XiaoMi-AI文件搜索系统
World File Search System跟踪数据
Interead：中断阅读的眼睛跟踪数据集
阅读过程中抽象的眼动动作提供了一个了解认知过程和语言理解的窗口，但是缺少中断数据的稀缺性 - 学习者在日常学习环境中经常遇到这些数据 - 妨碍了智能学习技术发展的进步。我们介绍了Interead - 一种新颖的50个参与者数据集的目光数据集，该数据集在对现实世界文本的自定进度读取过程中记录。Interead进一步提供了整个文本中散布的中断的细粒度注释以及这些中断产生的恢复滞后。中断。我们通过报告有关凝视行为的不同度量的跨学科分析来验证我们的数据集。与先前的研究一致，我们的分析表明，中断以及单词长度和单词频率效应会显着影响阅读过程中的眼睛运动。我们还探索了数据集中的个体差异，从而阐明了量身定制的教育解决方案的潜力。可以从我们的数据集访问网页：https：//www.ife.uni-stuttgart.de/en/llis/research/datasets/。
与EEG和眼睛跟踪数据的跨主题阅读任务分类的Zuco基准
我们提出了一个新的机器学习基准，用于阅读任务分类，目的是在计算语言处理与认知神经科学之间的相交中推进脑电图和眼睛追踪研究。基准任务由一个跨主体分类组成，以区分两个阅读范式：正常阅读和特定于任务的读数。基准的数据基于苏黎世的认知语言处理语料库（ZUCO 2.0），该语料库提供了同时引人注目的视线和来自英语句子的自然阅读的EEG信号。培训数据集已公开可用，我们提出了新记录的隐藏测试集。我们为此任务提供多种可靠的基线方法，并讨论未来的改进。我们发布代码，并提供易于使用的界面，以使用随附的公共排行榜：www.zuco-benchmark.com评估新方法。
一种基于GPS跟踪数据
摘要运输研究受益于GPS跟踪设备，因为可以获取更高的数据。旅行速度，时间和大多数访问的位置等旅行信息可以轻松从RAW GPS跟踪数据中提取。但是，运输模式不能直接提取，需要更复杂的分析过程。在很大程度上检测旅行模式的常见方法取决于具有准确的旅行信息的轨迹标记，这在许多方面效率低下。本文通过使用最小标记的数据提出了一种半监督机学习的方法。该方法可以接受具有可调长度的GPS轨迹，并使用长期短期内存（LSTM）自动编码器提取潜在信息。该方法采用深层神经网络插曲，并带有三个隐藏层来映射潜在信息以检测运输模式。通过将其应用于可以达到93.94％的案例研究中的案例研究来评估所提出的方法，这显着胜过相似的研究。
推荐引用 推荐引用 Kenney, William A.. “利用弹丸跟踪数据改进弹道风预测”（2017 年）。理学硕士 (MS)，论文，计算建模与仿真工程，Old Dominion University，DOI：10.25777/h8yz-9d19 https://digitalcommons.odu.edu/msve_etds/7
6. 多点风预测 ................................................................................................................................ 67 6.1 多点数据生成 ................................................................................................................ 68 6.2 确定风预测参数 ................................................................................................................ 68 6.3 多点风预测方法 ................................................................................................................ 70 6.4 模拟描述 ............................................................................................................................. 74 6.5 结果 ................................................................................................................................ 76 6.6 结果分析 ............................................................................................................................. 76 6.7 改变状态 ............................................................................................................................. 81 6.8 结论 ................................................................................................................................ 88
推荐引用 推荐引用 Kenney, William A.. “使用弹丸跟踪数据改进弹道风预测”(2017)。理学硕士 (MS)，论文，计算建模与仿真工程，Old Dominion 大学，DOI：10.25777/h8yz-9d19 https://digitalcommons.odu.edu/msve_etds/7
6.多点风预测 ................................................................................................................67 6.1 多点数据生成 ................................................................................................................ 68 6.2 确定风预测参数 ................................................................................................................ 68 6.3 多点风预测方法 ................................................................................................................ 70 6.4 模拟描述 ............................................................................................................................. 74 6.5 结果 ................................................................................................................................ 76 6.6 结果分析 ............................................................................................................................. 76 6.7 改变状态 ............................................................................................................................. 81 6.8 结论 ................................................................................................................................ 88
使用介观跟踪数据指导从扩散MRI
此预印本版的版权持有人于2023年1月2日发布。 https://doi.org/10.1101/2022.06.02.492838 doi：Biorxiv Preprint
使用混合量子嵌入粒子跟踪数据
摘要。与目前的 LHC 实验综合体相比，CERN 的高亮度大型强子对撞机 (HL-LHC) 的复杂性和数据量将显著增加。因此，由于同时发生的碰撞次数和随之而来的探测器占用率增加，重建粒子轨迹的任务将变得更加复杂。为了识别粒子路径，HEP.TrkX 项目及其后继项目 Exa.TrkX 正在探索图神经网络等机器学习技术。两者都显示出有希望的结果并降低了问题的组合性质。我们团队先前的结果证明了应用量子图神经网络根据探测器的命中重建粒子轨迹的成功尝试。通过在嵌入空间内以有意义的方式表示训练数据，可以获得更高的整体精度。这已通过应用经典 MLP 包含在 Exa.TrkX 项目中。因此，属于不同轨迹的命中对被推开，而属于相同轨迹的命中对则保持靠近。我们探索了包含相对较少量子比特的变分量子电路在嵌入任务中适用于 NISQ 设备的适用性，并展示了初步结果。