XiaoMi-AI文件搜索系统
World File Search System不确定性
气候变化不确定性 - 欧洲央行
气候变化政策的设计和实施必然会面临多方面的不确定性。我们探讨了各种来源和模型配置的模糊性对未来经济机会可能受到的损害的影响。我们利用风险、模型模糊性和错误指定问题下的决策理论来提供一种经济驱动的不确定性量化方法。我们展示了这种方法如何将不确定性的许多方面简化为一个低维特征，该特征取决于决策者或虚构的社会规划者的不确定性厌恶。在我们的计算中，我们盘点了三种替代的不确定性渠道，并提供了一种评估它们的新方法。这些包括 i) 碳动力学，捕捉碳排放如何影响未来时期的大气碳；ii) 温度动力学，描述大气碳如何改变未来时期的温度；iii) 损害函数，量化温度变化如何减少经济机会。我们利用地球科学建模来量化前两个渠道。我们展示了这些不确定性来源如何相互作用，以便社会规划者能够设计出一种审慎的碳排放社会定价方法。
疫情下政策不确定性上升
新冠疫情给经济造成了严重打击，市场封锁和保持社交距离扰乱了企业运营和劳动力市场。然而，这场公共卫生危机引发的各种不确定性正在加剧疫情对经济的影响。政策不确定性最新数据显示，围绕政府政策的不确定性在过去两个月达到了历史最高水平。与其他不确定性来源相比，围绕监管政策的不确定性似乎有所减弱。政策不确定性，但其反应可能只是被其他更直接突出的政策暂时减弱了。不确定性增加会抑制招聘、研发、新业务成立和人力资本投资。如果政策不确定性持续上升，经济可能需要较长时间才能复苏。
应对不确定性的风险管理策略
本文中显示的任何市场信息均指过去，不应被视为未来市场表现的指标。本文不应作为任何有关税收、房地产、信托或遗产规划决策的依据。在考虑进行任何形式的优质住宅或商业地产购买、出售或租赁时，您应始终考虑寻求专业建议。重要的是要注意，任何投资的资本价值和收益都可能下降，也可能会上升，您可能无法收回最初投资的金额。过去的表现并不能作为未来表现的参考。如果您对本文的内容有任何疑问，应咨询您所在辖区的专业顾问。
理解和管理医疗保健的不确定性
摘要在此集合中，我们重新审视了医疗保健中不确定性的持久现象，并演示了它仍然是一种分析概念的连贯性和意义。通过对当代医疗保健相关的不确定性及其管理实例的实证研究，我们的收藏集探讨了不确定性可以阐明，颁布和经验的不同方式。这些论文涉及各种各样的医疗环境 - 阿尔茨海默氏病，新生儿手术，心血管疾病预防，癌症，成瘾（怀孕期间使用酒精和其他药物），心理健康/疾病和医疗教育 - 以及许多应对现代相关性的问题，例如衰老人群以及新型医疗介入和新型医疗介入和新型医疗介绍。这些经验论文得到了进一步的理论贡献的补充，该论文考虑了“隐式规范性”在掩盖和包含潜在的道德不确定性中的作用。通过映射整个集合的主题，在此引言中，我们提供了许多核心分析链：（1）概念化不确定性； （2）不确定性与护理方面的交集； （3）管理不确定性； （4）结构性约束，经济紧缩和不确定性工作。我们反映了用于在社会学上思考医疗保健的不确定性以及我们在收藏中观察到的优势，沉默和差距的方法论和理论立场。我们通过考虑在实践中以及该领域的未来研究中获得“综合确定性”的见解的含义来得出结论。
深度学习的不确定性量化
暗示诊断有80％的可能性是正确的。尽管存在校准这些概率样模型在训练期间或之后输出的方法，但仅此此类校准并不能解决模型的潜在不确定性。这是因为每个输出代表分布的点估计值，而该分布的传播反映了不确定性的水平[2]。结果，即使两个预测具有相同的校准概率，它们仍然可以表现出不同程度的不确定性，如图1。此外，在医学文献中，通常通过从人口数据而不是单个样本中得出的间隔传达不确定性[2]。这些强调了对每个预测的模型不确定性提供见解的必要性，而不是仅仅校准。为此，我们将探索不确定性量化（UQ）方法的关键类别。
vmfer：von Mises-fisher经验基于梯度方向的不确定性进行政策改进的不确定性
强化学习（RL）是决策问题中广泛的技术，构成了两个基本操作 - 政策评估和政策改进。提高学习效率仍然是RL的关键挑战，许多努力着重于使用合奏批评来提高政策评估效率。，当使用多个批评家时，政策改进过程中的演员可以获得不同的梯度。先前的研究将这些梯度合并在一起而没有考虑它们的分歧。因此，优化政策改进计划对于提高学习效率至关重要。本研究的重点是调查合奏批评家对政策改进引起的差异分歧的影响。我们介绍了梯度方向不确定性的概念，以此来衡量政策改进过程中使用的梯度之间的分歧。通过解决梯度之间的分歧，我们发现梯度方向不确定性较低的过渡在政策改进过程中更可靠。基于此分析，我们提出了一种称为von Mises-fisher经验重新采样（VMFER）的方法，该方法通过重新采样过渡过渡和为梯度方向不确定性较低的过渡提供了更高的信心来优化政策改进过程。我们的实验表明，VMFER显着地执行基准，并且特别适合RL中的整体结构。
解释人工智能辅助决策中的不确定性
