XiaoMi-AI文件搜索系统
World File Search System不精确
用于评估不精确可靠性的蒙特卡罗模拟方法
题为“动态随机载荷下评估可靠性的有效方法”的论文由 Mahdi Norouzi 提交给研究生院，部分满足了工程哲学博士学位的要求Efstratios Nikolaidis 博士，委员会主席Abdollah Afjeh 博士，委员会成员Sorin Cioc 博士，委员会成员Ali Fatemi 博士，委员会成员Mehdi Pourazadi 博士，委员会成员拉里·维特纳博士，委员会成员Patricia R. Komuniecki，研究生学院院长
线性约束二次优化的不精确量子内部方法
摘要：量子线性系统算法（QLSA）具有加快依赖求解线性系统的算法的潜力。内部方法（IPM）产生了解决优化问题的多项式时间算法的基本家族。IPMS在每次迭代中求解一个牛顿线性系统以找到搜索方向，因此QLSA可以潜在地加速IPMS。由于当代量子计算机中的噪声，这种量子辅助IPM（QIPM）仅允许牛顿线性系统的不精确解决方案。通常，不精确的搜索方向导致不可行的解决方案。在我们的工作中，我们提出了一个不可天性的QIPM（IF-QIPM），并在解决线性约束的二次优化问题方面表现出了优势。我们还将算法应用于ℓ1 -Norm软边缘支持向量机（SVM）问题，并获得有关依赖性尺寸的最佳复杂性。这种复杂性结合比任何产生经典解决方案的现有经典或量子算法要好。
人工智能中不确定性的表示
摘要 由于人工智能主要关注知识表示和推理，它必然要处理各种处理不确定性的框架：概率论，以及更新的方法：可能性理论、证据理论和不精确概率。本章的目的是提供一个介绍性的概述，揭示表示不确定性的两个基本框架的具体特征：概率论和可能性理论，同时强调表示不确定性的任务所面临的主要问题。这一目的还提供了定位相关主题的机会，例如粗糙集和模糊集，它们分别受到考虑语言选择引起的表示粒度和自然语言谓词的渐进性的驱动。此外，本概述还简要介绍了其他理论表示框架，例如形式概念分析、条件事件和排名函数，以及可能性逻辑，与此处讨论的不确定性框架有关。本卷的下一章将讨论更复杂的框架：信念函数和不精确概率。
用不精确监督标记的数据生成
最近的高级深度学习技术显示了各种领域的有希望的结果，例如计算机视觉和自然语言处理。深度神经网络在监督学习中的成功在很大程度上依赖大量标记的数据。但是，由于标签和隐私问题的成本等各种原因，以目标标签获得标记的数据通常是具有挑战性的，这些原因挑战了现有的深层模型。尽管如此，使用不精确监督的数据相对容易，即具有与目标任务相关的标签/标签。例如，社交媒体平台上有数十亿个具有自定义标签的帖子和图像，这些帖子和图像不是目标分类任务的确切标签，但通常与目标标签有关。有望利用这些标签（不精确的监督）及其与目标类别的关系来生成标记的数据以促进下游分类任务。但是，对此的工作非常有限。因此，我们研究了一个新的问题，该问题是通过不精确监督标记的数据生成。我们提出了一个名为Addes的新颖生成框架，可以通过通过不精确的监督和不固有的监督和目标类别之间的关系从数据中学习，可以合成目标分类任务的高质量LA。图像和文本数据集的实验结果演示了提出的添加的有效性，以生成来自不精确监督的现实标记数据，以促进目标分类任务。
承诺策略使用的人际后果
2 在本研究中，我们不一定对各种自我控制策略的客观努力程度持立场。认知努力的构造最近受到批评，被认为不精确且难以定义（Thomson & Oppenheimer，2022 年）。相反，我们关注的是人们对自我控制策略的努力程度的看法，以及这对印象形成的影响。
量子计算用于处理与确定性因素模型相关的不准确知识
摘要：本文说明了不准确的知识可以在量子环境中有效实现。为此，我们分析了确定性因素与量子概率之间的相关性。我们首先从经典的角度探讨了不精确推理的确定性因素方法。接下来，我们介绍量子计算的一些基本方面，并特别关注基于量子规则的系统。在此背景下，构建了一个特定的用例：一个推理网络，用于测试确定性因素方法在量子环境中的行为。在设计和执行实验后，在三种不同情况下对得到的结果进行了相应的分析：（1）陈述性知识不准确或不精确，（2）程序性知识不准确或不确定性，以及（3）陈述性和程序性知识都不准确。正如结论中所述，本文旨在为未来处理不准确知识的成熟方法的量子实现铺平道路。
经典和量子互补性
互补性是最初在量子结构域中引起的基本思想。在标准范围内被制定为对两个可观察物的多种确定的不可能。尽管互补性通常被理解为一种纯粹的量子现象，但事实并非如此，并且在经典领域中也存在互补性[1-4]。这是最初被认为是量子起源的现象的另一个例子，但也可以在经典的光学元件中找到，因为Zeno ectect的情况，例如[5-12]。在这项工作中，我们证明了量子和经典光学的互补性完全平行性。为了定义，我们专注于路径互补互补性的最开创性示例：年轻的干涉。互补性将体现在尝试为这两个互补变量的联合分布中得出的。我们的起点是，只要观察值足够精确，就可以同时在量子域中同时观察到两个互补观测。在我们的情况下，通过通过不同的极化状态在每个光圈处标记光线来允许关节观察。然后，在跟踪包含路径信息的极化状态时观察到干扰。但是，即使观察结果不精确，它也可以提供有关所讨论的两个变量的完整而精确的信息，然后可以通过合适的数据反转程序提取这些变量。这个想法是，这种尝试的联合分布将在某种病理中表现出来。此反转过程将应用于对光圈处的光量和干扰模式的不精确，同时观察，以解决这些可观察到的无噪声关节分布的存在。我们发现的主要结果是，这将以与量子op- op-
2689-5315第7卷，第4期，2024年（第47-57页）
摘要：解决问题的传统方法，称为硬计算，其能够准确处理现代数字技术和现实世界问题的能力有限。软计算是一种较新的范式，通过利用多价值逻辑和人类知识来有效地解决复杂的非线性问题，从而提供了一种更通用的方法。与硬计算不同，软计算可以有效地处理不精确的数据和不确定性。这种方法已成功地在包括科学，工业和医学领域在内的各个部门应用，提供了更准确的结果。软计算对革命解决问题的技术的贡献有益，可以忍受不精确，不确定性和语言变量，并为复杂问题提供近似解决方案。