本报告中的分析基于 2024 年 9 月 18 日至 10 月 10 日进行的一项自填式网络调查，调查样本为 1,391 对二元组，每对二元组（或一对）由一名 13 至 17 岁的美国青少年和每个青少年的一位家长组成。全样本的抽样误差幅度 […] 本文方法论首次出现在皮尤研究中心。
Google’s quantum computer takes major leap forward
Google Quantum AI 的研究人员在量子计算领域取得了新的里程碑，他们的芯片可以纠正“临界阈值”以下的误差。该团队在《自然》杂志上发表了对纠错芯片的描述。 “可以说，这是迄今为止量子纠错最重要的演示，”斯蒂芬教授说 […]
2023财年，尽管面临全球经济放缓、物价上涨以及印度储备银行（RBI）货币紧缩等不利因素，但在强劲的内需支撑下，印度经济仍将连续第三年增长7%。 2024年4-6月，实际GDP同比增速为+6.7%，低于上季度的+7.8%，增速五个季度以来首次低于7%[图1]。 ] 4月至6月期间增长率的下降主要是由于统计错误和政府支出造成的。统计误差是由于净间接税（间接税-补贴）增长放缓，导致对增速的贡献为负。此外，4月至6月大部分时间处于选举期间，政府支出受到限制，因此政府消费（-0.2%）低迷[图2]。另一方面，私人消费、投资和净出口有所改善。首先，私人消费（+7.4%）较上一季度的+4.0%有所加速。除
Scientists develop new and improved quantum gates
高保真、低误差量子门可实现更可靠、更准确的量子计算，使量子计算机的未来更加光明。文章“科学家开发出新的和改进的量子门”首先出现在“这不是魔法”上。
Private and Personalized Frequency Estimation in a Federated Setting
受用户设备上的下一个单词预测问题的启发，我们引入并研究了联合设置中的个性化频率直方图估计问题。在此问题中，在某些领域，每个用户都会从特定于该用户的分布中观察多个样本。目标是为所有用户计算用户分布的个性化估计，误差以 KL 散度来衡量。我们专注于解决两个核心挑战：统计异质性和用户隐私保护。我们解决问题的方法依赖于发现和利用类似的……
Parents may be getting their ratios wrong when preparing baby formula
根据美国的一项小型研究，父母在为婴儿准备配方奶粉时经常会犯测量错误。研究人员在美国招募了一组 84 名不同的婴儿看护者，并要求他们准备几种婴儿配方奶粉产品，团队测量了他们使用的奶粉和水的量以确保准确性。研究人员表示，超过三分之一的时间里，参与者的测量误差超过 10%，无论有没有模拟哭闹的婴儿，参与者犯错的可能性几乎一样大。研究人员表示，婴儿配方奶粉稀释过度和不足都会带来健康风险，因此一些父母在学习准备婴儿配方奶粉时可能需要额外的帮助。
光学晶格钟是一种原子钟，其精度可以比铯原子钟（目前定义“秒”的标准）高100倍。它的精度相当于100亿年内大约一秒的误差。由于这种卓越的精度，光学晶格钟被认为是下一代“秒的定义”的主要候选者。
2020 Census: Coverage Errors and Challenges Inform 2030 Plans
美国政府问责局的发现美国人口普查局的 2020 年普查后调查估计，两个地理区域和 14 个州在 2020 年人口普查中存在统计上显着的净覆盖误差。净覆盖误差是人口普查计数与调查估计的实际人口规模之间的差异。调查结果还显示，各种人口群体的低估和高估仍然存在。例如，在 2020 年和 2010 年，黑人或非裔美国人和西班牙裔人、幼儿和租房者被低估，而非西班牙裔白人、50 岁以上的成年人和房主被高估。但是，调查估计全国人口计数没有统计上显着的净覆盖误差。人口普查局报告称，这一估计与 2010 年调查的全国估计一致。2020 年人口普查中，某些种族和族裔群体的历史性低估和高估仍然存在注意：有关更多详细
Instance-Optimal Private Density Estimation in the Wasserstein Distance
从样本中估计分布的密度是统计学中的一个基本问题。在许多实际情况下，Wasserstein 距离是密度估计的合适误差度量。例如，在估计某个地理区域的人口密度时，较小的 Wasserstein 距离意味着估计值能够大致捕捉到人口质量的位置。在这项工作中，我们研究了 Wasserstein 距离中的差分隐私密度估计。我们设计并分析了可以适应简单实例的该问题的实例优化算法。对于分布……
Google DeepMind AI can expertly fix errors in quantum computers
得益于 Google DeepMind 创建的清除量子误差的模型，量子计算机可以从人工智能中得到推动
Private Stochastic Convex Optimization with Heavy Tails: Near-Optimality from Simple Reductions
