XiaoMi-AI文件搜索系统
World File Search System连接层
kcs-fcnet：基于脑电图的运动图像分类的内核跨光谱功能连接网络
摘要：本文使用脑电图数据引入一种方法，用于在运动图像（MI）任务中对右手和左手类别进行分类。内核跨光谱功能连接网络（KCS-FCNET）方法通过提供更丰富的空间 - 频谱特征图，更简单的体系结构和更容易解释的EEG驱动的MI歧视方法来解决这些局限性。尤其是，KCS-FCNET使用基于1D横向的单个神经网络从RAW EEG数据中提取时间频率特征和跨光谱高斯内核连接层来模型通道功能关系。因此，功能连接功能映射减少了参数的数量，从而通过提取与MI任务相关的有意义的模式来改善可解释性。这些模式可以适应主题的独特特征。验证结果证明，引入KCS-FCNET浅架构是一种基于脑电图的MI分类的有前途的方法，具有在脑computer接口系统中实现现实世界使用的潜力。
中国社会的序列生成对抗网络...
尽管序列到序列模型在许多摘要数据集中都达到了最先进的性能，但是中国社交媒体文本的处理中仍然存在一些问题，例如短句子，缺乏连贯性和准确性。这些问题是由两个因素引起的：基于RNN的序列模型的原理是最大似然估计，这将导致产生长摘要时梯度消失或爆炸；中国社交媒体中的文字漫长而嘈杂，很难产生高质量的摘要。为了解决这些问题，我们应用了序列生成的对抗网络框架。该框架包括生成器和歧视器，其中生成器用于生成摘要，并使用歧视器来评估生成的摘要。软核层层用作连接层，以确保发电机和歧视器的共培训。实验是在大规模的中国社交媒体文本摘要数据集上进行的。句子的长度，胭脂评分和摘要质量的人工得分用于评估生成的摘要。结果表明，我们的模型生成的摘要中的句子更长且准确性更高。
金属间层通过M3D IC
摘要 - 单层三维集成电路（M3D-IC）中的（MIV）的金属间层中的Miv（MIV）用于连接层间设备，并在多层跨多层提供功率和时钟信号。MIV的大小与逻辑门相当，因为由于顺序集成，底物层的显着降低。尽管MIV的尺寸很小，但MIV对相邻设备性能的影响应考虑在M3D-IC技术中实现IC设计。在这项工作中，我们会系统地研究晶体管在MIV附近放置的晶体管性能变化，以了解MIV通过底物时MIV对相邻设备的影响。仿真结果表明，应考虑使用MIV的保留区（KOZ）以确保M3D-IC技术的可靠性，并且该KOZ高度依赖于M3D-IC过程。在本文中，我们表明，考虑到M1金属螺距的MIV附近的晶体管，因为分离将具有高达68、668×增加泄漏电流，当通道掺杂为10 15 cm - 3，源/排水掺杂，10 18 cm -3
发展强大的神经架构以防御对抗性攻击
神经网络容易对稍加修改的输入图像进行错误分类。最近，已经提出了许多防御措施，但没有一种能够持续提高神经网络的鲁棒性。在这里，我们建议使用对抗性攻击作为函数评估来搜索可以自动抵御此类攻击的神经架构。对文献中的神经架构搜索算法的实验表明，虽然它们准确，但它们无法找到鲁棒的架构。一个重要原因在于它们的搜索空间有限。通过创建一种新颖的神经架构搜索，其中包含密集层与卷积层连接的选项以及反之亦然，以及在搜索中添加连接层，我们能够进化出一种在对抗性样本上固有准确的架构。有趣的是，这种进化架构的固有鲁棒性可与对抗性训练等最先进的防御措施相媲美，同时仅在非对抗性样本上进行训练。此外，进化的架构利用了一些特殊的特性，这些特性可能有助于开发更强大的架构。因此，这里的结果证实了更强大的架构是存在的，并为神经网络的开发和探索开辟了一个新的可行性领域。
一种改进的残差网络用于检测和分类
阿尔茨海默病 (AD) 是一种脑部疾病，会显著降低患者的记忆和正常行为能力。通过应用多种方法来区分 AD 的不同阶段，神经影像数据已用于提取与 AD 各个阶段相关的不同模式。然而，由于老年人和不同阶段的大脑模式相似，研究人员很难对其进行分类。在本文中，通过添加额外的卷积层对 50 层残差神经网络 (ResNet) 进行了修改，以使提取的特征更加多样化。此外，激活函数 (ReLU) 被替换为 (Leaky ReLU)，因为 ReLU 会取其输入的负部分，将其降为零，并保留正部分。这些负输入可能包含有用的特征信息，有助于开发高级判别特征。因此，使用 Leaky ReLU 代替 ReLU 以防止任何潜在的输入信息丢失。为了从头开始训练网络而不遇到过度拟合的问题，我们在完全连接层之前添加了一个 dropout 层。所提出的方法成功地对 AD 的四个阶段进行了分类，准确率为 97.49%，精确度、召回率和 f1 分数为 98%。
mSPD-NN：一种用于从功能连接组学流形中发现生物标志物的几何感知神经框架
