XiaoMi-AI文件搜索系统
World File Search System补全
关于脑电图张量补全方法的鲁棒性
1 南开大学人工智能学院，天津 300350，中国；2 斯科尔科沃科学技术学院，莫斯科 121205，俄罗斯；3 杭州电子科技大学计算机学院，杭州 310018，中国；4 哥白尼大学信息学系，托伦 87-100，波兰；5 波兰科学院系统研究所，华沙 01-447，波兰；6 南开大学计算机学院，天津 300350，中国；7 阿根廷射电天文学研究所 IAR-CCT 拉普拉塔，CONICET / CIC-PBA / UNLP，Villa Elisa 1894，阿根廷；8 日本理化学研究所信息系统与网络安全总部计算工程应用部，和光市 351-0106，日本； 9 英国剑桥大学精神病学系，剑桥 CB2 8AH；10 西班牙加泰罗尼亚维多利亚中央大学数据与信号处理研究组，加泰罗尼亚 08500
矩阵补全的更简单方法
本文给出了迄今为止重建未知低秩矩阵所需的随机采样条目数的最佳界限。这些结果改进了 Cand`es 和 Recht (2009)、Cand`es 和 Tao (2009) 以及 Keshavan 等人 (2009) 的先前工作。重建是通过最小化隐藏矩阵的核范数或奇异值之和来实现的，前提是与提供的条目一致。如果底层矩阵满足某种不相干条件，则所需的条目数等于二次对数因子乘以奇异值分解中的参数数。这一断言的证明很短、自成体系，并使用非常基本的分析。本文中的新技术基于量子信息理论的最新研究。关键词：矩阵完成、低秩矩阵、凸优化、核范数最小化、随机矩阵、算子切尔诺夫界限、压缩感知
PC-RGNN：用于 3D 物体检测的点云补全和图神经网络
基于 LiDAR 的 3D 物体检测是自动驾驶的一项重要任务，当前的方法受到远处和遮挡物体的稀疏和部分点云的影响。在本文中，我们提出了一种新颖的两阶段方法，即 PC-RGNN，通过两个特定的解决方案来应对此类挑战。一方面，我们引入了一个点云完成模块来恢复密集点和整个视图的高质量提案，同时保留原始结构。另一方面，设计了一个图神经网络模块，该模块通过局部-全局注意机制以及基于多尺度图的上下文聚合全面捕捉点之间的关系，大大增强了编码特征。在 KITTI 基准上进行的大量实验表明，所提出的方法比以前最先进的基线方法有显著的进步，凸显了其有效性。
飞机装配中部件数字孪生的位移场感知方法
摘要：核心部件全场位移感知与数字孪生在航空制造等精密制造行业中发挥着至关重要的作用。本文提出一种在线多点位移监测与矩阵补全理论相结合的实时全场位移感知方法。首先，建立基于多点观测信息的全场位移感知概念模型。为获得核心部件的全场位移，将部件划分为丰富的离散点，包括观测点与未观测点，并在此基础上建立观测点与全场位移之间的对应关系。然后，提出全场位移感知模型的求解方法。基于矩阵补全原理和仿真大数据，采用最优化问题建立模型，并给出伪代码。最后，进行全场位移感知实验。重复实验表明，采用该方法计算的位移最大误差小于0.094 mm，中值误差小于0.054 mm，平均时间小于0.48 s，有利于满足大型飞机装配对精度和效率的高精度要求。
威廉玛丽法学院默认生成式人工智能政策
生成式人工智能可用于以类似于 Google 等搜索引擎的方式进行研究、纠正语法以及用于完成作业的其他功能。允许使用常见文字处理软件中包含的功能。这包括 Microsoft Word、Google Docs 和 Grammarly 的拼写和语法纠正以及自动补全功能（但不包括 Grammarly 的生成式人工智能功能）。
使用 Cascade Transformer 完成单通道脑电图
