涉及机器学习方法，例如线性判别分析（LDA）和主成分分析（PCA），用于降低传感器数据的分类和维度。python也派上用场了图形用户界面。在最初的结果中证明了电子鼻子区分健康和病态树的能力，在此结果表现出合理的准确性水平。最初，PCA提供了良好的分离，但是，目标气数的数量增加，分离精度恶化了。LDA在两个类别之间提供了明显的分离，并带有轻微的重叠。对可能存在的不同物质进一步评估了电子鼻子。尽管它显示出某些物质的良好可分离性，而另一些物质则重叠。MOX传感器的极高灵敏度具有不同气体的选择性成本。未来的研究将着重于使用神经网络检测树中包含的这些特定物质，从而增强了电子鼻子检测更大范围的化合物的能力。