摘要。连接组学已成为神经成像领域的强大工具，并推动了连接数据统计和机器学习方法的最新进展。尽管连接组存在于矩阵流形中，但大多数分析框架都忽略了底层数据几何。这主要是因为简单的操作（例如均值估计）没有易于计算的闭式解。我们提出了一种用于连接组的几何感知神经框架，即 mSPD-NN，旨在估计对称正定 (SPD) 矩阵集合的测地线均值。mSPD-NN 由具有绑定权重的双线性全连接层组成，并利用新颖的损失函数来优化由 Fréchet 均值估计产生的矩阵法向方程。通过对合成数据进行实验，我们证明了我们的 mSPD-NN 与常见的 SPD 均值估计替代方案相比的有效性，在可扩展性和抗噪性方面提供了具有竞争力的性能。我们在 rs-fMRI 数据的多个实验中说明了 mSPD-NN 的真实世界灵活性，并证明它发现了与 ADHD-ASD 合并症患者和健康对照者之间的细微网络差异相关的稳定生物标志物。
战争、关系和社会生态系统 - Pure
摘要 战争研究正在发生变化。以人为中心的方法正受到越来越多的挑战，现在有许多研究正在探索战争对环境的影响。尽管这种研究极其重要，但它可能会强化人类/自然二元论，因为它在认识论上将对环境造成的损害与对“我们”造成的损害区分开来。我们需要的是更综合的分析，研究战争影响人类与超人类世界之间的联系和关系的多种方式。此外，令人惊讶的是，环境社会学很少关注战争，因此这种分析在很大程度上仍然缺失。这篇跨学科文章旨在解决这些差距，从而为战争学术和环境社会学做出新的贡献，通过特别关注人与鸟的关系，突出战争的多层次关系动态——并询问战争对它们的影响。它还旨在为社会生态系统 (SES) 研究做出原创贡献。通过讨论战争（SES 研究中被忽视的现象）如何破坏和加强人与鸟类的关系（包括听觉方面），并将这些关系定义为构成 SES 的众多连接层之一，本文提供了一种探索这些系统内关联性的不同方式。
用于多中心 ASD 分类的可逆动态图卷积网络
自闭症谱系障碍 (ASD) 是一种常见的发育障碍，其症状和严重程度差异很大，使得自闭症的诊断成为一项具有挑战性的任务。现有的使用大脑连接特征对自闭症进行分类的深度学习模型由于特征表示能力有限和可解释性不足，在多中心数据上仍然表现不佳。鉴于图卷积网络 (GCN) 在学习大脑连接网络的判别性表示方面表现出色，本文提出了一个可逆动态 GCN 模型来识别自闭症并研究与该疾病相关的连接模式的改变。为了从模型中选择可解释的特征，在整个网络中引入了可逆块，我们能够从网络的输出中重建输入的动态特征。采用连接特征的预筛选来减少输入信息的冗余，并添加全连接层进行分类。对 867 名受试者的实验结果表明，我们提出的方法实现了卓越的疾病分类性能。它为大脑连接分析提供了可解释的深度学习模型，在研究大脑相关疾病方面具有巨大潜力。
LightSleepNet：基于单通道脑电图的个性化便携式睡眠分期系统设计
摘要 —本文提出了 LightSleepNet——一种基于轻量级 1-d 卷积神经网络 (CNN) 的个性化实时睡眠分期架构，可在硬件资源有限的各种移动平台上实现。所提出的架构仅需要输入 30 秒单通道 EEG 信号即可进行分类。使用由组 1-d 卷积组成的两个残差块代替传统的卷积层来消除 CNN 中的冗余。在每个卷积层中插入通道混洗以提高准确性。为了避免过度拟合训练集，使用全局平均池化 (GAP) 层替换全连接层，这进一步显著减少了模型参数的总数。提出了一种结合自适应批量归一化 (AdaBN) 和梯度重新加权的个性化算法，用于无监督域自适应。易于转移到新受试者的示例具有更高的优先级，并且该算法可以针对新受试者进行个性化而无需重新训练。实验结果表明，仅需 4576 百万次每秒浮点运算 (MFLOP) 计算和 43.08 K 个参数，就能达到 83.8% 的最佳总体准确率。
一种用于运动想象脑电信号分类的精简深度学习方法
摘要 — 近年来，深度学习 (DL) 方法在基于脑电图 (EEG) 的运动想象 (MI) 脑机接口 (BCI) 系统的开发中越来越受欢迎，旨在提高现有中风康复策略的性能。复杂的深度神经网络结构具有大量神经元和数千个参数需要优化，并且通常需要大量数据来训练网络，并且训练过程可能需要非常长的时间。高训练成本和高模型复杂度不仅对 BCI 系统的性能产生负面影响，而且影响其满足支持患者康复锻炼的实时要求的适用性。为了应对这一挑战，本文提出了一种基于贡献的神经元选择方法。实现了基于卷积神经网络 (CNN) 的运动想象分类框架，并开发和应用了神经元修剪方法。利用 CNN 层捕捉脑电信号的时空特征，然后采用快速递归算法（FRA）对全连接层中的冗余参数进行修剪，从而在不影响 CNN 模型性能的情况下降低其计算成本。实验结果表明，该方法可以实现高达 50% 的模型尺寸缩小和 67.09% 的计算节省。