XiaoMi-AI文件搜索系统
World File Search System高维
快速生成高维点云
在这项研究中，使用了JETNET [21]数据集。每个数据集都包含Pythia [22]的射流，其能量约为1 TEV，每个射流包含多达30或150个成分（此处：30）。数据集在喷气发射的parton中。在这里，研究了顶级夸克，轻夸克和Gluon发射的喷气机的数据集[23，24]。每个数据集包含约170k个单独的喷气机分为110K / 10K / 50K用于培训 /测试 /验证，其中验证数据集用于我们的结果。射流成分，颗粒，用r = 0的圆锥半径聚类。8。这些颗粒被认为是无质量的，因此可以用它们的3-momenta或横向动量p t，伪t，伪质η和方位角角度描述。在JetNet数据集中，这些变量相对于喷气动量给出：ηrel Ibηi -ηi -η射流，ϕ rel i b ϕ i-（ϕ射流mod2π）和p rel t，i b p p t，i b p t，i / p t，i / p t，i / p t，jet，jet，i在喷气机中im ime im impoy im im ot a Jet中的粒子。计算这些相对数量的不变质量，例如，对于喷气质量，意味着m rel = m jet / p t，jet。Jetnet库[25]提供了本研究中使用的几个指标。此外，作者还提供了一个称为MPGAN [26]的基线模型。该数据集已在粒子物理社区中广受欢迎，作为基于PC的生成模型的基准[15-17，27-34]。
cauchy非凸线稀疏特征选择方法用于运动成像中的高维小样本问题eeg解码
EEG信号的时间，频率和空间信息对于运动图像解码至关重要（Zheng等，2022）。因此，已经广泛研究了基于时间频率空间特征的运动图像解码（Chen等，2023）。In the process of temporal- frequency-spatial feature extraction, the original EEG signals are first decomposed into multiple time-frequency units, then the common spatial pattern (CSP) algorithm is used to extract the spatial features on each time-frequency unit, and finally, the spatial features of multiple time-frequency units are cascaded into a feature vector ( Miao et al., 2021 ), which significantly increases脑电图的特征维度。特征尺寸的数量超过一百甚至几百，而特征冗余。此外，由于收集脑电图样本的困难和高成本，尤其是对于患者，样本量通常相对较小，通常只有几十个。因此，时间频率空间特征是高维小样本数据，它将为EEG分类模型带来一系列问题，例如过度拟合和模型解决方案的问题不确定（Chadebec等，2022）。
用于量子控制的高维多保真贝叶斯优化
摘要 我们提出了第一个多保真贝叶斯优化 (BO) 方法，用于解决原型量子系统的量子控制中的逆问题。我们的方法自动构建时间相关的控制场，从而实现初始和期望的最终量子态之间的转换。最重要的是，我们的 BO 方法在构建时间相关的控制场方面表现出色，即使对于难以用现有的基于梯度的方法收敛的情况也是如此。我们提供了我们的机器学习方法的详细描述以及各种机器学习算法的性能指标。总之，我们的结果表明 BO 是一种有前途的方法，可以有效、自主地设计一般量子动力系统中的控制场。
能源市场中储能竞价的高维竞价学习
