基于脑电图（EEG）的脑生物识别技术已被越来越多地用于个人鉴定。传统的机器学习技术以及现代的深度学习方法已采用有希望的结果。在本文中，我们提出了EEG-BBNET，这是一个混合网络，该网络将卷积神经网络（CNN）与图形卷积神经网络（GCNN）集成在一起。 CNN在自动特征提取方面的好处以及GCNN通过图形表示在EEG电极之间学习连通性的能力被共同利用。我们检查了各种连通性度量，即欧几里得距离，皮尔逊的相关系数，相锁定值，相位滞后指数和RHO索引。在由各种脑部计算机界面（BCI）任务组成的基准数据集上评估了所提出的方法的性能，并将其与其他最先进的方法进行了比较。我们发现，使用会议内数据的平均正确识别率最高99.26％，我们的模型在事件相关电位（ERP）任务中的所有基线都优于所有基准。具有Pearson相关性和RHO指数的EEG-BBNET提供了最佳的分类结果。此外，我们的模型使用会议间和任务数据显示出更大的适应性。我们还研究了我们提出的模型的实用性，该模型的电极数量较少。额叶区域上的电极放置似乎最合适，性能损失最少。
translated by 谷歌翻译
我们在标准化流动的基础上构建逼真的现场和股票选项市场模拟器。我们通过套利的自动级别来解决市场观察到的呼叫价格的高度，这是近似价格的有效的低维表示，同时保持重建表面中的静态套件。考虑到多资产宇宙，我们利用了归一化流量的条件可逆性，并引入可扩展方法，以校准一组独立模拟器的关节分布，同时保留每个模拟器的动态。经验结果突出了校准模拟器的良好及其忠诚。
translated by 谷歌翻译
估计大型资产投资组合的价值（VAR）是金融机构的重要任务。随着资产价格的联合记录返回通常可以将潜在的级别的潜在空间预测到更小的尺寸，使用变分性AutoEncoder（VAE）来估计VAR是一个自然的建议。为了确保在学习顺序数据时自动频率的瓶颈结构，我们使用暂时的vae（tempvae），该时间VAE（Tempvae）避免了用于观察变量的自动回归结构。然而，金融数据与VAE的自动修剪性能结合的低信噪比通常使得使用VAE易于崩溃。因此，我们建议使用退火的正规化来减轻这种效果。结果，Tempvae的自动灌注正常工作，这也导致VAR的估计结果，当应用于实际数据时，该变量击败了经典的GARCH型和历史模拟方法。
translated by 谷歌翻译