XiaoMi-AI文件搜索系统
World File Search System不平衡
数据驱动参数化中的数据不平衡，不确定性定量和转移学习：WACCM中重力波动量传输的经验教训
抽象的神经网络（NNS）越来越多地用于天气和气候模型中数据驱动的亚网格尺度参数化。虽然NNS是从数据中学习复杂的非线性关系的强大工具，但将它们用于参数化存在一些挑战。这些挑战中的三个是（a）与学习稀有（通常是大振幅）样本有关的数据失衡； （b）预测的不确定性定量（UQ）提供精确指标； （c）对其他气候的概括，例如那些具有不同辐射的刺激的气候。在这里，我们使用基于整个大气的社区气候模型（WACCM）物理学的重力波（GW）参数化来解决这些挑战的方法的性能。WACCM具有地讲，对流和前驱动的GWS的复杂状态，对对流和前驱动的GWS。对流和地形驱动的GWS由于在大多数网格点缺乏对流或地球而具有显着的数据失衡。我们使用重采样和/或加权损失功能来解决数据不平衡，从而成功地模仿了所有三个来源的参数化。我们证明了三种UQ方法（贝叶斯NN，变异自动编码器和辍学器）提供了与测试过程中准确性相对应的集合差，提供标准，用于识别NN何时给出不准确的预测。最后，我们表明这些NN的准确性降低了温暖的气候（4×CO 2）。但是，通过应用转移学习，仅使用约1％的新数据从温暖的气候中重新训练一层，从而显着提高了它们的性能。这项研究的结果为开发可靠且可推广的数据驱动参数的各种过程（包括（但不限于）GWS）提供了见解。
使用变分自编码器增强梯度提升算法进行不平衡岩爆评估及其可解释性
我们开展了一项研究来评估梯度提升算法在岩爆评估中的潜力和稳健性，建立了一个变分自动编码器（VAE）来解决岩爆数据集的不平衡问题，并提出了一种针对基于树的集成学习的多级可解释人工智能（XAI）。我们从现实世界的岩爆记录中收集了537个数据，并选择了四个导致岩爆发生的关键特征。首先，我们使用数据可视化来深入了解数据的结构，并进行相关性分析以探索数据分布和特征关系。然后，我们建立了一个VAE模型来为由于类别分布不平衡而产生的少数类生成样本。结合VAE，我们比较和评估了六种最先进的集成模型，包括梯度提升算法和经典逻辑回归模型，用于岩爆预测。结果表明，梯度提升算法优于经典的单一模型，而 VAE 分类器优于原始分类器，其中 VAE-NGBoost 模型的结果最为理想。与针对不平衡数据集结合 NGBoost 的其他重采样方法（例如合成少数族群过采样技术 (SMOTE)、SMOTE 编辑最近邻 (SMOTE-ENN) 和 SMOTE-tomek 链接 (SMOTE-Tomek)）相比，VAE-NGBoost 模型的效果最佳。最后，我们使用特征灵敏度分析、Tree Shapley 附加解释 (Tree SHAP) 和 Anchor 开发了一个多级 XAI 模型，以深入探索 VAE-NGBoost 的决策机制，进一步增强基于树的集成模型在预测岩爆发生方面的可靠性。
加剧的权力不平衡：允许AI在就业仲裁中颁发仲裁裁决的危险
与所有类型的替代争议解决（ADR）一样，近年来1仲裁的普及不断增加。2仲裁在就业法领域受到高度青睐，雇主在雇员合同中使用强制性仲裁条款的使用，从1992年的2％飙升至2017年的55％以上。3在2018年，最高法院裁定Epic Systems Corp.诉Lewis诉Lewis诉Lewis，该公司通过允许他们包括要求雇员放弃其权利的强制性仲裁条款来扩大雇主对雇员的权力，而不仅仅是提出个人索赔，还可以与同伴提出集体索赔。4在2019年，预计具有集体和集体行动豁免的强制性仲裁条款将适用于2024年的非工资企业的80％以上。5在2022年3月3日，拜登总统签署了2021年的强迫性侵犯和性骚扰法案的结局，该法案修改了《联邦仲裁法》（FAA），禁止在性骚扰索赔中强迫仲裁。 6强制性仲裁仍然是未指控的其他雇员的索赔5在2022年3月3日，拜登总统签署了2021年的强迫性侵犯和性骚扰法案的结局，该法案修改了《联邦仲裁法》（FAA），禁止在性骚扰索赔中强迫仲裁。6强制性仲裁仍然是未指控的其他雇员的索赔
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
将电池储能融入西部能源不平衡市场 Pam Sporborg，输电与市场总监
