XiaoMi-AI文件搜索系统
World File Search System稀疏
Saga：基于 EEG 的脑机接口稀疏对抗攻击
摘要随着脑机接口 (BCI) 的最新进展，脑电图 (EEG) 分析得到了各个领域的广泛研究关注。了解 EEG 分析的弱点对于在日常生活中安全地应用这项新兴技术非常重要。最近的研究表明，在 EEG 数据上添加小扰动时，EEG 分析容易受到对抗性攻击。然而，对于在仅攻击一小部分数据的稀疏扰动下 EEG 分析的稳健性的研究较少。在本文中，我们首次深入研究了稀疏扰动下 EEG 分析的稳健性，并提出了第一个稀疏对抗性 eeG 攻击 SAGA，以识别 EEG 分析的弱点。具体而言，通过将 EEG 数据视为从多个通道收集的时间序列，我们设计了一个自适应掩码来统一表示对抗性攻击中的不同稀疏性。我们进一步引入了基于 PGD 的迭代求解器，在给定的稀疏性约束下自动选择时间步长和通道，并有效地识别 EEG 数据上的对抗性示例。大量实验表明，SAGA 可以有效地生成稀疏扰动，并且仅通过扰动 5% 的通道和时间步长就平均导致准确率下降 77.02%。
ASD-SAENet：一种使用 fMRI 数据检测自闭症谱系障碍 (ASD) 的稀疏自动编码器和深度神经网络模型
自闭症谱系障碍 (ASD) 是一种异质性神经发育障碍，其特征是沟通障碍和社交互动有限。目前的临床方法完全基于对症状的行为观察，对自闭症背后的神经机制了解甚少，因此有必要确定新的生物标记，以帮助研究大脑的发育和功能，并可以准确和早期地检测出自闭症。在本文中，我们开发了一种名为 ASD-SAENet 的深度学习模型，用于使用 fMRI 数据将自闭症患者与典型的对照受试者进行分类。我们设计并实施了一个稀疏自动编码器 (SAE)，以优化可用于分类的特征提取。然后将这些特征输入到深度神经网络 (DNN) 中，从而对更容易患自闭症的 fMRI 脑部扫描进行更好的分类。我们提出的模型经过训练，可以优化分类器，同时根据重建数据误差和分类器误差改进提取的特征。我们使用从 17 个不同研究中心收集的公开的自闭症脑成像数据交换 (ABIDE) 数据集评估了我们提出的深度学习模型，该数据集包括 1,035 多名受试者。我们广泛的实验表明，与其他方法相比，ASD-SAENet 对整个数据集表现出相当的准确度 (70.8%) 和更高的特异性 (79.1%)。此外，我们的实验在 17 个成像中心中的 12 个中心表现出比其他最先进的方法更好的结果，在不同的数据采集站点和协议中表现出更高的通用性。实施的代码可在我们实验室的 GitHub 门户上找到：https://github.com/pcdslab/ASD-SAENet。
使用稀疏信号和回溯迭代硬阈值
行业4.0应用程序涉及更多数量的传感器或物联网（IoT）设备来支持行业自动化。它涉及更多的计算来分析从处理单元的几个关键部分收集的传感器数据。稀疏信号处理是在通信和信号处理领域中具有许多应用的。本文介绍了一种新的方法，可以借助水平交叉采样（LCS）和基于回溯的基于回溯的迭代硬阈值（BIHT）算法进行重建。该过程涉及，信息信号使用发射机侧的不均匀采样将信息信号转换为随机稀疏信号，然后可以使用接收器侧的BIHT算法将其重建。模拟结果表现出所提出的BIHT重建的出色性能。
研究论文基于 fNIRS 使用稀疏表示解码步行意象和空闲状态
目的.基于功能性近红外光谱（fNIRS）的脑机接口（BCI）有望为严重影响其生活质量的步行功能障碍患者提供一种可选的主动康复训练方法。利用稀疏表示分类（SRC）氧合血红蛋白（HbO）浓度对步行表象和空闲状态进行解码，构建基于步行表象的 fNIRS-BCI。方法.招募15名受试者，采集步行表象和空闲状态下的 fNIRS 信号。首先对 HbO 信号进行带通滤波和基线漂移校正，提取 HbO 的均值、峰值、均方根（RMS）及其组合作为分类特征；利用 SRC 对提取的特征进行识别，并将 SRC 的结果与支持向量机（SVM）、K 最近邻（KNN）、线性判别分析（LDA）和逻辑回归（LR）的结果进行比较。结果.实验结果表明，三种特征组合的SRC对于步行想象和静止状态的平均分类准确率为91.55±3.30%，显著高于SVM、KNN、LDA和LR的86.37±4.42%、85.65±5.01%、86.43±4.41%和76.14±5.32%，且其他组合特征的分类准确率均高于单一特征的分类准确率。结论研究表明，在fNIRS-BCI中引入SRC能有效识别步行想象和静止状态。同时特征提取的不同时间窗口对分类结果有影响，2～8 s的时间窗口取得了比其他时间窗口更好的分类准确率（94.33±2.60%）。显著性意义。该研究旨在为步行功能障碍患者提供一种新的、可选的主动康复训练方法，此外该实验也是一项罕见的基于fNIRS-BCI利用SRC解码步行意象和静止状态的研究。
稀疏量：通过非IID数据集对定向和时间变化的图表进行交流和节能分散的分布式学习
