Smarter cropland allocation could support sustainable agricultural intensification in Senegal
发表在《清洁杂志》上的一项新研究提出了一种可持续农业强化的新方法，对塞内加尔的粮食安全和土地保护产生了有希望的影响。该研究由国际食品政策研究所（IFPRI）的研究人员进行，探讨了农民的土地利用决策如何受到不同农作物的相对风险和回报的指导 - 相似，与金融投资的管理方式相似。
Ростех запускает серийное производство роботизированного комплекса Кибермодуль ТехХ
解决方案自动化了Turnary Ifpresres机器空白的加载和卸载。
[Botany • 2025] Lonicera lanzhouensis (Caprifoliaceae) • A New Species from Gansu, Northwest China
Lonicera Lanzhouensis Shun Liu＆Yu J. Wang，在Liu et Wang，2025年。 doi：doi.org/10.3897/phytokeys.256.142365 Abstractlonicera lanzhouensis（Caprifoliaceae），来自中国甘苏省Lanzhou City的一种新物种，描述和说明。新物种在形态上与韦比亚氏乳杆菌相似，因为它具有双叶曲corolla和长长的花梗。当成熟时（相对于紫色红色）和长lone bract（vs.短）时，它的差异是狭窄的披针形叶（相对于卵形到卵形披针形），黄绿色的花冠，而红绿色的花冠则有所不同。
Fed withdraws from global “Climate!” group
这是一个好兆头，美联储可能普遍默许特朗普政府的政策……🇺🇸美联储宣布退出全球气候联盟。 pic.twitter.com/xjSgOFPRwi— Update NEWS (@UpdateNews724) 2025 年 1 月 17 日
DOST-FPRDI moves to boost wood identification in the Philippines
DOST-FPRDI 专家正在将木材样本数字化，以更好地保存木材收藏。上传信息和照片，并为每个样本分配一个二维码，以便进行索引和轻松访问。照片：DOST-FPRDI 科学技术部-森林产品研究与发展研究所 (DOST-FPRDI) 正在取得重大进展，提高准确性和[…]
Uncovering the Mystery behind Falling Labor Force Participation Rates
美国的劳动力参与率持续下降。自 1990 年代末以来，劳动力参与率 (LFPR) 下降了……
Easy PixelCNN with tfprobability
PixelCNN 是一种深度学习架构（或架构包），旨在生成高度逼真的图像。要使用它，无需对 arXiv 论文进行逆向工程或搜索参考实现：TensorFlow Probability 及其 R 包装器 tfprobability 现在包含一个 PixelCNN 分布，可用于以可参数化的方式训练直接定义的神经网络。
Gaussian Process Regression with tfprobability
继续我们的 TensorFlow Probability (TFP) 应用之旅，在贝叶斯神经网络、汉密尔顿蒙特卡罗和状态空间模型之后，我们在这里展示了高斯过程回归的一个例子。事实上，我们看到的是一个相当“正常”的 Keras 网络，以非常常见的方式定义和训练，TFP 的变分高斯过程层发挥了所有魔力。
Variational convnets with tfprobability
在贝叶斯神经网络中，层权重是分布，而不是张量。使用 tfprobability（TensorFlow Probability 的 R 包装器），我们可以构建具有概率层的常规 Keras 模型，从而“免费”获得不确定性估计。在这篇文章中，我们展示了如何定义、训练和从概率卷积神经网络中获得预测。
tfprobability 0.8 on CRAN: Now how can you use it?
作为 r-tensorflow 生态系统的一部分，tfprobability 是 TensorFlow Probability 的 R 包装器，TensorFlow Probability 是 Google 开发的 Python 概率编程框架。我们借 tfprobability 在 CRAN 上被接受的机会进行高级介绍，重点介绍有趣的用例和应用程序。
TensorFlow Probability 及其 R 包装器 tfprobability 提供了马尔可夫链蒙特卡罗 (MCMC) 方法，这些方法已在本博客的近期多篇文章中使用。这些文章针对的是已经熟悉该方法和术语本身的用户，而主要对深度学习感兴趣的读者不一定熟悉。在这里，我们试图弥补不足，介绍汉密尔顿蒙特卡罗 (HMC) 以及一些经常听到的伴随它的“流行语”，始终努力记住这一切“为了”什么。
Modeling censored data with tfprobability
在这篇文章中，我们使用 tfprobability（TensorFlow Probability 的 R 接口）来建模审查数据。同样，这个阐述的灵感来自 Richard McElreath 的《Statistical Rethinking》中对这个主题的处理。不过，我们建模的不是可爱的猫，而是来自冷酷技术世界的非物质实体：这篇文章探讨了 CRAN 包检查的持续时间，这是 Max Kuhn 的 parsnip 附带的数据集。
Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
Adding uncertainty estimates to Keras models with tfprobability
截至目前，还没有主流方法可以从神经网络中获取不确定性估计。只能说，通常情况下，方法往往是贝叶斯主义的，涉及某种方式将先验置于模型权重之上。这也适用于本文中介绍的方法：我们展示了如何使用 tfprobability（TensorFlow Probability 的 R 接口）以优雅且概念上合理的方式将不确定性估计添加到 Keras 模型中。
Hierarchical partial pooling, continued: Varying slopes models with TensorFlow Probability
这篇文章以我们最近介绍的 tfprobability（TensorFlow Probability 的 R 包装器）进行多级建模为基础。我们展示了如何汇集平均值（“截距”）和关系（“斜率”），从而使模型能够以更广泛的方式从数据中学习。同样，我们使用了 Richard McElreath 的“Statistical Rethinking”中的一个例子；术语以及我们呈现这个主题的方式很大程度上归功于这本书。
Tadpoles on TensorFlow: Hierarchical partial pooling with tfprobability
这篇文章首次介绍了使用 tfprobability（TensorFlow Probability (TFP) 的 R 接口）进行 MCMC 建模。我们的示例是一个描述蝌蚪死亡率的多级模型，读者可能从 Richard McElreath 的精彩作品“统计反思”中了解到这一点。
Experimenting with autoregressive flows in TensorFlow Probability
继最近对 TensorFlow Probability (TFP) 中的双射函数的介绍之后，这篇文章将自回归引入了讨论。通过新的 R 包 tfprobability 使用 TFP，我们研究了掩蔽自回归流 (MAF) 的实现，并将其用于两个不同的数据集。