我们研究了具有重尾梯度的差分隐私随机凸优化 (DP-SCO) 问题，其中我们假设样本函数的 Lipschitz 常数上有 kthk^{\text{th}}kth 矩界限，而不是统一界限。我们提出了一种新的基于约简的方法，使我们能够在重尾设置中获得第一个最优利率（最多对数因子），在 (ε,δ)(\varepsilon, \delta)(ε,δ)-近似下实现误差 G2⋅1n+Gk⋅(dnε)1−1kG_2 \cdot \frac 1 {\sqrt n} + G_k \cdot (\frac{\sqrt d}{n\varepsilon})^{1 - \frac 1 k}G2⋅n1+Gk⋅(n
Famed Iowa Pollster Ann Selzer Retires After Bombshell Miss
著名爱荷华州民意调查专家安·塞尔泽因大错特错而退休 一项曾经备受推崇的民意调查显示，在总统大选前几天，副总统哈里斯在爱荷华州领先 3 个百分点，最终导致唐纳德·特朗普领先 13 个百分点——误差幅度高达 16 个百分点。在这次民意调查失误之后，民意调查专家 J. 安·塞尔泽在周日的《得梅因纪事报》客座专栏中表示，她担任该报著名的爱荷华州民意调查顾问的日子已经结束，因为她将“转向其他事业和机会”。塞尔泽曾被认为是民意调查的“黄金标准”，但在特朗普以 13 个百分点的优势横扫该州，以 56-43% 的实际选票获胜后，她后来承认她的民意调查“大错特错”，并表示这可能“实际上激励和激活了那些认为自己很
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 11, November 2024
1) 在多创新背景下的在线主动学习，用于不断发展的误差反馈模糊模型作者：Edwin Lughofer、Igor Škrjanc页数：5998 - 60112) 具有输入饱和的非线性系统的灵活规定性能输出反馈控制作者：Yangang Yao、Yu Kang、Yunbo Zhao、Pengfei Li、Jieqing Tan页数：6012 - 60223) 通过动态事件对具有未知控制系数的 p-正态系统进行自适应模糊预定性能控制作者：Qidong Li、Changchun Hua、Kuo Li、Hao Li页数：6023 - 60344) 离散时间非线性复杂网络的模糊结构自适应最优控制的强化学习作
Time-Series Forecasting Methods: A Review
摘要：时间序列预测技术对于通过分析过去趋势来预测未来值至关重要。这些技术假设未来趋势将与历史趋势相似。预测涉及使用基于历史数据的模型来预测未来值。时间序列模型具有广泛的应用，从天气预报到销售预测，并且是最有效的预测方法之一，尤其是在做出涉及未来不确定性的决策时。为了评估预测准确性并比较适合时间序列的模型，本研究使用了三个性能指标：平均绝对误差 (MAE)、均方误差 (MSE) 和均方根误差 (RMSE)。
The Polls Are Close. The Results Might Not Be.
周二，我们距离任何一位候选人取得决定性胜利只差一个非常正常的民意调查误差。
The Closest Election In History?
史上最接近的选举？根据 RealClearPolitics 的数据，目前美国总统选举的平均民调显示，特朗普的支持率为 48.5%，哈里斯的支持率为 48.5%，实际上是平局。根据这一衡量标准，自 8 月中旬以来，两位候选人的支持率相差不到两个百分点。因此，就普选票而言，这是有史以来最接近的选举。DB 的 Henry Allen 今日的每日图表（专业订阅者可在通常的地方查看）查看了自 1868 年美国内战后每次选举中，宣布当选总统的候选人与第二名候选人之间的百分比差距。红色部分标记了最终当选总统未赢得普选票的时间。 Allen 还对所有差距小于 3 个百分点的候选人进行了注释。有六次选举的候选人
Carol Burris: Why Older Women Will Not Vote for Trump
民意调查员安·塞尔策在《得梅因纪事报》上发表的爱荷华州民意调查被认为是美国最好的民意调查之一。民意调查结果公布后，震惊了所有密切关注大选的人。调查发现，在支持率极高的爱荷华州，卡马拉·哈里斯以 47%-44% 领先特朗普。这仍然在误差范围内。[…]
A Simple Example Using PCA for Outlier Detection
在异常值检测之前执行 PCA 转换可提高准确性、速度和内存使用率本文继续介绍使用 PCA（主成分分析）进行异常值检测的一系列应用，紧随其后的是使用 PCA 进行异常值检测。那篇文章描述了 PCA 本身，并介绍了使用 PCA 进行异常值检测的两种主要方法：评估重构误差，以及在 PCA 转换空间上运行标准异常值检测器。它还给出了第一种方法的示例，即使用重构误差，使用 PyOD 提供的 PCA 和 KPCA 检测器可以轻松完成。本文介绍了第二种方法，我们首先使用 PCA 转换数据空间，然后在此上运行标准异常值检测。正如上一篇文章所述，在某些情况下，这可能会降低可解释性，但在准确性、执行时间和内存使用