摘要 随着可再生能源的普及，电力市场价格波动性加大。因此，对于储能系统 (ESS) 来说，利用能源市场投标的多维性质来最大化盈利能力非常重要。然而，目前的学习方法不能充分利用能源市场中高维的价格-数量投标。为了应对这一挑战，我们修改了常见的强化学习 (RL) 过程，提出了一种称为神经网络嵌入投标 (NNEB) 的新投标表示方法。NNEB 是指由具有离散输出的单调神经网络表示的市场投标。为了有效学习 NNEB，我们首先使用 RL 学习一个神经网络作为从市场价格到 ESS 功率输出的战略映射。然后，我们通过两次训练修改重新训练网络，使网络输出单调和离散。最后，神经网络等效地转换为高维投标。我们对真实世界的市场数据集进行了实验。我们的研究表明，所提出的方法比基线高出 18% 的利润，使最佳市场竞标者的利润高达 78%。关键词：电力市场、实时市场、储能系统、战略竞价、强化学习
利用能量-...的高维量子密钥分发
摘要 基于纠缠的量子密钥分发 (QKD) 是量子通信的重要组成部分，因为它具有源无关的安全性以及构建大规模量子通信网络的潜力。然而，在长距离光纤链路上实现基于纠缠的 QKD 仍然具有挑战性，尤其是在部署的光纤上。在本文中，我们报告了一种实验性的 QKD，它使用能量-时间纠缠的光子对在 242 公里的光纤上传输（包括一段 19 公里的部署光纤）。QKD 是通过具有高维编码的色散光学 QKD (DO-QKD) 协议实现的，以更有效地利用巧合计数。根据量子信道中光脉冲的分布，开发了一种可靠的、高精度的长距离纠缠 QKD 时间同步技术。我们的系统可以连续运行 7 天以上，无需主动偏振或相位校准。我们最终在渐近和有限尺寸范围内分别生成了安全密钥速率为 0.22 bps 和 0.06 bps 的安全密钥。这表明，如果满足对时间同步的高要求，基于纠缠的 DO-QKD 是可靠的，可用于现场的长距离实现。
EMBHD：用于MCU级设备高维计算研究的库
推动将计算推向“边缘” [2]的力。这些移动应用程序中有许多属于物联网（IoT）的类别，该领域由智能传感设备主导，主要对传感器数据进行推断[9]。诸如此类的部署根本不（理想情况下，不应该）需要云计算资源；一项需要非平凡的能源访问的服务。永恒的工程挑战一直在了解我们如何从移动设备中获得最大收益。我们可以为最少的功率做什么最大的有用计算？这种类型的性能最大化涉及硬件和软件优化。在硬件方面，最有影响力的设计选择之一是目标计算机。具有应用程序代理的成熟的多核系统可能会提供最佳的原始速度，但在大规模上可能是功率且昂贵的。大多数物联网部署都选择更节能的核心，以更低的绩效以提高可持续性。历史上降级为简单的8和16位机器，最新一代的MCU看到了向更有能力的32位处理器的过渡，ARM Cortex-M家族是最受欢迎的。这些以数十MHz运行的单核系统可能坐在计算性能梯子的底部，但它们在发电效率上是无与伦比的。弄清楚如何运行现代边缘计算工作 - 即。mL推断）近年来对资源受限的MCU一直是一个积极的研究领域。能量自2019年以来，这个概念已被称为Tinyml，该概念试图打开“在超低功率（<1MW）MCU上执行优化的ML模型，并以最小的功率征服” [4]。MCU级设备通常使用<100KB的内存和1-2MB的闪存存储运行。能够执行相同的ML任务，该任务将在MCU上的多核系统上运行，这是非常强大的。
测试和增强高维计算的对抗性鲁棒性
摘要 - 脑启发的超维度计算（HDC），也称为矢量符号结构（VSA），是一种急剧的“非von neumann”计算方案，该方案模仿人脑功能以处理信息或使用抽象和高维模式来处理信息或执行学习任务。与深神经网络（DNN）相比，HDC显示出诸如紧凑的模型大小，能量效率和少量学习的优势。尽管有这些优势，但HDC的一个不足的区域是对抗性的鲁棒性。现有的作品表明，HDC容易受到对抗性攻击的攻击，在这种攻击中，攻击者可以在原始输入中添加少量扰动到“傻瓜” HDC模型，从而产生错误的预测。在本文中，我们通过开发一种系统的方法来测试和增强HDC对对抗性攻击的鲁棒性，系统地研究HDC的对抗性鲁棒性，并具有两个主要成分：（1）TestHD，这是一种可以为给定的HDC模型生成高素质高素质的测试工具，该工具可以为给定的HDC模型生成高素质的高素质数据； （2）GuardHD，它利用TestHD生成的对抗数据来增强HDC模型的对抗性鲁棒性。