输入值，以便将模型预测更改为期望输出，这在可解释人工智能 (XAI) 中越来越多地用于促进人类与人工智能模型的交互 (Miller 2019)。我们通过扩展先前的反事实模型 (Russell 2019) 来形式化置信度的反事实解释。表 1 解释了 Russell (2019) 的模型与我们提出的方法之间的区别。然后，我以两种不同的呈现形式生成这些解释：(1) 基于示例的反事实和 (2) 基于可视化的反事实。为了评估解释，我们进行了用户研究，因为人们越来越接受可解释性技术应该建立在哲学、心理学和认知科学的研究之上 (Miller 2019)，并且解释的评估过程应该涉及用户研究。我们为两个不同的领域招募了总共 180 名参与者。为了评估理解，我们使用任务预测（Hoffman 等人，2018 年，第 11 页）。参与者会得到一些实例，他们的任务是决定 AI 模型会为哪个实例预测更高的置信度分数。因此，任务预测有助于评估用户对他们对模型置信度的理解的心理模型。为了评估信任，我们使用了（Hoffman 等人，2018 年，第 49 页）的 10 点李克特信任量表。对于满意度，我们使用了（Hoffman 等人，2018 年，第 39 页）的 10 点李克特解释满意度量表。结果表明，与没有解释的基线相比，这两种形式的反事实解释都增加了信任和理解。值得注意的是，基于可视化和基于示例在提高理解、信任和满意度方面几乎没有差异。使用定性分析，我们观察到这两种方法的一些局限性：•人们使用基于案例的推理来理解基于示例的解释。也就是说，他们在基于示例的演示中找到最接近的例子，而忽略了置信度得分和特征值之间的线性相关性。这个结果表明，我们在使用基于示例的解释来解释连续变量时应该小心谨慎。•虽然使用基于可视化的解释更容易解释相关性，但是当并非所有反事实点都显示在解释中时，人们不愿意推断出最低值和最高值之外的相关性。因此，应该在解释中显示所有反事实点以缓解这个问题。
气象不确定性下的稳健飞机轨迹优化
它提高了我对轨迹规划和执行的知识和思考。本论文所述算法的实现主要利用开源软件和库来完成。虽然对这些软件包做出贡献的人太多，无法一一承认，但我还是想特别感谢 CasADi 的 Joel Andersson 和 Joris Gillis、pygrib 的 Jeffery S. Whitaker、IPOPT 的 Andreas Wächter，以及这些项目和其他科学和工程库的所有其他贡献者。还要感谢在线问答网站上那些非常善良的人，他们让我对电脑的痛苦变得更容易忍受。毫无疑问，如果没有办公室和部门同事的无微不至的陪伴和无条件的帮助和支持，这些年就不会是这样的。致大卫、萨拉、丹妮和米克，我希望看到他们的小玩意在天体上发出微弱的光芒，感谢你们给我带来的所有美好时刻；致我在冥界的流亡同伴，亚历克斯 (Alex)、宾 (Bin) 和马可 (Marco) (现为冥界之王)；致卡洛斯 (Carlos)，我办公室里的老邻居；致 Manu，感谢我们曾一起分享对图形或编程方面那些虽小但绝对关键的细节所表现出的超乎寻常的热情。致卢卡 (Luca) 和罗科 (Rocco)：首先，我欢迎我们的新意大利霸主。对于 Gonzalo，我希望有一天他能原谅我向其他人提及《辛普森一家》；对于 Güemes，他已经过上了更好的（有报酬的）生活。感谢托尼，他对幽默的极限进行了颇具影响力的研究，多亏了这项研究，我现在可以免去在胡安贝内特大楼里讲最糟糕的笑话的荣幸。致 Daniele、Massoud、Valentin 以及我们研究小组的所有前成员，以及 Eduardo、Nacho 和未来的成员。致所有其他等离子体学者，从他们那里我学到了很多电力推进术语，但我不知道是否愿意去探索它们的含义。由于忍受我对少数人来说太过辛苦，多年来很多人都做出了贡献，感谢他们才是公平的。感谢阿尔瓦罗 (Álvaro)、阿隆 (Aarón)、卡洛斯 (Carlos) 和萨拉 (Sara) 与我们共度的下午时光。致 Marco、Carmen、Javi、Isa、Juli、Celia、Pablo、Arturo、Vir、Elena 和 Thomas：你们中的大多数人已经知道比赛期间会发生什么，不允许退款。感谢 Miriam、María、Pablo、Ana、Laura、Rebeca 和 Alberto 举办的精彩派对。致 Juan、David、Juampe、Maritxu、María、Mario、Miguel、Xiana 和 Rosana，感谢你们多次讨论什么是酷的，什么不是酷的。感谢费尔以及所有我的队友们给予我的许多分数。最后，我要感谢我的家人多年来的欣赏和理解，特别是西尔维娅、劳拉、查科、特拉斯托、特鲁科和科科，我对他们的支持和爱永远表示感谢：谢谢你们，爸爸妈妈。
解决不确定性以制定有效的决策...
摘要 — 由于空中交通需求的增长和缺乏能够满足这种需求的资源，机场容量已成为空中交通网络的制约因素。本文介绍了一种决策支持系统的算法实现，以更有效地利用空域和地面容量。该系统将能够为空中交通管制员处理大量航班提供支持，同时将潜在冲突降至最低。在这个框架中，空域和地面机场运营都被考虑在内。冲突被定义为飞机之间在空域和跑道方面的最小间隔违规，以及滑行道网络和航站楼的容量超载。本文提出的方法包括一种迭代方法，该方法将优化和模拟结合起来，以找到能够抵御由于到达和离开过程的不同阶段存在的不确定性而引起的扰动的解决方案。采用优化模型来寻找（次）最优解，而基于离散事件的模拟模型评估目标函数。通过将模拟与优化相结合，我们生成了更强大的解决方案，能够抵御运营的变化，巴黎戴高乐机场的案例研究支持了这一点。索引词——机场、空域、优化、模拟、不确定性。