XiaoMi-AI文件搜索系统
World File Search System正则
理学硕士（M.Sc.）人工智能与机器人
学习成果 学生能够 • 解释监督、无监督和弱监督学习以及强化学习、梯度下降和优化的基本方法； • 比较回归、分类、聚类和主成分分析的基本方法； • 实施模型选择和正则化技术； • 制定使用机器学习方法解决问题的策略； • 识别机器学习的高级概念；以及 • 评估机器学习及其应用的道德后果并讨论跨学科方面。
Philippe Sabella-Garnier 的简历
– 将总体业务目标转化为竞争性 KPI 的多目标优化。 – 支持三名初级数据科学家使用 XGBoost 和正则化线性回归对 KPI 进行建模，开发自定义性能指标。 – 设计并实施基于差分进化的优化算法，以找到在尊重业务约束的同时解决优化问题的模型特征值。 – 担任数据科学联系人，负责定义生产架构和数据工程要求。
![arXiv:2401.09554v1 [quant-ph] 2024 年 1 月 17 日](/simg/d\d33246d03ba651263fd04c49109abc208b392fb8.webp)
arXiv:2401.09554v1 [quant-ph] 2024 年 1 月 17 日
我们证明，对于至少一个子系统 𝐴 或 𝐵 上具有有限量子熵的任何无限维量子态 𝜌 𝐴𝐵，纠缠成本等于形成的正则化纠缠。这推广了量子信息论中的一个基本结果，该结果以前仅针对有限维系统上的操作和状态进行表述。扩展到无限维度并非易事，因为用于建立正则和逆边界的传统工具（即强典型性、单调性和渐近连续性）不再直接适用。为了解决这个问题，我们为无限维状态构建了一种新的纠缠稀释协议，该协议可通过局部操作和有限量的单向经典通信（单向 LOCC）实现，多次使用弱典型性和强典型性。我们还通过基于无限维状态的纠缠形成的单调性和渐近连续性的替代形式提出论证，证明了该协议在所有协议中即使在无限维可分离操作下也是最优的。在此过程中，我们推导出无限维状态量子熵的新积分表示，我们认为这是独立的兴趣所在。我们的结果使我们能够充分描述所有无限维物理系统的一个重要操作纠缠度量——纠缠成本。
功能性近端脑空间图像重建...
均值最大熵 (MEM)4-6 和深度补偿 7 到加权最小范数 (WMN) 或 Tikhonov 正则化。根据我们的经验，由于正则化方法的性质，这些方法往往会高估假阳性率。8 先前的研究 9-11 建立了贝叶斯模型，结合皮质/头皮区域的先验信息、灵敏度归一化等，以消除头皮伪影、提高深度精度和空间分辨率以及进行多主体和多任务实验。然而，大脑功能区域的大脑解剖结构的先验空间信息从未在当前的 fNIRS 图像重建方法中得到适当使用。在本文中，我们描述了一种用于 fNIRS 图像重建的自适应融合稀疏重叠组套索 (a-FSOGL) 正则化方法。a-FSOGL 模型使用脑空间体素分组先验（例如来自基于图谱的感兴趣区域）来规范图像重建过程。为了更好地利用先验信息，我们开发了一个贝叶斯框架，通过将先验信息与适当的统计分布结合起来来解决该模型。该框架是基于先前对贝叶斯套索模型及其扩展的研究 12 – 16 建立的。我们的模型通过组合现有模型并涉及更多先验参数，将贝叶斯套索模型向前扩展了一步。在本文中，我们将首先简要回顾光学正向和逆模型的原理，然后推导出 a-FSOGL（Ba-FSOGL）的贝叶斯模型及其相关的统计属性，然后使用模拟 fNIRS 测量和实验数据演示该方法。本文的结构如下。理论部分（第 2 部分）概述了光学正向模型。在方法部分（第 3 和 4 部分），我们描述了 Ba-FSOGL 模型、模拟配置和实验数据收集。图像重建和统计推断的结果显示在第 4 部分中。 5，我们最后在第 6 节中讨论结果的发现和模型的局限性。在模拟研究中，我们重点关注前额最近邻双侧 fNIRS 探头的示例，并检查推断由基于图谱的布罗德曼区域 (BA) 分区定义的额叶和背外侧大脑区域变化的能力，然而，实验研究表明，这种方法可作为先验信息适用于任何大脑空间分区模型。