testHD的核心思想建立在模糊测试方法之上。我们通过提出基于相似性的覆盖率度量来定制模糊方法，以指导TestHD连续突变原始输入，以生成可能触发HDC模型不正确行为的新输入。由于使用差异测试，TestHD不需要事先知道样品的标签。为了增强对抗性鲁棒性，我们设计，实施和评估GuardHD以捍卫HDC模型免受对抗数据的影响。GuardHD的核心思想是一种对抗探测器，可以通过测试HDD生成的对抗样本训练。在推断期间，一旦检测到对抗样本，GuardHD将用“无效”信号覆盖词典结果。我们评估了4个数据集和5个对抗性攻击方案的提议方法，具有6种对抗生成策略和2种防御机制，并相应地比较了性能。GuardHD能够区分精度超过90％的良性和对抗性输入，比基于对抗性训练的基线高达55％。据我们所知，本文在系统地测试和增强对这种新兴脑启发的计算模型的对抗数据的鲁棒性方面提出了第一个全面的努力。索引术语 - 远程计算，差异绒毛测试，对抗攻击，强大的计算
使用小量子计算机的高维量子机学习
量子计算机具有增强机器学习的巨大希望，但是它们当前的量子计数限制了这一诺言的实现。为了应对这种限制，社区生产了一组技术，用于评估较小的量子设备上的大量子电路。这些技术通过评估较小的机器上的许多较小的电路来起作用，然后将其组合成多项式，以复制较大的machine的输出。此方案需要比通用电路更实用的电路评估。但是，我们调查了某些应用程序的可能性，许多这些子电路都是多余的，并且较小的总和足以估计全电路。我们构建了一个机器学习模型，该模型可能是近似较大电路的输出，并且电路评估要少得多。使用模拟量子计算机比数据维度小得多，我们成功地将模型应用于数字识别的任务。该模型还应用于将随机10量子PQC近似于5量子计算机的随机10量子PQC，即使仅使用相对较少的电路，我们的模型也可以准确地近似于10 Qubit PQC的输出，而不是神经网络尝试。开发的方法可能对于在NISQ时代实现较大数据的量子模型可能很有用。
Torchhd：一个开源Python库，用于支持高维计算和矢量符号体系结构的研究
高维计算（HD），也称为向量符号体系结构（VSA），是通过利用随机高维矢量空间的属性来计算分布式表示的框架。科学通信对在这个尤其多学科领域进行汇总和传播研究的承诺对于其进步至关重要。加入这些效果，我们提出了HD/VSA的高性能开源Python库Torchhd。Torchhd试图使HD/VSA更容易访问，并为进一步的研究和应用程序开发提供了有效的基础。易于使用的库建立在Pytorch之上，并具有最先进的HD/VSA功能，清晰的文档和来自著名出版物的实施示例。将公开可用的代码与相应的TorchHD实现进行比较，表明实验可以快速运行100倍。Torchhd可在以下网址提供：https：//github.com/hyperdimensional-computing/torchhd。关键字：高维计算，矢量符号体系结构，分布式代表，机器学习，符号AI，Python库
对抗性-HD：安全工业互联网的高维计算对抗攻击设计
工业互联网（IIOT）是传感器，网络设备和设备的协作，可从工业运营中收集数据。IIOT系统由于相互连接和计算能力有限而具有许多安全漏洞。Ma-Chine学习的入侵检测系统（IDS）是一种可能的安全方法，它可以不断监视网络数据并以自动化方式检测网络攻击。超维（HD）计算是一种受脑启发的ML方法，在极其稳健，快速和能效的同时非常准确。基于这些特征，HD可以是IIOT系统的基于ML的IDS解决方案。但是，其预测性能受到输入数据中的小扰动的影响。为了充分评估HD的脆弱性，我们提出了一种有效的面向HD的广泛攻击设计。我们首先选择最多样化的攻击集以最大程度地减少开销，并消除对抗性的冗余。然后，我们执行实时攻击选择，发现最有效的攻击。我们对现实的IIOT入侵数据集的实验显示了我们攻击设计的有效性。与最有效的单次攻击相比，我们的设计策略可以提高攻击成功率高达36％，而𝐹1得分最多可以提高61％。