面向6G网络自动化的知识驱动可解释人工智能（XAI）；基于汽车事件数据的脉冲神经网络目标检测；对称分类方案下波导阵列中的BIC；PreMovNet：基于运动前脑电的抓取和提举手运动学估计

可解释的机器学习

中文标题：面向6G网络自动化的知识驱动可解释人工智能（XAI）
英文标题：Knowledge-powered Explainable Artificial Intelligence (XAI) for Network Automation Towards 6G
时间：2022.5.11
作者：Yulei Wu, Guozhi Lin, Jingguo Ge
机构：埃克塞特大学（University of Exeter）、中国科学院
链接：https://arxiv.org/pdf/2205.05406.pdf
简介：朝着6G的方向发展，通信网络变得越来越复杂。网络运营商不再选择手动管理。网络自动化已在网络社区中得到广泛讨论，它是管理复杂通信网络的一种合理手段。为实现给定操作实践的网络自动化而开发的深度学习模型具有以下局限性：1）缺乏可解释性，2）不适用于不同的网络和/或网络设置。为了解决上述问题，本文提出了一个新的知识驱动框架，为网络自动化提供了一个人类可理解的可解释人工智能（XAI）代理。以路径选择为例，验证了该框架的可行性。网络自动化的研究还处于起步阶段。因此，在本文的最后，我们提供了一系列挑战和开放性问题，可以指导这一重要领域的进一步研究。

异步脉冲神经网络

中文标题：基于汽车事件数据的脉冲神经网络目标检测
英文标题：Object Detection with Spiking Neural Networks on Automotive Event Data
时间：2022.5.9
作者：Loïc Cordone, Benoît Miramond, Philippe Thierion
机构：蔚蓝海岸大学（Université Côte d’Azur）、Software Factory（https://www.sf.com/）
链接：https://arxiv.org/pdf/2205.04339.pdf
简介：汽车嵌入式算法在延迟、准确性和功耗方面有很高的限制。在这项工作中，我们建议直接对来自事件摄像机的数据训练尖峰神经网络（SNN），以设计快速高效的汽车嵌入式应用程序。事实上，SNN是一种更具生物真实感的神经网络，神经元通过离散和异步尖峰进行通信，这是一种自然节能且对硬件友好的操作模式。事件数据是二进制的，在空间和时间上都是稀疏的，因此是脉冲神经网络的理想输入。但到目前为止，它们的性能还不足以解决汽车实际问题，比如在不受控制的环境中检测复杂物体。为了解决这个问题，我们利用了棘波反向传播方面的最新进展——替代梯度学习、参数化LIF、SpikingJelly框架——以及我们新的\textit{voxel cube}事件编码，基于流行的深度学习网络来训练4种不同的SNN：SqueezeNet、VGG、MobileNet和DenseNet。因此，我们设法增加了文献中通常考虑的SNN的大小和复杂性。在本文中，我们在两个汽车事件数据集上进行了实验，为尖峰神经网络建立了新的最先进的分类结果。基于这些结果，我们将SNN与SSD相结合，提出了第一个能够在复杂的GEN1汽车检测事件数据集上执行目标检测的尖峰神经网络。

类脑计算

中文标题：对称分类方案下波导阵列中的BIC
英文标题：BIC in waveguide arrays within a symmetry classification scheme
时间：2022.5.8
作者：J. Petráček, V. Kuzmiak
机构：布尔诺理工大学（Brno University of Technology,）、捷克共和国科学院（Academy of Sciences of the Czech Republic）
链接：https://arxiv.org/pdf/2205.03775.pdf
简介：我们研究了一种改进的Fano-Anderson模型的光子模拟——一种带有两个附加波导的波导阵列，并利用耦合模理论计算了其光谱和散射特性。我们根据附加波导的自耦合系数给出的结构的垂直对称性对本征模进行分类，并建立了BIC存在的条件。我们利用Weierstrass分解定理，用本征模解释了对称性破缺系统的散射谱。与准BIC激发有关的Fano共振被解释为由该模式与另一泄漏模式之间的干扰引起的。

脑机接口

中文标题：PreMovNet：基于运动前脑电的抓取和提举手运动学估计
英文标题：PreMovNet: Pre-Movement EEG-based Hand Kinematics Estimation for Grasp and Lift task
时间：2022.5.2
作者：Anant Jain, Lalan Kumar
机构：印度理工学院德里分校（ Indian Institute of Technology Delhi）
链接：https://arxiv.org/pdf/2205.01050.pdf
简介：大脑活动的运动学解码有助于开发康复或增强脑-机接口设备。非侵入性脑电图（EEG）记录的低频信号与用于运动轨迹解码（MTD）的神经-运动相关性相关。在这种交流中，研究了健康参与者从运动前δ带（0.5-3 Hz）EEG解码运动运动学轨迹的能力。特别是，提出了两种基于深度学习的神经解码器，称为PreMovNet-I和PreMovNet II，它们利用了运动前EEG数据中存在的运动相关神经信息。在运动开始前具有150毫秒、200毫秒、250毫秒、300毫秒和350毫秒的不同时间滞后的EEG数据段用于相同的目的。提出了一种用于抓取和提升任务（WAY-EEG-GAL数据集）的MTD，该MTD使用EEG，并将各种滞后作为神经解码器的输入。将所提出的解码器的性能与最先进的多变量线性回归（mLR）模型进行了比较。皮尔逊相关系数和手轨迹被用作性能指标。结果表明，使用运动前EEG数据解码三维手运动学是可行的，能够更好地控制基于BCI的外部设备，如外骨骼/外套装。