XiaoMi-AI文件搜索系统
World File Search System估计方法
来自人工智能专利和文献计量数据的全球证据
在本文中，我们分析了人工智能 (AI) 领域的技术创新与宏观经济生产力之间的关系。我们将最近发布的与 AI 相关的专利和出版物数据嵌入到生产力增长的增强模型中，我们对 OECD 国家进行了估算，并将其与包括非 OECD 国家在内的扩展样本进行了比较。我们的估计为现代生产力悖论提供了证据。我们表明，人工智能技术的发展仍然是一种小众创新现象，在官方记录的生产力增长过程中的作用微乎其微。这一普遍结果，即人工智能与登记的宏观经济生产力增长之间缺乏很强的关系，对于国家样本的变化、我们量化劳动生产率和技术（包括人工智能存量）的方式、经验模型（控制变量）的规范和估计方法的变化都很稳健。
联邦监管对美国经济、制造业和小企业的成本
3 有关理论讨论，请参阅 Brock 和 Evans (1986)，特别是第四章和第五章。Bradford (2004) 提供了对这些文献的调查和扩展。 4 SBA 委托了四项研究来研究小型和大型公司联邦监管成本的分配：Hopkins (1995b)、Crain 和 Hopkins (2001)、Crain (2005) 和 Crain 和 Crain (2010)。遵循最初的 Hopkins (1995a) 方法，后续报告通过首先估计总成本，然后将成本分配给小型、中型和大型公司以及主要商业部门来完成这项任务。应谨慎地将 2022 年的这一估计值与之前的研究进行直接比较，因为本研究中使用的新估计方法以前是不可能的，并且一些数据来源会随时间而变化。 5 Crain 和 Crain (2014)
绿色技术对金砖国家经济重要吗？
本研究试图考察数字化和绿色技术对 1993 年至 2019 年期间金砖国家健康结果的影响。互联网用户衡量数字化程度，健康结果由预期寿命决定。该研究采用 ARDL 估计方法对特定国家进行实证研究。人均 GDP 和当前卫生支出被纳入控制变量。研究结果表明，除巴西外，数字化在金砖国家中长期内可提高预期寿命。虽然绿色技术往往会在俄罗斯和中国长期内提高预期寿命，但它对短期健康结果的影响微乎其微。而 GDP 和卫生支出也会在长期和短期内提高大多数金砖国家经济体的预期寿命。我们的研究为金砖国家提供了一些政策启示。
晶格仪场模拟的扩散模型
相关的工作最近的生成模型进展引入了晶格场理论模拟的新可能性[12]。基于流动的模型是一种突出的显式可能性估计方法，由于其可逆性和显式使用量规能量的使用[12-17]，因此引起了人们对晶格模拟进行全局采样的关注。此外，最近还开发了一些归一化流的变体，例如连续归一化流[18-21]和随机归一化流[22，23]。扩散模型最近在各种领域中生成高质量的样本[24,25]，包括高能物理学[26-29]。参考文献中启动了晶格场理论的应用。[30,31]，其中突出显示了与随机量化的连接[9-11]；稍后提出了Feynman Path的积分公式[32]。
资源经济学年度评论不同的估算方法是否会导致未观测或影子经济规模出现难以置信的差异？
本评论评估了三种微观和三种宏观估计方法，以确定在估计未观测/影子经济规模时是否存在不切实际的差异。虽然一些宏观 MIMIC 估计值高于使用统计差异法的估计值，但在调整重复计算后，MIMIC 方法提供的结果相似。宏观方法通常不仅涵盖典型的影子经济活动，还包括志愿工作、DIY 活动和传统犯罪活动；从本质上讲，宏观方法的估计值会比微观方法更高、更准确。但是，如果进行某些调整，使用 MIMIC 方法估计的影子经济规模将接近微观调查方法显示的影子经济规模。因此，必须重新考虑宏观方法估计值过高和依赖不切实际的假设的说法。
离网太阳能行业的标准化影响指标
为了获得最高的准确性，GOGLA 每两年分享一次的全球影响力估计将使用截至 2019 年 7 月的 4.0 版指标进行计算，而 3.0 版则适用于此日期之前的销售。因此，影响估计是使用当时可用的影响力指标计算的。这种方法旨在最好地代表产品销售时的情况 *，允许根据新的和更好的数据进行更改，并提供一种持续的影响估计方法。在每个时间段使用这些指标的相关版本可以在估计影响时包括这种细微差别。GOGLA 建议其他使用这些指标的人也采用这种方法。但是，如果对不同的时间段使用两个版本的指标会过于复杂，则建议仅使用最新的 4.0 版。
