XiaoMi-AI文件搜索系统
World File Search System稳健
通过稳健的登机口分配进行出发管理
摘要 —机场协同决策 (A-CDM) 概念为机场提供了切实可行的解决方案，可提高交通准时性和可预测性，并可能减少延误、噪音和污染。A-CDM 的一个主要特点是离港管理 (DMAN)：可以预测跑道起飞顺序，从而可以在登机口关闭发动机的情况下将很大一部分延误转移，而不会影响剩余的交通。在此过程中，延误起飞的登机口占用率不可避免地会增加，因此机场布局必须提供足够的登机口，并且登机口的分配必须足够稳健，以应对起飞延误。在本文中，我们介绍了一种估算由于 DMAN 起飞前调度而导致的登机口延误的方法，然后我们提出了一种稳健的登机口分配算法，并评估了该算法在巴黎戴高乐国际机场当前和增加的交通量下的性能。结果表明，与当前做法相比，这种稳健的登机口分配方式显著减少了登机口冲突的数量。索引术语 — 出发管理、登机口分配、稳健性
通过有向图神经实现稳健的角度同步 - ...
角度同步问题旨在从 m 个噪声测量偏移量 θ i ´ θ j mod 2 π 中准确估计（直到恒定的加性相位）一组未知角度 θ 1 , ... , θ n P r 0 , 2 π q 。例如，应用包括传感器网络定位、相位检索和分布式时钟同步。将该问题扩展到异构设置（称为 k 同步）是同时估计 k 组角度，给定每组的噪声观测（组分配未知）。现有的角度同步方法通常在高噪声环境中表现不佳，这在应用中很常见。在本文中，我们利用神经网络解决角度同步问题及其异构扩展，提出了 GNNS YNC，这是一个使用有向图神经网络的理论性端到端可训练框架。此外，还设计了新的损失函数来编码同步目标。在大量数据集上的实验结果表明，GNNSync 在角度同步问题及其扩展的一组全面基线中获得了具有竞争力的、通常更优异的性能，证明了 GNNSync 即使在高噪声水平下也具有鲁棒性。1 引言近年来，组同步问题作为许多计算问题的关键构建块受到了广泛关注。组同步旨在估计一组组元素，给定它们的成对比率 Υ i,j “ gig ´ 1 j 的一小部分潜在噪声测量值。一些应用包括‚在 3D 旋转的群 SO(3) 上：3D 计算机视觉中的旋转平均（Arrigoni & Fusiello，2020；Janco & Bendory，2022）和结构生物学中的分子问题（Cucuringu et al.，2012b）； ‚ 在整数 t 0 , 1 , 2 , 3 u 的群 Z 4 上，以模 4 加法作为群运算：解决拼图游戏 (Huroyan et al., 2020)；‚ 在群 Z n ，分别为 SO(2) 上：从成对比较中恢复全局排名 (He et al., 2022a; Cucuringu, 2016)，以及，‚ 在刚体运动的欧几里得群 Euc p 2 q “ Z 2 ˆ SO(2) ˆ R 2 上：传感器网络定位 (Cucuringu et al., 2012a)。
glioseg 的验证：实现稳健的胶质瘤分割
在实习期间，您将通过广泛的验证协议评估 Glioseg 的稳健性，其中包括分析管道中使用的各个分割模型的输出，并探索各种标签融合策略以组合这些输出。目标是实施和比较几种融合策略（从简单到更高级的策略），并找到提高分割准确性的最佳策略。在评估阶段，您将使用来自胶质瘤患者的扫描的保留数据集，其中将提供两位专家评估者的分割结果。这项工作将有助于提高管道的稳健性，并可能为脑肿瘤分析带来更好的临床应用。对于这个项目，拥有一些基本的 Python 编程和深度学习经验很重要。
EventHD：稳健而高效的超维学习......
在稳健性和能源效率方面，受大脑启发的计算模型已显示出超越当今深度学习解决方案的巨大潜力。特别是，超维计算 (HDC) 在实现高效和稳健的认知学习方面显示出了良好的效果。在这项工作中，我们利用 HDC 作为一种替代计算模型，模仿重要的大脑功能，实现高效和耐噪的神经形态计算。我们提出了 EventHD，这是一个基于 HDC 的端到端学习框架，用于从神经形态传感器进行稳健、高效的学习。我们首先引入一种空间和时间编码方案，将基于事件的神经形态数据映射到高维空间。然后，我们利用 HDC 数学来支持对编码数据的学习和认知任务，例如信息关联和记忆。EventHD 还为每个预测提供了置信度概念，从而能够从未标记的数据中进行自我学习。我们评估了 EventHD 对从动态视觉传感器 (DVS) 收集的数据的效率。我们的结果表明，EventHD 可以在原始 DVS 数据上进行操作时提供在线学习和认知支持，而无需使用昂贵的预处理步骤。在效率方面，EventHD 比最先进的学习算法快 14.2 倍，能效高 19.8 倍，同时将计算稳健性提高了 5.9 倍。
囚禁离子稳健纠缠的量子控制方法
摘要 实现实用量子计算的一个主要障碍是实现可扩展且稳健的高保真纠缠门。为此，量子控制已成为一种必不可少的工具，因为它可以使纠缠相互作用对噪声源具有弹性。然而，考虑到与稳健纠缠相关的工作范围，可能很难为特定需求确定合适的量子控制技术。为此，我们尝试通过提供非详尽的摘要和批判性分析来整合文献。量子控制方法分为两类：将稳健性扩展到 (i) 自旋或 (ii) 运动退相干的方案。我们选择重点研究使用微波和静磁场梯度扩展 σ x ⊗ σ x Mølmer–Sørensen 相互作用。然而，这里讨论的一些技术可能与其他捕获离子架构或物理量子比特实现相关。最后，我们通过结合本文提出的几种量子控制方法，通过实验实现了同时具有对自旋和运动退相干的鲁棒性的概念验证相互作用。
开发并验证一种稳健的 rp-hplc 方法...
