我们在自我神经调节任务中获得了一个人的学习进步的个人签名，由功能MRI（FMRI）为指导。签名基于在第一节中给定第二神经融合会话中Amygdala的活性。该预测由深神经网络进行，这是在整个培训队训练的患者的培训。该信号，其指示人在执行Amygdala调制任务方面的进步，在多个原型脑状态中聚集，然后通过线性分类器对各种个人和临床适应症进行分类。所获得的签名的预测力比以前从FMRI神经融合获得个人签名的方法更强，并且提供了人的学习模式可以用作诊断工具的指示。我们的代码已提供，并通过道德批准，共享数据。
translated by 谷歌翻译
不断需要在低容量设备上使用的图像超分辨率（SR）的高性能和计算有效的神经网络模型。获取此类模型的一种方法是压缩现有体系结构，例如量化。另一个选择是发现新的有效解决方案的神经体系结构搜索（NAS）。我们为专门设计的SR搜索空间提出了一种新颖的量化NAS程序。我们的方法执行NAS以找到量化友好的SR模型。搜索依赖于将量化噪声添加到参数和激活中，而不是直接量化参数。我们的Quontnas比固定体系结构的均匀或混合精度量化找到了具有更好的PSNR/BITOP权衡的体系结构。此外，我们对噪声过程的搜索比直接量化权重的速度快30％。
translated by 谷歌翻译