Quantum state tomography aims to estimate the state of a quantum mechanical system which is described by a trace one, Hermitian positive semidefinite complex matrix, given a set of measurements of the state. Existing works focus on estimating the density matrix that represents the state, using a compressive sensing approach, with only fewer measurements than that required for a tomographically complete set, with the assumption that the true state has a low rank. One very popular method to estimate the state is the use of the Singular Value Thresholding (SVT) algorithm. In this work, we present a machine learning approach to estimate the quantum state of n-qubit systems by unrolling the iterations of SVT which we call Learned Quantum State Tomography (LQST). As merely unrolling SVT may not ensure that the output of the network meets the constraints required for a quantum state, we design and train a custom neural network whose architecture is inspired from the iterations of SVT with additional layers to meet the required constraints. We show that our proposed LQST with very few layers reconstructs the density matrix with much better fidelity than the SVT algorithm which takes many hundreds of iterations to converge. We also demonstrate the reconstruction of the quantum Bell state from an informationally incomplete set of noisy measurements.

使用敏感用户数据调用隐私保护方法，执行低排名矩阵完成。在这项工作中，我们提出了一种新型的噪声添加机制，用于保留差异隐私，其中噪声分布受Huber损失的启发，Huber损失是众所周知的稳定统计数据中众所周知的损失功能。在使用交替的最小二乘方法来解决矩阵完成问题的同时，对现有的差异隐私机制进行了评估。我们还建议使用迭代重新加权的最小二乘算法来完成低级矩阵，并研究合成和真实数据集中不同噪声机制的性能。我们证明所提出的机制实现了{\ epsilon} - 差异性隐私，类似于拉普拉斯机制。此外，经验结果表明，在某些情况下，Huber机制优于Laplacian和Gaussian，否则是可比的。

A framework for creating and updating digital twins for dynamical systems from a library of physics-based functions is proposed. The sparse Bayesian machine learning is used to update and derive an interpretable expression for the digital twin. Two approaches for updating the digital twin are proposed. The first approach makes use of both the input and output information from a dynamical system, whereas the second approach utilizes output-only observations to update the digital twin. Both methods use a library of candidate functions representing certain physics to infer new perturbation terms in the existing digital twin model. In both cases, the resulting expressions of updated digital twins are identical, and in addition, the epistemic uncertainties are quantified. In the first approach, the regression problem is derived from a state-space model, whereas in the latter case, the output-only information is treated as a stochastic process. The concepts of It\^o calculus and Kramers-Moyal expansion are being utilized to derive the regression equation. The performance of the proposed approaches is demonstrated using highly nonlinear dynamical systems such as the crack-degradation problem. Numerical results demonstrated in this paper almost exactly identify the correct perturbation terms along with their associated parameters in the dynamical system. The probabilistic nature of the proposed approach also helps in quantifying the uncertainties associated with updated models. The proposed approaches provide an exact and explainable description of the perturbations in digital twin models, which can be directly used for better cyber-physical integration, long-term future predictions, degradation monitoring, and model-agnostic control.

队列智能或CI是这种新型优化算法之一。自成立以来，在很短的范围内成功地应用于各个领域，并且观察到与同类算法相比，其结果是有效的。到目前为止，在CI及其相关应用程序上还没有进行过这种类型的文献计量分析。因此，对于那些希望将CI提升到新水平的人来说，这篇研究论文将是破冰船。在这篇研究论文中，Scopus中可用的CI出版物通过图表，有关作者，源标题，关键字的网络图进行分析，这些年来，期刊和期刊。在某种程度上，该文献计量学论文以其文献计量详细信息来展示CI，其应用和详细的系统审查。

产品的属性值是任何电子商务平台中必不可少的组件。属性值提取（AVE）涉及从其标题或描述中提取产品的属性及其值。在本文中，我们建议使用生成框架解决AVE任务。我们通过将AVE任务作为生成问题制定，即基于单词序列和基于位置的生成范式，即基于单词序列和位置序列。我们在两个数据集上进行实验，在该数据集中生成方法获得了新的最新结果。这表明我们可以将建议的框架用于AVE任务，而无需其他标记或特定于任务的模型设计。

背景：乳腺癌被出现为妇女中最普遍的癌症之一，导致高死亡率。由于乳腺癌的异质性质，需要鉴定与乳腺癌亚型相关的差异表达基因，以便及时诊断和治疗。目的：鉴定为其签名的四个乳腺癌亚型中每种患有的小基因，本文提出了一种基因签名识别的新算法。方法：本作本作采用可解释的AI方法来研究用于使用TCGA乳腺癌RNA序列数据鉴定生物标志物的亚型神经网络对亚型分类进行的预测。结果：所提出的算法导致了一组43个差异表达基因签名的发现。我们使用神经网络分类器实现了0.91的竞争性平均10倍。此外，基因设定分析显示了若干相关途径，例如ERBB2和P53信号传导途径的GRB7事件。使用Pearson相关矩阵，我们注意到亚型特异性基因在每个亚型内相关。结论：提出的技术使我们能够找到一套简洁和临床相关的基因签名集。

乳腺癌长期以来一直是女性死亡率的着名原因。现在，由于能够记录基因表达数据的RNA测序工具的可用性，现在可以进行诊断，治疗和预后。分子亚型与设计设计有关的临床策略和预后密切相关，本文侧重于使用基因表达数据进行乳腺癌分类为四个亚型，即基础，HER2，亮度和叶。在第1阶段，我们建议了一个基于深度学习的模型，它使用AutoEncoder来减少维度。通过使用AutoEncoder，特征集的大小从20,530个基因表达值减少到500。这种编码的表示被传递给第二阶段的深神经网络，用于将患者分为四个分子癌的四种分子亚型。通过部署阶段1和2的组合网络，我们能够在TCGA乳腺癌数据集上获得0.907的平均10倍测试精度。在整个10个不同的运行过程中，所提出的框架相当强劲，如Boxplot用于分类准确性所示。与文献中报告的相关工作相比，我们取得了竞争的结果。总之，所提出的两级深度学习的模型能够准确地分类四个乳腺癌亚型，突出了自动化的能力推导了紧凑的表现和神经网络分类器正确标记乳腺癌患者的能力。

对抗性学习的研究主要集中在均匀的非结构化数据集上，这些数据集通常自然地映射到问题空间中。将功能空间攻击在异质数据集中倒入问题空间更具挑战性，尤其是找到要执行的扰动的任务。这项工作提出了一种正式的搜索策略：“特征重要的指导攻击”（FIGA），它在异质表格数据集的特征空间中发现扰动以产生逃避攻击。我们首先在特征空间中以及在问题空间中演示FIGA。 FIGA不对捍卫模型的学习算法没有任何先验知识，也不需要任何梯度信息。 FIGA假定对特征表示形式的知识和辩护模型数据集的平均特征值。通过在目标类方向上扰动输入的最重要特征，FIGA利用具有重要的排名。虽然FIGA在概念上与使用特征选择过程（例如模仿攻击）的其他作品相似，但我们将具有三个可调参数的攻击算法形式化，并在表格数据集上研究FIGA的强度。我们通过在四个不同的表网络钓鱼数据集中训练的网络钓鱼检测模型和一个平均成功率为94％的金融数据集来证明FIGA的有效性。我们通过限制可能在网络钓鱼域中有效且可行的扰动，将FIGA扩展到网络钓鱼问题空间。我们生成有效的对抗网站，这些网站在视觉上与其不受干扰的对应物相同，并使用它们来攻击六个表格的ML模型，达到13.05％的平均成功率。