XiaoMi-AI文件搜索系统
World File Search System高维
MoDex：通过学习神经手模型规划高维灵巧控制
摘要 — 在高维动作空间中控制双手一直是一个长期挑战，但人类天生就能轻松地完成灵巧的任务。在本文中，我们从人类具身认知中汲取灵感，重新将灵巧手视为可学习的系统。具体来说，我们介绍了 MoDex，这是一个采用神经手部模型来捕捉手部运动动态特征的框架。基于该模型，开发了一种双向规划方法，该方法在训练和推理方面都表现出了很高的效率。该方法进一步与大型语言模型相结合，以生成各种手势，例如“剪刀手”和“摇滚乐”。此外，我们表明，将系统动力学分解为预训练手部模型和外部模型可以提高数据效率，理论分析和实证实验都支持这一点。更多可视化结果可在 https://tongwu19.github.io/MoDex 获取。
高维机器学习统计物理学的主题
在过去的几年中，机器学习（ML）技术已经迎来了范式转移，从而可以利用越来越多的数据来源来自动化复杂的任务。这些重要突破背后的技术主力可以说在于使用人工神经网络从数据中学习数据的信息和可行的数据表示。虽然经验成功的数量累积了，但对ML方法在高维数据中学习的不合理有效性的扎实理论仍然证明是难以捉摸的。这是本文中解决的问题，通过研究可解决的模型在高维模型中，提出了（a）捕获实用ML任务的关键特征的双重要求，而（b）仍然可以通过数学分析。从统计物理学中借用思想，本文将急剧的渐近入侵呈现为现代ML中心方面的选择。
使用高维单维和多维数据估计 pi ...
量子计算是基于量子力学的工作原理进行的，当前二维量子计算技术面临噪声、信息容量等重大问题，高维量子计算被用来解决这些问题。本研究尝试通过高维下的多全局和单全局量子相位估计（QPE）算法来近似计算π。研究表明，在高维下可以使用更少的量子资源来计算π，且精度至少等于或高于二维QPE。此外，当量子数或维数保持不变时，高维下多全局QPE的结果至少等于或优于单全局QPE。本研究中的所有计算均在Cirq上实现。
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。
高维和置换不变异常检测
由于学习高维概率致密性的困难，用于新物理过程异常检测的方法通常仅限于低维空间。尤其是在组成级别上，在流行密度估计方法中，很难纳入理想的特性，例如突变不变性和可变长度输入。在这项工作中，我们基于扩散模型引入了粒子物理数据的置换不变的密度估计值，该模型是专门设计用于处理可变长度输入的。我们通过利用学习的密度作为置换式异常检测评分来证明我们的方法论的功效，从而有效地识别了仅背景假设下的可能性很小的JET。为了验证我们的密度估计方法，我们研究了学习密度的比率，并与受监督分类算法获得的密度相比。
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
利用时间和相位模式度的高维单光子的量子安全直接通信
量子安全直接通信（QSDC）可以利用量子力学的特性保证信息在不使用密钥的情况下直接通过量子信道传输时的安全性。然而，QSDC的传输速率受到单光子探测器（SPD）的死时间和长距离信道损耗的限制。为了克服这种有限的传输速率，我们提出了一种基于高维单光子的QSDC协议，该协议应用了两个光学自由度：时间和相位状态。首先，提出了一种考虑死时间的N维时间和相位状态生成方法，以最小化传输信息的测量损失。其次，在两类量子态中，测量效率相对较低的相位状态仅用于窃听检测，时间状态用于使用差分延迟时间基于二进制的编码技术发送信息。最后，我们提出了一种有效的方法来测量N维时间和基于相位的量子态并恢复经典比特信息。本研究对各种攻击进行了安全性分析，并通过仿真验证了传输速率的提升效果。结果表明，与传统的DL04 QSDC相比，我们的方案可以保证更高的安全性和传输速率。
高维元宇宙平台和虚拟扩展的自我
认知研究传统上使用低维测量和刺激呈现，强调实验室控制，而不是反映日常生活活动和互动的高维（即生态有效）工具。虽然实验室中受控的实验呈现增强了我们对健康和临床队列的认知的理解，但高维可能会扩展现实和认知。高维元宇宙方法使用具有动态刺激呈现的扩展现实 (XR) 平台，将人类和模拟技术结合起来以扩展认知。本文的计划如下：“从低维到高维的认知研究扩展”部分讨论了当前对反映日常认知活动的高维刺激呈现的需求。在“算法设备和认知的数字扩展”部分，介绍了扩展心智的技术，并将元宇宙作为扩展的候选认知过程。接下来，在“理解扩展心智技术的神经认知框架”部分，提出了一个框架和模型，用于理解人类技术耦合的神经关联，包括自动算法过程（边缘-腹侧纹状体环路）、反射认知（前额叶-背侧纹状体环路）和算法处理（岛叶皮层）。人机交互的算法过程可以随着时间的推移成为大脑和技术的自动化和算法耦合。本文最后简要总结并讨论了 Metaverse 可用于研究人们如何在模拟现实世界活动和互动时对高维刺激做出反应的方式。
高维科姆2050运输策略
不断增长的人口，更多的就业机会，更多的住房，计划的经济再生和繁荣不断增长将导致未来在高维科姆（High Wycombe）进行更多的旅程。“像往常一样的业务”将无效。在High Wycombe受约束的高速公路网络上，私人汽车进行了更多的旅行；由于其增加道路容量的空间有限，将导致更多的拥堵和更长的旅程时间。大量的交通流量和拥堵将进一步阻碍公交旅行的时间，并使步行和骑自行车环境的安全性和吸引力降低，因为道路安全性和空气质量恶化。因此，需要一种平衡的运输计划和规定方法来支持高维科姆的增长和繁荣。运输策略旨在能够随着时间的流逝而弯曲，以应对新技术，挑战和机遇。已经设定了六个不同干预类别的26个计划的一揽子计划，以解决未来的挑战，并试图提出一个愿景，即到2050年，高维科姆的所有旅程都将是低排放，无缝的，无缝且对所有居民，企业和访客来说都是安全的。这些包括：
使用高维计算的鲁棒聚类
摘要 - 本文介绍了超维计算（HDC）域中数据的聚类。在先前的工作中，已经提出了一个基于HDC的聚类框架，称为HDCluster。但是，现有的HDCluster的性能并不强大。在初始化步骤中随机选择簇的高量向量，HDCluster的性能被降解。为了克服这种瓶颈，我们通过探索编码数据的相似性（称为查询过量向量，分配了初始群集过度向量。组内过度向量的相似性比组间高向量具有更高的相似性。利用查询过量向量之间的相似性结果，本文提出了四种基于HDC的聚类算法：基于相似性的K-均值，相等的Bin宽度直方图，相等的BIN高度直方图和基于相似性的亲和力传播。实验结果说明：（i）与现有的HDCluster相比，我们提出的基于HDC的聚类算法可以实现更好的准确性，更健壮的性能，更少的迭代和更少的执行时间。基于相似性的亲和力提出优于八个数据集上的其他三种基于HDC的聚类算法，而聚类准确性则高于2％约38％。（ii）即使对于一通聚类，即没有群集高量向量的任何迭代更新，我们提出的算法也可以提供比HDClter更强大的聚类精度。（iii）在八个数据集上，当八分之一的数据集投影到高维空间上时，八分之一可以达到更高或可比的精度。传统聚类比HDC更可取，当时簇数k的数量很大。