当前的深度学习（DL）系统依赖于集中的计算范式，该计算范式限制了可用培训数据的数量，增加了系统延迟并增加了隐私和安全性。通过分散的DL模型对DL模型对点对点连接的边缘设备进行的分散和分布式培训启用的设备学习，不仅可以减轻上述限制，而且还可以启用需要DL模型的下一代应用程序，以连续进行交互并从他们的环境中学习。然而，这需要开发新型培训算法，这些新型培训算法会通过随着时间变化和定向的对等图结构进行训练DL模型，同时最大程度地减少设备之间的连接数量，并且对非IID数据分布也有弹性。在这项工作中，我们提出了稀疏的畅通，这是一种交流效率分散的分布式培训算法，该培训算法支持对点对点，指导和时间变化的图形拓扑。所提出的算法可以减少466倍的交流，而在训练各种DL模型（例如Resnet-20和VGG11）上的CIFAR-10数据集时，性能仅降解了1％。此外，我们证明了如何导致非IID数据集的频率降解的显着性能降解，并提出了偏斜补偿的稀疏推动算法，从而恢复了这种性能下降，同时保持相似的通信压缩水平。
多任务稀疏典型相关分析及其在多模态脑成像遗传学中的应用
脑成像遗传学是脑科学中一个新兴的重要课题，它整合了遗传因素和神经影像表型测量。这种结合不同遗传和基因组数据的整合研究有望揭示大脑结构和功能的遗传基础，并进一步为解释遗传变异与阿尔茨海默病 (AD) 等脑部疾病之间的因果关系提供新的机会 [1]，[2]。现代神经影像技术，如磁共振成像 (MRI) 和正电子发射断层扫描 (PET)，基于不同的技术对大脑的形态和代谢过程进行成像，并从不同角度生成描述大脑的不同图像数据。这些多模态图像数据提供了互补的信息，并已被证明可以提供对大脑结构、功能和脑部疾病的全面理解 [3]。此外，在生物医学研究中，我们通常会面临大量的基因分型生物标记，例如单核苷酸多态性 (SNP)，它是全基因组关联研究 (GWAS) 中的一种高分辨率标记。因此，开发面向GWAS、快速高效、同时整合多模态成像数据的成像遗传学方法具有重要的意义和意义。
使用稀疏PLS回归的中国经济活动的替代指标
我们的方法论具有多种优势作为替代增长指标。首先，我们的IDI CATOR借鉴了大量的高频数据，这可能与中国的经济表现有关。我们的方法论然后淘汰了有关潜在经济增长的信息的较少信息。接下来，我们将基础数据定位为一组与中国经济各个重要方面高度相关的经济指标。最终结果是稀疏的部分最小二乘（PLS）回归的因素，似乎可以在高频中跟踪中国业务周期，表现良好，如Clark，Dawson和Pinkovskiy（2019）所示，与世界各地的一系列增长指标相关联。最后，我们的因素模型使我们能够将中国从趋势增长到全球增长，信贷供应和货币政策组成部分的偏差分解。
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）。
使用多元形态计量学统计，稀疏编码和Correntropy预测脑淀粉样蛋白：来自ADNI和OASIS数据库的1,125个个体的验证
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2020年10月17日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2020.10.16.343137 doi：Biorxiv Preprint
图形稀疏的量子加速，切割... -CWI
摘要 - 绘制的Sparsifation是大量算法的基础，范围从剪切问题的近似算法到图形Laplacian中线性系统的求解器。以最强的形式“光谱尖峰”将边缘的数量减少到节点数量的接近线性，同时近似保留了图形的切割和光谱结构。Benczúr和Karger（Stoc'96）的突破性工作以及Spielman和Teng（Stoc'04）表明，在原始图的边缘数量中，Sparsifitation可以在接近线性的时间内最佳地完成Sparsifation。在这项工作中，我们证明了用于光谱尖峰及其许多应用的多项式量子加速。特别是，我们给出了一种量子算法，在给定带有n个节点和m边缘的加权图中，在sublinear时间e O（√mn/ϵ）中输出了对spectral sparsifier的经典描述。我们证明这对小数因素很紧张。The algorithm builds on a string of existing results, most notably sparsification algorithms by Spielman and Srivastava (STOC'08) and Koutis and Xu (TOPC'16), a spanner construction by Thorup and Zwick (STOC'01), a single-source shortest paths quantum algorithm by Dürr et al.（ICALP'04）和Christiani，Pagh和Thorup（Stoc'15）的有效的K-K-wise独立哈希结构。我们的算法意味着用于求解拉普拉斯系统的量子加速，并近似于一系列切割问题，例如切割和最稀少的切割。索引项 - Quantum Computing;量子算法；图理论