• 资源类型并不总是直观的：有一种电池资源类型，但它不适用于充电。• 实时市场前景仅提前约 4.5 小时 - 很难在该窗口中保持充电状态或管理电池循环限制。• CAISO 充电状态管理已内置于该过程中。PGE 仍在确定它将如何为 PGE 工作以及是否需要进行任何调整。• CAISO 也有可用的循环工具，但很难确定它将如何为 PGE 工作。• 在制定和理解这些细节之前，PGE 将自行调度其存储资源。
bdt：一种处理机器中数据不平衡数据的新方法
摘要：在机器学习和数据科学领域中，数据集的不平衡问题提出了一个重大挑战，通常会导致偏见的模型和不准确的预测。这项研究引入了一种旨在减轻数据不平衡影响的新技术，从而增强了各种指标的模型性能。通过严格检查现有的不平衡校正方法，本研究确定了关键差距，并提出了一种创新方法：平衡数据技术（BDT），将不足的采样，过度抽样和算法调整方法结合在一起。在多个不平衡数据集中采用全面的实验设置，与既定方法相比，该技术表现出了卓越的性能，这可以提高准确性，精度和召回分数。本文详细介绍了从理论基础到实际实施和测试的技术的开发过程。这项研究的含义是深远的，为数据不平衡的领域提供了潜在的改进。通过解决这个基本问题，该提出的技术有助于进步更公平，更有效的机器学习模型。
不平衡感知存在损失func
面对显着的生物多样性下降，物种分布模型（SDM）对于通过将环境条件与物种发生的情况联系起来，对气候变化对物种栖息地的影响至关重要。传统上受到物种观察的稀缺的限制，这些模型通过整合公民科学计划提供的较大数据集而在绩效方面有了显着改善。但是，它们仍然遭受这些数据集中物种之间强烈的阶级失衡，通常会导致对稀有物种的处罚，稀有物种是保护工作最重要的物种。为了解决此问题，本研究使用在基于大型公民的大型数据集中使用纯平衡的损失功能来评估培训深度学习模型的有效性。我们证明，这种不平衡感知的损失函数的表现优于各种数据集和任务的传统损失函数，尤其是在准确地对稀有物种建模具有lim含量的观测值时。
证明不平衡的MACH>的干涉特性
1。引言硅光子设备由于其吸引人的特性而变得越来越流行。小尺寸，较大的折射率对比度和CMOS兼容性是硅光子设备的特性，它们使其成为多个行业的选择设备 - 电信，生物医学等[1,2]。使用最广泛的硅光子设备组件之一是Mach-Zehnder干涉仪（MZI）。在硅平台上实施的Mach-Zehnder干涉仪是各种应用的关键元素，从电信（用于光子波导开关和光子调制器）到感应，神经网络，量子和信号处理的关键元素[3-11]。MZI的效用源于其干涉特性，这是通过在MZI的两个臂之间创建相对相移来实现的。使用相位变速器或通过使MZI的两个臂的光路长度不平等来实现此相移。MZI配置，其中MZI的两个臂都不相等，称为MZI不平衡。不平衡的MZI已用于位移传感[12]，气体传感[13]，模式切换[14]和调制[15]。在本文中，我们展示了我们建模，模拟和随后制造的MZI设计不平衡的设计。我们检查了几种不平衡的MZI设计，并分析了设备的仿真和实验传输特性。我们阐明了波导建模的过程并进行了分析，以补偿制造变化并详细介绍了一些数据分析。
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
在主动与不平衡激发/ ... div>中设计分区
摘要 - 海马中的数据存储在巨大的取决于齿状回的有效设计部门。在我们的演示中，结合了有关内嗅皮层，齿状回和海马解剖结构的最新数据以及设计划分中的功能。构建了三层馈送尖峰神经网络。具有简化的突触和分子过程，从啮齿动物的海马中汲取灵感。构建尖峰神经网络，该网络可以区分各种刺激或网络损害带来的激发模式和抑制比率失衡是该项目的目标。这项研究对齿状回神经元背后的分子过程的独特想法提出了对突触和连接的损害的抵抗力，这导致了神经元的不平衡刺激抑制活性。这种简化的分子和细胞推定的基于机制的尖峰神经网络在各种程度的刺激下显示出有效的知识存储，可用于认知机器人。关键字：齿状回，模式分离，不平衡网络，后传播和海马都与内存有关。I.创建尖端人工系统的简介，计算科学家采用了神经科学领域的知识。这项研究的基本问题是缺乏有关脑系统涉及的参数和认知活动的神经生物学的知识。人工智能是啮齿动物的认知过程，包括它们的各种记忆能力，在批评其神经系统的结构以及有关神经元结构及其电特征的介绍信息。工程师创建了智能设备和认知架构，这是由于动物大脑的化学，细胞和网络结构及其认知过程的能力[1，2]。