XiaoMi-AI文件搜索系统
World File Search System表示
用于电力转换器模型预测控制的通用切换状态空间表示
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
videojam：在视频模型中增强运动产生的联合外观运动表示
尽管最近取得了巨大进展，但生成的视频模型仍然很难捕获现实世界的运动，动态和物理。我们表明，这种限制是由常规的像素重建物镜产生的，该物镜以牺牲运动相干性为代价的模型出现忠诚度。为了解决这个问题，我们介绍了视频果酱，这是一个新颖的框架，它通过鼓励模型学习联合外观运动表示，在视频发电机之前灌输有效的动作。Videojam由两个互补单元组成。在培训期间，我们扩展了目标，以预测产生的像素及其相应的运动。在推断期间，我们介绍了内部指导，该机制通过将模型自身不断发展的运动依靠作为动态引导信号来引导生成迈向连贯运动。值得注意的是，我们的
深度表示学习，用于从电子健康记录中从纵向生存数据
我们进行了一项试点研究，以评估使用商业可穿戴设备和Beiwe平台[21]的移动健康干预措施的可行性，可接受性和可感知的有效性，以使用其个人智能手机收集有关患者行为的被动数据。简短地，从波士顿的Dana-Farber Cancer Institute招募了接受全身疗法的复发性妇科癌症患者（即接受化疗，免疫疗法，抗血管生成或靶向疗法）的患者[22]。在预科前（n = 10）期间，参与者收到了商业可穿戴设备，在智能手机上安装了Beiwe，在其智能手机上完成了电子患者报告的结果指标（EPROM，不包括EPROM，不包括在本研究中），并在基线和30天完成了舞会[22]。在试验随机对照试验（RCT）期间，参与者（n = 75）在2x2阶乘设计中随机分配以接收：1）商业可穿戴，2）EPROM，3）商业可穿戴和EPROM，或者4）都不。飞行员RCT的参与者完成了舞会，以基线，30、90和180天完成。所有参与者使用Beiwe贡献了被动传感器数据（加速度计和GPS），所有参与者均提供了书面知情同意。研究
b'Just like P \xcf\x80 ( s, s \xe2\x80\xb2 ) is the probability of going from s to s \xe2\x80\xb2 in one step, the entries P \xcf\x80 n ( s, s \xe2\x80\xb2 ) of the n -th power of P \ xcf \ x80在n步骤中计算从s到s \ xe2 \ x80 \ xb2的概率。特别是，向量p \ xcf \ x80 n v \ xcf \ x80 0表示V \ xcf \ x80 0（x）的预期值，其中x是随机轨迹的最终状态s n的随机变量（x）的随机变量（s 1，s 1 ,, s 1 ,, n）s 1，s 1 ,, n）s s 1，s 1，s 1，s 1 = x x x x x x x x x x x x x x x x x 8 s 1 = x8 x x x x 8 = x 8 = x8。这意味着p \ xcf \ x80 n v \ xcf \ x80 0的每个组件最多是max s | v \ xcf \ x80 0（s）| = 1.'
b'Just like P \xcf\x80 ( s, s \xe2\x80\xb2 ) is the probability of going from s to s \xe2\x80\xb2 in one step, the entries P \xcf\x80 n ( s, s \xe2\x80\xb2 ) of the n -th power of P \ xcf \ x80在n步骤中计算从s到s \ xe2 \ x80 \ xb2的概率。特别是，向量p \ xcf \ x80 n v \ xcf \ x80 0表示V \ xcf \ x80 0（x）的预期值，其中x是随机变量表示随机轨迹的最终状态s n（s 1，。。。，s n）长度为n从s 1 = s \ xe2 \ x88 \ x88s。这意味着p \ xcf \ x80 n v \ xcf \ x80 0的每个组件最多是max s | v \ xcf \ x80 0（s）| = 1.'
从跨编码数据中预测生物地球化学周期的粗粒表示
抽象动机：由于DNA测序的进步，现在常规地进行了环境微生物群落的分类学分析。确定这些群落在全球生物地球化学周期中的作用需要鉴定其代谢功能，例如氢氧化，还原和碳固定。这些功能可以直接从宏基因组学数据中推断出来，但是在许多环境应用中，MetabarCoding仍然是选择的方法。从元法编码数据及其整合到地球化学循环的粗粒表示中，代谢功能的重建仍然是当今有效的生物信息学问题。结果：我们开发了一条称为Tabigecy的管道，该管道利用分类学官员来预测构成生物地球化学周期的代谢功能。在第一个步骤中，Tabigecy使用该工具Esmecata从输入液位中预测共识蛋白质组。为了优化此过程，我们生成了一个预先计算的数据库，其中包含来自Uniprot的2,404个分类单元的信息。使用BigeCyhmm搜索了共有的蛋白质组织，BigeCyhmm是一个新开发的Python软件包，依靠隐藏的Markov模型来识别参与生物地球化学周期代谢功能的关键酶。然后将代谢功能投射到周期的粗粒表示上。我们将塔博基（Tabigecy）应用于两个盐洞数据集，并通过对样品进行的微生物活性和水力化学测量结果验证了其预测。结果突出了研究微生物群落对地理化学过程的影响的方法。关键字：微生物群落，生物地球化学周期，代谢功能，分类学官员
新颖的SPD矩阵表示形式考虑交叉...
