XiaoMi-AI文件搜索系统
World File Search System连续试验
消除噪声量子计算模拟中的冗余计算
摘要 - 经典机器上的量子量子计算（QC）模拟非常耗时，因为它需要大量错误注射试验的蒙特卡洛模拟来模拟随机噪声的效果。与现有QC仿真优化的正交，我们的目标是通过消除这些蒙特卡洛模拟试验中的冗余计算来加速模拟。 我们观察到许多试验的中间状态通常相同。 一旦在一个试验中计算了这些状态，就可以在其他试验中暂时存储和重复使用它们。 但是，存储此类状态将消耗明显的内存空间。 为了利用共享的中间状态而不引入过多的存储开销，我们建议在实际仿真之前静态生成和分析蒙特卡洛模拟模拟试验。 重新排序这些试验，以最大化两个连续试验之间的重叠计算。 在后续模拟中无法重复使用的状态被删除，因此我们只需要存储一些状态即可。 实验结果表明，所提出的优化方案平均可以节省80％的计算，而仅存储了少量的状态向量。 此外，提出的仿真方案显示出很大的可扩展性，因为可以通过更多的仿真试验或降低错误率的未来QC设备来保存更多的计算。与现有QC仿真优化的正交，我们的目标是通过消除这些蒙特卡洛模拟试验中的冗余计算来加速模拟。我们观察到许多试验的中间状态通常相同。一旦在一个试验中计算了这些状态，就可以在其他试验中暂时存储和重复使用它们。但是，存储此类状态将消耗明显的内存空间。为了利用共享的中间状态而不引入过多的存储开销，我们建议在实际仿真之前静态生成和分析蒙特卡洛模拟模拟试验。重新排序这些试验，以最大化两个连续试验之间的重叠计算。在后续模拟中无法重复使用的状态被删除，因此我们只需要存储一些状态即可。实验结果表明，所提出的优化方案平均可以节省80％的计算，而仅存储了少量的状态向量。此外，提出的仿真方案显示出很大的可扩展性，因为可以通过更多的仿真试验或降低错误率的未来QC设备来保存更多的计算。
情绪与集中注意力的表现之间的关联
引入集中注意力通常涉及在已知位置识别刺激。另一种类型的注意力，分类搜索涉及确定刺激的位置，其次是其识别。在选择反应时间任务中已经测量了这两种类型的注意力。[1,2]以及测量选择性注意力，这些任务还测量了关注的平均反应时间，误差和关注度（偶尔出现非常长的反应时间）。此外，它们测量了信息处理的阶段，例如新信息和响应组织的编码。[3]从这些任务中得出了三个主要注意力的指标。第一个措施是两个任务之间的差异（空间不确定性很少：SPUL）。第二个测量了注意力集中（Eriksen效应，Erik）。第三个在分类搜索任务中测量的，比较了在相同或不同位置在连续试验中发生的刺激的影响（位置重复效应，PREP）。
SIFIAE：一种考虑 EEG 特征标签不一致的自适应情绪识别模型
背景：在基于脑电图的情绪识别研究中，一个常见但容易被忽视的情感重叠问题尚未引起足够的重视。在现实生活中，情感重叠是指人的当前情绪状态有时很容易受到其历史情绪的影响。在刺激诱发的脑电图采集实验中，由于连续试验中的休息间隔较短，神经反应的内部机制使得受试者不能轻松快速地切换情绪状态，这可能导致情感重叠。例如，即使我们正在看一部喜剧，因为之前刚看过一场悲剧，我们可能在某种程度上仍然处于悲伤的状态。在模式识别中，情感重叠通常意味着脑电图数据中存在特征标签不一致。新方法：为了减轻脑电图数据不一致的影响，我们引入一个变量来自适应地探索情绪识别模型开发中的样本不一致性。然后，我们提出了一种联合样本不一致性与特征重要性探索的半监督情感识别模型（SIFIAE）。据此提出了一种对SIFIAE模型的有效优化方法。结果：在SEED-V数据集上进行的大量实验证明了SIFIAE的有效性。具体来说，SIFIAE达到了69.10%，67.01%，71.5%，
