XiaoMi-AI文件搜索系统
World File Search System稀疏
有限速率稀疏量子代码
我们引入了一种基于在随机两部分图上解决约束满意度问题（CSP）的生成随机多量稳定器代码的方法。此框架使我们能够在CSP中同时执行X/z平衡，X/z平衡，有限速度，稀疏性和最大程度的结合，然后我们可以在数值上解决。使用状态的CSP求解器，我们获得了令人信服的证据，证明存在着满意的阈值。此外，可满足相的范围随量子的数量而增加。在该阶段，发现稀疏代码成为一个简单的问题。此外，我们观察到在满足相的相中发现的稀疏代码实际上实现了擦除噪声的通道容量。我们的申请表明，中间大小的有限速率稀疏量子代码很容易找到，同时还展示了一种具有自定义properties的良好代码的功能可靠方法。因此，我们建立了一个完整且可自定义的管道，以进行随机Quantum code Discovery。
变化的无种子凉拌盆地的定量和定性特征受到果实稀疏影响
目的：由于其营养丰富的好处，观赏价值和药用特性，大百年来已使用了数个世纪。伊朗是最大的无种子凉棚生产国，在气候干燥，土壤条件差和严重的水短缺的各个地区，这种生产商一直在增长。替代轴承是无种子烟草生产中的常见问题。为了避免这种情况，稀疏已被用作果园管理中的一种常见文化实践。研究方法：在这项研究中，在75、100和150 mg/l的三个化学稀释剂中，包括50、20和40 mg/l的萘乙酸（NAA），在50、20和40 mg/l和ethephon和ethephon和ethephon和ethephon和ethephon和ethephon in 50、100和200 mg/l，以及在Birjand，iran of birjand fall中应用了一个商业化的（20％）。稀疏率，定量和定性性状与在2015年和2016年期间随机完整块设计中的拆分图中进行了研究。的发现：结果表明，NAA在10 mg/L时导致最高的果实脱落。营养性状，例如芽的长度，每芽的叶子数量和叶片面积在处理下显示出显着增加，而芽直径与对照没有显着差异。化学稀疏可显着增强芽的淀粉和糖，尤其是在“ On”年（2015年）。在对照中观察到“关闭”年中的最小叶绿素含量在10 ppm中最高。所有治疗方法都会在“ Off”一年（2016年）中增加无种子的牛奶灌木产量。研究局限性：未遇到限制。生化特征，例如抗坏血酸，总可溶性固体，可滴定的酸度和花色苷。独创性/价值：为了避免在无种子的牛bar灌木中替代替代方案，稀疏被用作果园管理中的一种常见文化实践。因此，建议使用NAA 10 mg/L的应用以控制替代轴承和更好的水果质量。
使用稀疏的视觉观察在不平坦的地形上学习感知运动
摘要 - 为了主动浏览和遍历各种特征，主动使用视觉感知是必不可少的。我们旨在调查使用稀疏视觉观测值的可行性和性能，以在以人为中心的环境中在一系列常见的地形（步骤，坡道，间隙和楼梯）上实现感知运动。我们制定了适合在感兴趣地形上运动的稀疏视觉输入的选择，并提出了一个学习框架，以整合外部感受和本体感受状态。我们专门设计了状态观察和培训课程，以在各种不同的地形上有效地学习反馈控制政策。我们在各种任务中广泛验证和基准了学到的政策：在地面上行走的全向行走，并在各种障碍物上向前移动，显示出高成功的遍历率。此外，我们通过在新的看不见的地形上增加各种水平的噪声和测试来研究外观感受性消融并评估政策概括。我们证明了自主感知运动的能力，只能使用直接深度测量中的稀疏视觉观测来实现，这些观察值易于从激光雷达或RGB-D传感器中易于获得，在20厘米高度的高高高度上显示出强大的上升和下降，即20 cm的高度，即50％的腿长和强劲的腿部和稳健的噪声和Unigeseen anderseenseles anderseens anderseens anderseen anderseenseles anderseen anderseen sereen seleseen anderains ternales anderains。
稀疏时间分解 - arXiv