摘要 - 来自电脑摄影（EEG）信号的认知状态的准确分类对于神经科学应用至关重要，例如脑部计算机界面（BCIS）。clasification管道通常是BCI领域的最先进的。在这种类型的BCI中，基于独立频段的EEG信号的协方差矩阵用作分类特征。然而，有明显的神经科学证据表明频率带（例如跨频耦合（CFC））神经相互作用。因此，在本文中，我们提出了考虑基于Riemannian几何学的CFC的新型对称阳性（SPD）矩阵表示形式。在三种不同的CFC SPD矩阵中描述了相位和频带之间和频段之间的扩增的空间相互作用。这使我们能够包含其他歧视性神经生理特征，这些神经生理特征在传统的Riemannian EEG特征中不可用。使用公共无源BCI数据集中的心理工作负载分类任务评估我们的方法。我们的三个CFC协方差矩阵的融合模型显示，theta和Alpha频段的常规Covari-Ance矩阵的平均分类精度在统计学上显着提高。32％，在Beta和伽马频段中以4为4。34％的标准偏差较小。该结果证实了考虑到riemannian脑电图分类内和频率之间考虑更多多样化的神经生理相互作用的有效性。索引术语 - 电脑摄影（EEG），Riemannian Ge-emetry，Brain-Computer接口（BCI），跨频COU-PLING（CFC）
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
贝叶斯网络的优化量子电路表示
摘要：近年来，人们对量子机器学习的兴趣日益高涨，研究人员积极开发利用量子技术的力量解决各个领域高度复杂问题的方法。然而，由于量子资源有限和固有噪声，在有噪声的中间量子设备 (NISQ) 上实现基于门的量子算法面临着显著的挑战。在本文中，我们提出了一种在量子电路上表示贝叶斯网络的创新方法，专门用于应对这些挑战。我们的目标是最大限度地减少在量子计算机上实现量子贝叶斯网络 (QBN) 所需的量子资源。通过精心设计动态电路中的量子门序列，我们可以优化有限量子资源的利用率，同时减轻噪声的影响。此外，我们提出了一项实验研究，证明了我们提出的方法的有效性和效率。通过在 NISQ 设备上进行模拟和实验，我们表明我们的动态电路表示显著降低了资源需求并增强了 QBN 实现的稳健性。这些发现凸显了我们的方法的潜力，为量子贝叶斯网络在当前可用的量子硬件上的实际应用铺平了道路。
在稳定固定和主动视觉期间的刺激特征的表示
研究文章|行为/认知在稳定固定和主动视觉期间的刺激特征的表示https://doi.org/10.1523/jneurosci.1652-24.2024收到：2024年9月1日修订：2024年11月7日接受：2024年11月25日接受：2024年11月25日，2024年2月25日Moran Moran Et an。这是根据Creative Commons Attribution 4.0国际许可条款分发的开放访问文章，只要将原始工作正确归因于任何媒介，它允许在任何媒介中进行无限制的使用，分发和复制。
发现黑盒优化的表示
黑盒优化中解决方案的编码是一种微妙的、手工平衡，既要考虑表达能力和领域知识，又要考虑探索各种解决方案和确保这些解决方案有用。我们的主要见解是，这个过程可以通过使用质量多样性算法（此处为 MAP-Elites）生成高性能解决方案的数据集，然后从该数据集中学习生成模型（此处为变分自动编码器）的表示来实现自动化。我们的第二个见解是，这种表示可用于将质量多样性优化扩展到更高维度，但前提是我们要仔细混合使用学习到的表示生成的解决方案和使用传统变分算子生成的解决方案。我们通过学习一千个关节平面臂的逆运动学的低维编码来展示这些能力。结果表明，学习到的表示使得能够以比标准 MAP-Elites 少几个数量级的评估来解决高维问题，并且一旦解决，生成的编码可用于快速优化新颖但相似的任务。所提出的技术不仅可以将质量多样性算法扩展到高维，而且表明黑盒优化编码可以自动学习，而不是手动设计。