普朗克尺度如何影响量子比特？
摘要：量子引力中的思想实验激发了广义不确定性关系 (GUR)，这意味着与接近普朗克尺度的标准量子统计存在偏差。这些偏差已在波函数的非自旋部分得到了广泛的研究，但现有模型默认自旋状态不受量子物质传播背景的量化影响。在这里，我们探索了一种新的非局部几何模型，其中经典点的普朗克尺度涂抹会产生角动量的 GUR。这反过来又意味着自旋不确定性关系的类似概括。新的关系对应于 SU(2) 的新表示，它对描述物质几何相互作用的复合状态的两个子空间都具有非平凡作用。对于单个粒子，每个自旋矩阵都有四个独立的特征向量，对应于两个 2 倍退化特征值 ± ( ¯ h + β ) / 2，其中 β 是对有效普朗克常数的微小修正。这些表示沉浸在量子背景几何中的量子粒子的自旋状态，β 的校正是相互作用项的直接结果。除了正则量子比特状态 | 0 ⟩ = |↑⟩ 和 | 1 ⟩ = |↓⟩ 之外，还存在两个新的本征态，其中粒子的自旋与波动时空的自旋扇区纠缠在一起。我们探索了从经验上区分由此产生的“几何”量子比特 | 0 ′ ⟩ 和 | 1 ′ ⟩ 与其正则对应物的方法。
基于加强学习的算法，用于优化问题和对反问题的应用
我们设计了一种称为“增强”的新迭代算法，用于解决一般的优化问题。此算法参数化解决方案搜索规则，并使用强化学习（RL）算法类似于增强算法来更新参数。为了更深入地了解基于RL的方法，我们表明，增强OPT基本上解决了给定优化问题的随机版本，并且在标准假设下，搜索规则参数几乎可以肯定地收敛到本地最佳值。实验表明，增强-OPT优先于其他优化方法，例如梯度下降，遗传算法和粒子群优化，它可以从局部最佳溶液中逃脱到其鲁棒性到对初始值的选择。有了严格的推导，我们正式介绍了使用强化学习来处理反问题的使用。通过为动作选择规则选择特定的概率模型，我们还可以将我们的方法连接到Tikhonov正则化和迭代正则化的常规方法。我们在部分微分方程中采用非线性积分方程和参数识别问题作为示例，以说明如何将强化学习应用于求解非线性逆问题。数值实验强调了增强-OPT的强劲性能，以及其量化错误估计不确定性并确定缺乏解决方案稳定性和唯一性的逆问题的多个解决方案的能力。
至少有sgd的隐式正规化的好处...
随机梯度下降（SGD）在实践中表现出强大的算法正则化效率，该算法在现代机器学习方法的概括中起着重要作用。在这项工作中，我们试图在线性回归的更简单设置（包括众多和参数化的政权）中理解这些问题，我们的目标是对（未注册）平均SGD与Ridge Regres-Sion的显式正规化提供（未注册的）平均SGD的隐性正规化比较。对于一系列最小二乘问题实例（在高维度中是自然的），我们显示：（1）对于每个问题实例和eviry Ridge参数（（未进行定制）SGD），当在对数上提供的样品提供的样本比提供给山脊算法更糟糕的ridge songe（提供的常量）的样本（概括）不变的步骤（概括了SGD的常数）（概括） （2）相反，存在最佳调整的山脊回归需要的样本比SGD更多的样本以具有相同的概括性能。总的来说，我们的结果表明，到对数因素，SGD的概括性能总是不比Ridge回归的多种过度参数化的问题差，实际上，对于某些问题实例来说可能会更好。更普遍地，我们的结果表明，即使在更简单（过度参数化）凸设置中，算法正则化如何产生重要的后果。
讲座 1：量子游走搜索 1 随机游走
我们考虑一个简单的（无向、无加权）d 正则图 G = ( V, E )，其中 | V | = n 个顶点。G 上的随机游走从某个初始顶点（从 V 上的分布 p 0 中采样）开始，并且在每个时间步随机均匀地跳跃到其 d 个相邻顶点之一。我们可以使用随机转移矩阵 P 描述 t 步后的概率分布，其中如果 ( x, y ) ∈ E，则 P x,y = 1 /d，否则 P x,y = 0。t 步后，随机游走分布为