时间分解是官方统计中常用的一种方法，用于对 GDP 等关键经济指标进行高频估计。传统上，这种方法仅依赖几个高频指标系列来生成估计值。然而，大量且不断增加的行政和替代数据源的盛行促使需要将这种方法调整为高维设置。在本文中，我们提出了一种新颖的稀疏时间分解程序，并将其与经典的 Chow-Lin 方法进行了对比。我们通过模拟研究展示了我们提出的方法的性能，强调了实现的各种优势。我们还探讨了它在英国国内生产总值数据分解中的应用，证明了该方法在潜在指标数量大于低频观测数量时能够发挥作用。
稀疏量子码的逻辑错误率 - UDSpace
摘要 量子范式呈现出一种称为退化的现象，这种现象可以潜在地提高量子纠错码的性能。然而，在评估稀疏量子码的性能时，这种机制的影响有时会被忽略，逻辑错误率并不总是能被正确报告。在本文中，我们讨论了以前存在的计算逻辑错误率的方法，并提出了一种受经典编码策略启发的基于陪集的有效方法来估计退化错误并将其与逻辑错误区分开来。此外，我们表明，所提出的方法为 Calderbank-Shor-Steane 码系列提供了计算优势。我们使用这种方法证明，退化错误在特定的稀疏量子码系列中很常见，这强调了准确报告其性能的重要性。我们的结果还表明，文献中提出的改进解码策略是提高稀疏量子码性能的重要工具。
基于熵的逻辑回归与自动相关性判定，用于稳健的稀疏脑活动解码
摘要 —最近的研究利用稀疏分类从高维大脑活动信号中预测分类变量以揭示人类的意图和心理状态，并在模型训练过程中自动选择相关特征。然而，现有的稀疏分类模型很容易受到大脑记录中固有噪声的影响而导致性能下降。为了解决这个问题，我们旨在在本研究中提出一种新的稳健稀疏分类算法。为此，我们将相关熵学习框架引入基于自动相关性确定的稀疏分类模型，提出一种新的基于相关熵的稳健稀疏逻辑回归算法。为了证明所提算法卓越的大脑活动解码性能，我们在合成数据集、脑电图 (EEG) 数据集和功能性磁共振成像 (fMRI) 数据集上对其进行了评估。大量实验结果证实，所提出的方法不仅可以在噪声和高维分类任务中实现更高的分类准确率，而且可以为解码场景选择更具信息量的特征。将相关熵学习方法与自动相关性确定技术相结合将显著提高对噪声的鲁棒性，从而产生更充分鲁棒的稀疏脑解码算法。它为现实世界的脑活动解码和脑机接口提供了更强大的方法。
功能性脑网络稀疏分层表征学习用于预测自闭症严重程度
机器学习算法已广泛应用于自闭症谱系障碍 (ASD) 的诊断工具，揭示了大脑连接的改变。然而，对于基于磁共振成像 (MRI) 的大脑网络是否与大规模队列中的 ASD 症状严重程度有关，人们知之甚少。我们提出了一个基于图卷积神经网络的框架，可以生成稀疏分层图表示以表示功能性大脑连接。我们没有为每个节点分配初始特征，而是利用特征提取器来导出节点特征，并将提取的表示输入到分层图自注意框架中，以有效地表示整个图。通过在特征提取器中结合连接嵌入，我们提出了邻接嵌入网络来表征大脑连接的异构表示。我们提出的模型变体优于具有不同配置的邻接嵌入网络和功能连接矩阵类型的基准模型。使用这种方法和最佳配置（用于节点定义的 SHEN 图集、用于连接性估计的 Tikhonov 相关性和身份邻接嵌入），我们能够以有意义的准确度预测单个 ASD 严重程度：预测和观察到的 ASD 严重程度评分之间的平均绝对误差 (MAE) 和相关性分别为 0.96 和 r = 0.61（P < 0.0001）。为了更好地理解如何生成更好的表示，我们使用典型相关分析研究了提取的特征嵌入和基于图论的节点测量之间的关系。最后，我们对模型进行了可视化，以确定对预测 ASD 严重程度评分最有贡献的功能连接。
分解方法的稀疏时空脑 -
摘要 - 准确的技术在解决大量数据的各种问题方面具有无限的作用。但是，这些技术尚未显示出处理脑信号的脑部计算机界面（BCIS）的竞争性能。基本上，脑信号很难大量收集，特别是在自发的BCI中，信息量将很少。此外，我们猜想任务之间的高空间和时间相似性增加了预测的困难。我们将这个问题定义为稀疏条件。为解决此问题，引入了分解方法，以允许该模型从潜在空间中获得不同的表示。为此，我们提出了两个特征提取器：通过对抗性学习作为发电机的对抗性学习进行训练；特定于类的模块利用分类产生的损失函数，以便使用传统方法提取功能。为了最大程度地减少班级和类别特征共享的潜在空间，该模型是在正交约束下训练的。因此，将脑电图分解为两个独立的潜在空间。评估是在单臂运动图像数据集上进行的。从结果中，我们证明了分解脑电图信号允许模型在稀疏条件下提取富裕和决定性的特征。