XiaoMi-AI文件搜索系统
World File Search System稀疏
稀疏factsheet.pdf
高级分级实践是不可接受的，不会被资助。尽管“高级”或“房地产削减”一词听起来很积极，但这种做法对未来森林的健康，生产和质量的弊大于利。高级分级，也称为直径限制，是收集大于一定直径的所有树木。不幸的是，这导致去除具有优势遗传潜力的较大，更快的物种和个体。所产生的林分将具有遗传下的树木，形式较差，永远不会成熟到优质的作物树中。
监督学习中的稀疏活动和稀疏连接
稀疏性是一种有用的正则化器，可用于各种应用，尤其是在神经网络中。本文提出了一种针对分类任务的模型，其中稀疏活动和稀疏连接用于增强分类能力。实现此目标的工具是稀疏性强制投影算子，它可以为任何给定向量找到具有预定义稀疏性的最接近向量。在本文的理论部分，开发了这种投影的综合理论。总而言之，结果表明投影几乎在任何地方都是可微的，因此可以实现为平滑的神经元传递函数。因此，可以使用基于梯度的方法端到端调整整个模型。在 MNIST 手写数字数据库上进行的实验表明，稀疏活动或稀疏连接可以提高分类性能。通过两者的结合，与传统的非稀疏方法相比，性能可以显著提高。关键词：监督学习、稀疏投影、稀疏活动、稀疏连接
稀疏信号传感
摘要 - 本文提出了基于动态预测采样（DPS）类似物对数字转换器（ADC），该转换器（ADC）提供了输入类似物连续时间信号的非均匀采样。处理单元使用两个先前的采样来生成输入信号的动态预测，以计算上阈值的数字值和较低的阈值。数字阈值值转换为模拟阈值以形成跟踪窗口。动态比较器将输入模拟信号与跟踪窗口进行比较，以确定词典是否成功。A计数器记录时间戳在不成功的预测之间，这是用于量化的选定采样点。未对成功预测的采样点执行量化，以便可以保存数据吞吐量和功率。使用0.18微型CMOS工艺采样在1 kHz时设计为10位ADC。结果表明，与用于ECG监测的Nyquist Rate SAR ADC相比，提出的系统可以达到6.17的数据压缩系数，而节省的功率为31％。
稀疏分布式表示
SDR 由数千个位组成，其中在任何时间点，一小部分位为 1，其余为 0。SDR 中的位对应于大脑中的神经元，1 表示相对活跃的神经元，0 表示相对不活跃的神经元。SDR 最重要的特性是每个位都有意义。因此，任何特定表示中的一组活跃位都编码了所表示内容的语义属性集。这些位没有标记（也就是说，没有人为这些位赋予意义），而是学习了位的语义意义。如果两个 SDR 在相同位置有活跃位，则它们共享这些位所表示的语义属性。通过确定两个 SDR 之间的重叠（两个 SDR 中均为 1 的等效位），我们可以立即看到两个表示在语义上如何相似以及它们在语义上如何不同。由于这种语义重叠特性，基于 SDR 的系统会自动根据语义相似性进行概括。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。
中国的增长有多稳定？在稀疏...
这是市场参与者和中国政策制定者之间的普遍协议，即中国的经济增长在2018年放缓。但是，就放缓的程度甚至启动时，就少得多的共识。至少自1990年代初以来，在中国商业周期的规模和时机上发生了类似的分歧。与早年相反，这些问题现在对其他大型经济体的决策者而言至关重要，因为中国在全球经济中的作用急剧增加。的确，在2001年中国加入世界贸易组织（WTO）的前夕，中国分别占全球GDP和商品贸易的3.6％和7.3％。随着中国已成为世界第二大经济体和最大的贸易国，这些股票现已上升到16％和23.8％。此外，中国在世界对许多关键能源，金属和农产品的需求中起着优势作用，并拥有世界上最大的金融体系之一，随着其国内市场将其包含在重要的全球基准指数中，它有望变得更加全球融合（SIN 2019）。
高度结构化和稀疏的线性变换
我们引入了一种名为 De formable Butterfly (DeBut) 的新型线性变换，它概括了传统的蝴蝶矩阵，可以适应各种输入输出维度。它继承了传统蝴蝶从细粒度到粗粒度的可学习层次结构，当部署到神经网络时，DeBut 层中突出的结构和稀疏性构成了一种新的网络压缩方法。我们将 DeBut 用作标准全连接层和卷积层的直接替代品，并证明了其在均质化神经网络方面的优势，并使其具有轻量级和低推理复杂度等优良特性，同时不影响准确性。DeBut 层的无数变形所带来的自然复杂性-准确性权衡也为分析和实践研究开辟了新的空间。代码和附录可公开获取：https://github.com/ruilin0212/DeBut 。
通过组稀疏聚类对混合数据进行稀疏 k 均值分类
虽然通过正则化程序进行特征选择的问题在监督学习环境中引起了极大关注，并在过去二十年中产生了大量文献，但直到很晚且相对较新的时候，它才有效地出现在无监督框架中。第一种方法是基于模型的，这些方法自然适合包括套索（L 1）和相关惩罚，并且可以引用 [1] 来了解 L 1 惩罚的 EM 程序（混合由方差相等的高斯分布组成）或 [2] 来详细回顾基于模型的高维数据聚类。在更通用的框架中，没有对底层分布做出任何假设，在 [3] 中引入了具有 L 1 惩罚的稀疏 k 均值算法，后来扩展到每个聚类内的特征选择，并通过一致性结果得到加强，[4] [5] [6]。我们还要提到，最近在 [7] 中引入了稀疏 k 均值算法对重叠变量组的推广。话虽如此，上面引用的所有方法本质上都是为数值数据设计的，而真实数据通常由数值和分类特征组成。上面的一些作者触及了分类特征的问题，提到了使用虚拟变量进行转换使其数字化的可能性。但是，这个处理步骤并不是那么直接，因为零一向量上的欧几里得距离并不特别适合与数值变量上的欧几里得距离混合。其他作者