XiaoMi-AI文件搜索系统
World File Search System解缠
DeepSeq2：利用解缠表征增强序贯电路学习
电路表征学习在电子设计自动化 (EDA) 中越来越重要，它通过提高模型效率和准确性为各种下游任务提供服务。一项值得注意的工作 DeepSeq 通过对时间相关性进行编码开创了顺序电路学习。然而，它存在重大限制，包括执行时间延长和架构效率低下。为了解决这些问题，我们引入了 DeepSeq2，这是一个增强顺序电路学习的新框架，通过创新地将其映射到三个不同的嵌入空间——结构、功能和顺序行为——从而允许更细致的表征来捕捉电路动态的固有复杂性。通过采用高效的有向无环图神经网络 (DAG-GNN) 来绕过 DeepSeq 中使用的递归传播，DeepSeq2 显著缩短了执行时间并提高了模型的可扩展性。此外，DeepSeq2 采用了独特的监督机制，可以更有效地捕捉电路内的过渡行为。 DeepSeq2 在序贯电路表示学习中树立了新的基准，在功率估计和可靠性分析方面的表现优于之前的研究。
基于多模态生理信号的跨主体情绪识别多层次解缠网络
基于多模态生理信号的情绪识别受到越来越多的关注，然而如何处理多模态生理信号的一致性和异质性，以及不同主体之间的个体差异，是跨主体情绪识别的两个重要挑战。本文提出了一种多级解缠结网络MDNet，用于基于多模态生理信号的跨主体情绪识别。具体而言，MDNet由模态级解缠结模块和主体级解缠结模块组成。模态级解缠结模块将多模态生理信号投影到模态不变子空间和模态特定子空间，捕获模态不变特征和模态特定特征。主体级解缠结模块从多模态数据中分离出不同主体间主体共享特征和主体私有特征，从而促进跨主体情绪识别。在两个多模态情感数据集上进行的实验表明，MDNet 优于其他最先进的基线。
通过单量子比特解缠学习量子相位
识别物质的相位具有相当大的挑战性，特别是在量子理论领域，因为基态的复杂性似乎随着系统规模的增大而呈指数增长。量子多体系统表现出一系列跨越不同相位的复杂纠缠结构。尽管已经有大量研究探索了量子相变和量子纠缠之间的关系，但在它们之间建立直接、实用的联系仍然是一个关键挑战。在这项工作中，我们提出了一种新颖、高效的量子相变分类器，利用强化学习优化的变分量子电路进行解纠缠。我们证明了该方法对横向场伊辛模型 (TFIM) 和 XXZ 模型中量子相变的有效性。此外，我们观察到该算法能够学习与 TFIM 中的纠缠结构有关的 Kramers-Wannier 对偶。我们的方法不仅可以根据解缠结电路的性能识别相变，而且还具有出色的可扩展性，有助于将其应用于更大、更复杂的量子系统。这项研究揭示了通过量子多体系统中固有的纠缠结构来表征量子相。
Brain2GAN：灵长类大脑中视觉感知的特征解缠神经编码和解码
图 6：基于生成的编码性能。对于每个单独的微电极单元，我们基于三个不同的特征表示拟合三个编码模型：z -、w - 和 CLIP 潜在表示。因此，我们拟合了 3 × 960 个独立编码器，从而得到 3 × 960 个预测神经响应，因为 V1、V4 和 IT 分别有七个、四个和四个微电极阵列（每个 64 个单元）（即 V1 中 7 × 64 = 448，V4 中 4 × 64 = 256，IT 中 4 × 64 = 256）。散点图在 X 轴上显示一个编码模型的预测-目标相关性 (r)，在 Y 轴上显示另一个编码模型，以研究两者之间的关系。每个点代表一个建模微电极单元在两个编码模型方面的性能（因此，每个图 960 个点）。负相关值设置为零。对角线表示两种模型的性能相同。Bonferonni 校正的 α = 5 . 21e − 5 的临界 r 值分别为人脸 ( df = 100 ) 和自然图像 ( df = 200 ) 的 r = 0 . 3895 和 r = 0 . 2807，用阴影区域表示。很明显，w 潜在值优于 z 潜在值和 CLIP 潜在值，因为大多数点位于 w 轴方向（对角线上方）。星号表示基于阴影区域外的数据点的每个感兴趣区域的平均相关系数。
通过解缠表示学习和区域感知对比学习进行多模态脑肿瘤分割
脑肿瘤威胁着全世界人民的生命和健康。在医学图像分析中，使用多张 MRI 图像进行自动脑肿瘤分割是一项挑战。众所周知，准确的分割依赖于有效的特征学习。现有的方法通过明确学习共享的特征表示来解决多模态 MRI 脑肿瘤分割问题。然而，这些方法无法捕捉 MRI 模态之间的关系以及不同目标肿瘤区域之间的特征相关性。在本文中，我提出了一种通过解缠结表示学习和区域感知对比学习的多模态脑肿瘤分割网络。具体而言，首先设计一个特征融合模块来学习有价值的多模态特征表示。随后，提出一种新颖的解缠结表示学习，将融合的特征表示解耦为与目标肿瘤区域相对应的多个因子。此外，还提出了对比学习来帮助网络提取与肿瘤区域相关的特征表示。最后，使用分割解码器获得分割结果。在公开数据集 BraTS 2018 和 BraTS 2019 上进行的定量和定性实验证明了所提策略的重要性，并且所提方法可以实现比其他最先进的方法更好的性能。此外，所提出的策略可以扩展到其他深度神经网络。