1. 引言 奈必洛尔是第三代β受体阻滞剂，由于其对心脏的选择性和辅助血管扩张作用，广泛应用于治疗高血压和心力衰竭。奈必洛尔的结构和药理特性不同于传统的β受体阻滞剂，被认为副作用小，且对某些心血管疾病有更好的疗效。[1-4] 奈必洛尔的化学性质为 1-(6-氟-色满-2-基)-2- [(2RS)-6-(4-羟基苯基)-2, 5, 7, 8-四甲基色满-2-基] 乙醇。其化学结构具有色满醇骨架（图 1 ）和氟色满部分，使其同时具有疏水和亲水特性，从而增强了其对肾上腺素受体的亲和力和与内皮细胞的接触。它是两种外消旋混合物 d-奈必洛尔和 l-奈必洛尔的组合。d-奈必洛尔是组成奈必洛尔的两种对映体之一，有助于阻止 β-1 肾上腺素受体。l-奈必洛尔通过释放一氧化氮来扩张血管。[1-10] 奈必洛尔具有双重作用机制，即阻断 β-1 肾上腺素受体和释放一氧化氮 (NO)。奈必洛尔选择性拮抗
使用最小开销的稳健量子分类器
摘要 - 要在实际环境中见证量子优势，不仅在硬件级别上，而且在理论研究上都需要大量努力，以降低给定协议的计算成本。量子计算有可能显着增强现有的经典机器学习方法，并且已经提出了基于内核方法的二进制分类的几种量子算法。这些算法依赖于估计期望值，这又需要多次重复昂贵的量子数据编码过程。在这项工作中，我们明确计算获取固定成功概率所需的重复数量，并表明Hadamard检测和交换测试电路在量子电路参数方面实现了最佳差异。仅通过优化与数据相关的参数进行优化，可以进一步减少差异，因此重复的数量。我们还表明，无论数据的数量和尺寸如何，都可以通过单量测量进行基于内核的二进制分类。最后，我们表明，对于许多相关的噪声模型，可以可靠地执行分类，而无需纠正量子误差。我们的发现对于在有限的资源下设计量子分类实验非常有用，这是嘈杂的中间尺度量子时代的普遍挑战。
定向热流体的稳健面向对象公式化...
一种最为突出的应用方法是使用 Modelica 等语言通过微分代数方程系统对流体系统进行面向对象建模。例如，上文应用领域的所有参考文献均指 Modelica 实现，图 1 展示了作为飞机气候系统一部分的空气循环的 Modelica 模型图。Modelica 是一种开放且免费的建模语言 [5]，得到各种商业和免费工具的支持。此外，还有免费的 Modelica 标准库支持不同应用领域的通用物理建模基础：支持各种流体热力学性质模型的媒体库 [6] 和具有通用接口 [8] 的标准流体库 [7]，用于对流经体积元和系统边界之间各种组件的流体流进行建模。
Wasserstein 分布稳健卡尔曼滤波
H ∞ 滤波器针对的是噪声过程统计数据不确定的情况，此时我们的目标是最小化最坏情况而不是估计误差的方差 [ 3 , 26 ]。该滤波器限制了将扰动映射到估计误差的传递函数的 H ∞ 范数。然而，在瞬态操作中，会失去所需的 H ∞ 性能，并且滤波器可能会发散，除非每次迭代中都有一些（通常是限制性的）正性条件成立。在集值估计中，扰动向量通过有界集（如椭球）建模 [ 4 , 22 ]。在该框架中，我们试图围绕与观测值和外生扰动椭球一致的状态估计构建最小椭球。然而，由此产生的稳健滤波器会忽略任何分布信息，因此倾向于过于保守。 [19] 首次研究了一种对更一般形式的（基于集合的）模型不确定性具有鲁棒性的滤波器。该滤波器以迭代方式最小化标准状态空间模型附近所有模型的最坏情况均方误差。虽然该滤波器在面对较大不确定性时表现良好，但在较小不确定性下可能过于保守。[25] 提出了一种广义卡尔曼滤波器，它可以解决这个缺点，在标准性能和最坏情况性能之间取得平衡。通过最小化矩生成函数而不是估计误差平方的均值，可以得到风险敏感的卡尔曼滤波器 [24]。这种风险敏感的卡尔曼滤波器等同于 [12] 中提出的分布鲁棒滤波器，它最小化标准分布周围的 Kullback-Leibler (KL) 球中所有联合状态-输出分布的最坏情况均方误差。 [27] 研究了更一般的 τ -散度球的扩展。