半结构化数据中的高效样本和特征重要性挖掘
摘要：近年来，基于脑电图（EEG）的情绪识别引起了研究界越来越多的兴趣。EEG数据的弱信号、非平稳、多节律和多通道特性容易导致提取的EEG样本和特征在识别情绪状态时的贡献不同。然而，现有的研究要么没有同时考虑样本和特征重要性问题，要么只考虑了其中之一。在本文中，我们提出了一种称为sJSFE（半监督联合样本和特征重要性评估）的新模型，分别通过自步学习和特征自加权来定量测量样本和特征重要性。在SEED-IV数据集上的实验结果表明，通过同时挖掘样本和特征重要性可以大大提高情绪识别性能。具体来说，sJSFE 在三个跨会话识别任务中获得的平均准确率为 82.45%，分别比传统模型的结果高出 3.72% 和 7.21%，以及 10.47% 和 18.82%。此外，特征重要性向量表明 Gamma 频带贡献最大，前额叶、左/右颞叶和（中央）顶叶的大脑区域与情绪识别的相关性更高。样本重要性描述符表明，连续试验中视频类型的连续转换可能会削弱所收集 EEG 数据的特征标签一致性。
半结构化数据中的高效样本和特征重要性挖掘
摘要：近年来，基于脑电图（EEG）的情绪识别引起了研究界越来越多的兴趣。EEG数据的弱信号、非平稳、多节律和多通道特性容易导致提取的EEG样本和特征在识别情绪状态时的贡献不同。然而，现有的研究要么没有同时考虑样本和特征重要性问题，要么只考虑了其中之一。在本文中，我们提出了一种称为sJSFE（半监督联合样本和特征重要性评估）的新模型，分别通过自步学习和特征自加权来定量测量样本和特征重要性。在SEED-IV数据集上的实验结果表明，通过同时挖掘样本和特征重要性可以大大提高情绪识别性能。具体来说，sJSFE 在三个跨会话识别任务中获得的平均准确率为 82.45%，分别比传统模型的结果高出 3.72% 和 7.21%，以及 10.47% 和 18.82%。此外，特征重要性向量表明 Gamma 频带贡献最大，前额叶、左/右颞叶和（中央）顶叶的大脑区域与情绪识别的相关性更高。样本重要性描述符表明，连续试验中视频类型的连续转换可能会削弱所收集 EEG 数据的特征标签一致性。
利用试验和行为环节之间的相关性来改善神经解码
为了找到一个可解释的解决方案，需要一个简单而有效的模型来在许多会话中共享行为相关的神经变化。同样，动物的行为不仅受当前任务的影响，也受动物以前试验的经验的影响。例如，[10]发现小鼠的决策表现出在数十到数百次试验中持续存在的内部状态，这可以通过隐马尔可夫模型（HMM）有效地建模。这些潜在状态可以在不同动物和实验会话中重现。许多神经科学实验表现出由这种可重现的潜在状态引起的试验间行为相关性。除了对会话间神经相似性进行建模之外，明确考虑连续试验中的这些行为相关性还可以潜在地提高神经解码性能。在这项工作中，我们开发了两种互补的方法来利用这些神经和行为相关性来改进神经解码。对于神经数据，我们采用多会话降秩模型，该模型在跨会话时具有相似的神经活动时间模式，同时保留会话特定的差异以适应个体差异。对于行为数据，我们使用多会话状态空间模型从多个会话中动物行为的试验间相关性中学习潜在行为状态。然后使用这些学习到的神经和行为表征来改进单次试验、单会话解码器。与现有的通过复杂黑盒模型在会话间共享数据的深度学习方法不同，我们的模型简单、可解释性强且易于拟合。我们使用来自国际脑实验室 [ 11 ， 12 ] 的小鼠神经像素记录来评估我们的神经和行为数据共享模型，其中包括 433 个会话和 270 个大脑区域。结果显示，在不同行为任务中解码准确率有所提高。我们的方法在计算上是高效的，使我们能够创建与行为相关的时间尺度的全脑图，并识别与每个行为任务相关的关键神经元。