XiaoMi-AI文件搜索系统
World File Search System随机顺序
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
首届跨会话工作量估计被动式脑机接口竞赛回顾
和许多研究领域的情况一样，脑机接口 (BCI) 领域数据共享仍然很少，尤其是在被动 BCI 领域——即基于从脑部测量估计的用户心理状态实现隐性交互或任务调整的系统。此外，该领域的研究目前面临一个重大挑战，即解决脑信号变异性，例如跨会话变异性。因此，为了在该领域发展良好的研究实践，并使整个社区能够联合起来进行跨会话估计，我们创建了第一个关于跨会话工作量估计的被动脑机接口竞赛。本次竞赛是第三届国际神经人体工程学会议的一部分。数据是从 15 名志愿者（6 名女性；平均 25 岁）获得的脑电图记录，他们进行了 3 次多属性任务组合 II (MATB-II) 测试，每次测试间隔 7 天，每场测试有 3 个难度级别（伪随机顺序）。数据（训练和测试集）与 Matlab 和 Python 玩具代码一起在 Zenodo 上公开提供（https://doi.org/10.5281/zenodo.5055046）。到目前为止，该数据库的下载次数已超过 900 次（2021 年 12 月 10 日所有版本的独立下载次数：911）。来自 3 大洲的 11 个团队（31 名参与者）提交了他们的作品。表现最好的处理流程包括基于黎曼几何的方法。虽然结果优于调整后的随机水平（对于 3 类分类问题，α 为 0.05，结果为 38%），但准确率仍然低于 60%。这些结果清楚地强调了跨会话估计的真正挑战。此外，它们再次证实了黎曼方法对 BCI 的稳健性和有效性。相反，三分之一的方法（4 个团队）基于深度学习获得了随机水平结果。与传统方法相比，这些方法在本次比赛中没有表现出更优的结果，这可能是由于严重的过度拟合。然而，这次比赛是共同努力解决 BCI 变异性并促进包括可重复性在内的良好研究实践的第一步。
量子事件学习和温和随机测量
我们证明，由随机排序的两结果投影测量序列对量子系统造成的预期扰动的上限为该序列中至少一个测量被接受的概率的平方根。我们将此界限称为温和随机测量引理。然后，我们扩展用于证明此引理的技术以开发用于问题的协议，在这些协议中，我们可以采样访问未知状态 ρ，并被要求估计一组测量 { M 1 , M 2 , . . . , M m } 的接受概率 Tr[ M i ρ ] 的属性。我们将这些类型的问题称为量子事件学习问题。具体而言，我们表明随机排序投影测量解决了量子 OR 问题，回答了 Aaronson 的一个悬而未决的问题。我们还给出了一个适用于非投影测量的量子 OR 协议，其性能优于本文分析的随机测量协议以及 Harrow、Lin 和 Montanaro 的协议。但是，该协议需要一种更复杂的测量类型，我们称之为混合测量。在对测量集 { M 1 , ... , M m } 提供额外保证的情况下，我们表明，本文开发的随机和混合测量量子 OR 协议也可用于查找使得 Tr[ M i ρ ] 较大的测量 M i 。我们将寻找这种测量的问题称为量子事件寻找。我们还表明，混合测量为量子均值估计提供了一种样本高效的协议：该问题的目标是估计一组对未知状态的测量的平均接受概率。最后，我们考虑 O'Donnell 和 B˘adescu 描述的阈值搜索问题，其中给定一组测量 { M 1 , ... , M m } , M m } 以及对未知状态 ρ 的样本访问，其中对于某个 M i ，满足 Tr[ M i ρ ] ≥ 1 / 2，目标是找到一个测量值 M j ，使得 Tr[ M j ρ ] ≥ 1 / 2 − ϵ 。通过在我们的量子事件查找结果的基础上，我们表明随机排序（或混合）测量可用于解决这个问题，使用 O ( log 2 ( m ) /ϵ 2 ) 个 ρ 副本。这与 O'Donnell 和 B˘adescu 给出的算法的性能相匹配，但不需要在测量中注入噪声。因此，我们获得了一种阴影断层扫描算法，该算法与当前已知最佳样本复杂度相匹配（即需要 ˜ O ( log 2 ( m ) log( d ) /ϵ 4 ) 个样本）。该算法不需要在量子测量中注入噪声，但需要以随机顺序进行测量，因此不再在线。