使用大脑变形的地图集和限制的卡尔曼滤波器
摘要 - 基于术前图像的术语脑移位降低了神经元研究系统的准确性。在本文中，可以通过计算脑移位的估计来解决此问题，该估计可用于更新术前的大脑图像。因此，可以提高导航的精度。在这方面，使用大脑变形和受约束的卡尔曼过滤器（ACKF）提出了一种脑移位估计方法。另外，当风险函数是估计误差方差时，获得的ACKF估计是最佳无偏见的最小值估计。此外，在ACKF和两种现有方法（即受约束的卡尔曼滤波器（CKF）和基于地图集的方法）之间进行了比较。比较表明，ACKF会导致更准确的估计，并且需要更少的计算时间。最后，通过模拟说明了提出的ACKF方法对CKF和基于ATLAS的方法的至高无上。
引用发布版本（APA）：Curse，A.，Souri，H.，Zheng，Y.，Sui，X.，Oshnoi，A.，Weinreich，N。，＆Theodorescu，R。（2023）。 li-ion ba
摘要 - 电池数字双胞胎（BDT）是一种现代工具，将用于未来的智能电池管理系统（BMS），用于锂离子电池（LIB），这是由于当前技术向智能电池（SB）过渡，并具有细胞水平的信息和电源处理能力。BDT可以根据给定温度和衰老状况的阻抗模型预测电压输出，并且该信息可用于高级状态估计，包括无传感器温度状态（SOT），健康状况（SOH）和健康管理。本文提出了一种适用于智能电池系统的在线阻抗估计方法，其中包括一个旁路设备，可以切换以用不同的频率激发电池阻抗，并对负载的最小影响。根据对动态电流曲线的电压响应的准确性，比较了BDT中使用的阻抗模型的性能。
气候报告
对于与气候相关的数据，Fidelity与多个数据提供商合作，以尝试与投资的宇宙（公司和发行人的）尽可能多地覆盖。我们的核心提供商机构股东服务公司（ISS）拥有市场上最广泛的排放数据覆盖范围之一，但是由于以下原因，数据差距确实存在：货币）和缺乏披露（例如针对较小的公司）或涉及某些类型的衍生工具的挑战。ISS在可能的情况下使用详细的估计方法，但是仍然存在一些数据差距，我们与数据提供商一起工作以尽量减少。提供了原始数据（例如来自ISS），在Fidelity的系统中具有自动和手动聚合的元素。Fidelity具有质量检查和审核系统，以管理与我们的数据聚合过程相关的风险，并最大程度地减少任何潜在差距。Fidelity的TCFD报告中提供了更多信息。
使用修剪的物理感知神经网络增强配电系统状态估计：预印本
数据或通过插值观察到的测量数据来计算。在配电系统中，伪测量可以从智能电表数据、基于光伏 (PV) 辐照度或风速预测模型的分布式能源发电中获得。在 [4] 中，研究了一种基于博弈论的数据驱动技术，目的是在配电系统状态估计 (DSSE) 中生成伪测量。开发了并行机器学习模型来学习负载模式，然后生成准确的有功功率伪测量。出于同一目的，在 [5] 中，实现了一种基于频率的聚类算法，该算法确定负载模式并估算每日能耗。另一方面，使用概率数据驱动方法为未测量的 PV 系统生成时间序列伪测量 [6]。除了利用来自丰富数据的伪测量来改进电网监控之外，配电系统运营商 (DSO) 还将受益于能够以有限的传感预测系统状态的方法。[7]–[10] 提出了一种结合预测和状态估计模型的估计方法。这些方法提出了数据驱动模型，这些模型依赖于最小均方估计和贝叶斯估计。优点是这些方法不需要可观测性或冗余测量。最近，[10] 中的作者提出了一种基于深度学习的贝叶斯状态估计方法，用于不可观测的配电网。数据驱动技术为提高配电系统中的电网可观测性提供了一种非常有前途的解决方案。受这些方法的启发，我们提出了一种具有有限感知的数据驱动状态估计来解决 DSO 面临的问题。在 [11] 中，提出了一种称为物理感知神经网络 (PAWNN) 模型的方法。其思想是将配电系统的物理连接嵌入神经网络模型中；然而，模型中连续层之间的连接保持不变，这可能导致不必要的连接。为此，本文提出了修剪的物理感知神经网络 (P2N2)。图 1 显示了所提出方法的图形摘要。首先，使用设置 Monte Carlo 模拟