脑机接口 (BMI) 旨在建立生物神经系统与外部机器之间的直接通信通路 [1, 2]。不同类型的神经信号已在各种 BMI 应用中得到展示。脑电图 (EEG) 是 BMI 场景中最常见的电生理信号之一，例如注意力评估 [3]、运动想象 [4]、睡眠分期 [5] 和癫痫发作检测 [6]。然而，EEG 记录过程很容易因无线传输中的数据包丢失、受试者的意外移动或电极接触不良而受到干扰，从而导致信号不完整。一些文献中提出了张量完成方法 (TCM)，通过将记录的 EEG 视为多通道张量来执行 EEG 完成 [7–10]。[9] 证明同时张量分解和完成 (STDC) 可以在几种 TCM 中实现更好、更稳健的性能。TCM 家族可以发现多通道信号的低秩表示，可进一步用于信号恢复。然而，TCM 家族依赖于多个脑电图通道，这对于单通道脑电图记录不起作用。序列到序列神经网络是脑电图补全的另一种解决方案。[11] 使用门层自动编码器 (GLAE) 将深度学习引入该领域。GLAE 在普通自动编码器之前添加了一个切换层。切换层在训练期间屏蔽了几个输入点。该模型学会了根据未屏蔽的点来补全屏蔽的点。GLAE 在两个稳态视觉诱发电位 (SSVEP) 脑电图上实现了 0.02 到 0.05 的 RMSE 水平
海军部 - 海军情报办公室
该职位位于Farragut技术分析中心海军情报办公室内。现任者将在命令中六个部门之一内填补全源，科学和技术情报（S＆TI）的位置。Farragut提供了外国海军能力的最高质量战略和S＆TI分析。提供基本信息和服务，包括海军收购经理，武器和系统开发商，运营力量和国家安全政策制定者，包括海军收购经理，武器和系统开发人员。现任者将每天运用分析专业知识，主动性，创造力，批判性思维以及强大的沟通和人际交往能力来解决复杂的智力问题并推动智能收集工作。特定职责
部分迹回归和低秩 Kraus 分解
迹回归模型是广为研究的线性回归模型的直接扩展，它允许将矩阵映射到实值输出。这里，我们介绍一个更为通用的模型，即部分迹回归模型，它是一类从矩阵值输入到矩阵值输出的线性映射；该模型包含了迹回归模型，因此也包含了线性回归模型。借用量子信息论的工具，其中部分迹算子已经得到了广泛的研究，我们提出了一个框架，用于利用完全正映射的所谓低秩 Kraus 表示从数据中学习部分迹回归模型。我们通过针对 i）矩阵到矩阵回归和 ii）半正定矩阵补全进行的合成和真实实验展示了该框架的相关性，这两个任务可以表述为部分迹回归问题。
BIFRNet：一种受大脑启发的特征恢复 DNN，用于部分遮挡图像识别
部分遮挡图像识别 (POIR) 问题长期以来一直是人工智能面临的挑战。处理 POIR 问题的常用策略是使用非遮挡特征进行分类。不幸的是，当图像被严重遮挡时，此策略将失去效果，因为可见部分只能提供有限的信息。神经科学领域的一些研究表明，特征恢复（填充遮挡信息并称为非模态补全）对于人脑识别部分遮挡图像至关重要。然而，特征恢复通常会被 CNN 忽略，这可能是 CNN 对 POIR 问题无效的原因。受此启发，我们提出了一种新颖的受大脑启发的特征恢复网络 (BIFRNet) 来解决 POIR 问题。它模拟腹侧视觉通路来提取图像特征，并模拟背侧视觉通路来区分遮挡和可见图像区域。此外，它还使用知识模块存储对象先验知识，并使用完成模块根据可见特征和先验知识恢复遮挡特征。在合成和真实世界遮挡图像数据集上进行的深入实验表明，BIFRNet 在解决 POIR 问题方面优于现有方法。特别是对于严重遮挡的图像，BIRFRNet 大大超越其他方法，接近人脑性能。此外，受大脑启发的设计使 BIFRNet 更具可解释性。