使用解缠结潜伏扩散模型生成多模态脑肿瘤 MRI
基于深度学习的图像生成方法已被广泛用于克服数据不足。在医疗领域也是如此，数据短缺问题经常发生。在本研究中，我们提出了多模态脑肿瘤磁共振成像（MRI）生成框架，称为解缠结潜在扩散模型（DLDM），以解决医学成像中的数据不足问题。我们训练一个自动编码器，将多模态 MRI 图像的特征解缠结为模态共享和模态特定表示。通过利用从自动编码器学到的特征解缠结，我们能够训练一个可以生成模态共享和模态特定潜在向量的扩散模型。我们用 clean-FID 和改进的准确率和召回率评估了我们的方法。将结果与基于 GAN 的模型 StyleGAN2 进行了比较。关键词：生成、多模态、MRI、特征解缠结、扩散模型。
MAUDGAN：具有不同脑肿瘤的多中心 MRI 数据的运动伪影无监督解缠生成对抗网络
摘要。目的：本研究提出了一种新颖的回顾性运动减少方法，即运动伪影 11 无监督解缠生成对抗网络 (MAUDGAN)，该方法可减少来自肿瘤和转移性脑图像的运动伪影。MAUDGAN 使用多模态多中心 3D T1- 13 Gd 和 T2 流体衰减反转恢复 MRI 图像进行训练。方法：在 k 空间中为 3D T1-Gd MRI 图像模拟具有不同伪影 14 级别的运动伪影。MAUDGAN 由使用残差块构建的两个生成器、两个鉴别器和两个特征提取器网络组成。生成器将图像从内容空间映射到伪影空间，反之亦然。另一方面，鉴别器试图 17 区分内容代码以学习无运动和运动损坏的内容空间。结果：我们将 MAUDGAN 与 CycleGAN 和 Pix2pix-GAN 进行了比较。从定性上讲，MAUDGAN 可以消除软组织对比度最高的运动，而不会增加空间和频率失真。从定量上讲，我们报告了六个指标，包括归一化均方误差 (NMSE)、结构相似性指数 (SSIM)、多尺度结构相似性指数 (MS-SSIM)、峰值信噪比 (PSNR)、视觉信息保真度 (VIF) 和多尺度梯度幅度相似性偏差 (MS-GMSD)。MAUDGAN 获得了最低的 NMSE 和 MS-GMSD。平均而言，所提出的 MAUDGAN 重建的无运动图像具有最高的 SSIM、PSNR 和 VIF 值以及可比的 MS-SSIM 值。结论：MAUDGAN 可以在多模态框架下从 3D T1-Gd 数据集中分离出运动伪影。运动减少将改善自动和手动 26 后处理算法，包括自动分割、配准和引导治疗（例如 27 放射治疗和手术）的轮廓勾画。28
多视角脑连接组的解缠和比例表示学习
摘要：弥散 MRI 衍生的大脑结构连接组或大脑网络在大脑研究中得到广泛应用。然而，构建大脑网络高度依赖于各种纤维束成像算法，这导致难以确定下游分析的最佳视图。在本文中，我们提出从多视图大脑网络中学习统一的表示。具体而言，我们希望学习到的表示能够公平地、解开纠缠的感觉传达来自不同视图的信息。我们通过使用无监督变分图自动编码器的方法实现解缠。我们通过另一种训练程序实现了视图公平性，即比例性。更具体地说，我们在训练深度网络和网络流问题之间建立了一个类比。基于这种类比，通过一种意识到比例的网络调度算法实现了公平的表示学习。实验结果表明，学习到的表示可以很好地适应各种下游任务。他们还表明，所提出的方法有效地保持了比例性。
用于生理生物信号的解缠对抗性迁移学习 /作者=Han, Mo；Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 7 月 21 日 /主题=人工智能、人机交互、机器学习、信号处理
摘要 可穿戴传感器的最新发展为以有效和舒适的方式监测生理状态带来了希望。生理状态评估的一个主要挑战是迁移学习的问题，该问题是由不同用户或同一用户的不同记录会话中的生物信号域不一致引起的。我们提出了一种对抗性推理方法进行迁移学习，以从生理生物信号数据中提取解开的干扰鲁棒表示，以进行压力状态水平评估。我们利用任务相关特征和人员判别信息之间的权衡，通过使用对抗网络和干扰网络来联合操纵和解开编码器学习到的潜在表示，然后将其输入到判别分类器。跨受试者转移评估的结果证明了所提出的对抗框架的优势，从而展示了其适应更广泛受试者的能力。最后，我们强调我们提出的对抗性迁移学习方法也适用于其他深度特征学习框架。