XiaoMi-AI文件搜索系统
World File Search System多阶
arxiv_censoring-awaretree基于基于估算多阶段动态治疗方案的增强措施
动态治疗方案（DTRS）提供了一种系统的方法来制定适合个人患者特征的顺序治疗决策，尤其是在感兴趣的生存结果的临床环境中。审查感知树的增强学习（CA-TRL）是一个新的框架，可在估计最佳DTR时解决与审查数据相关的复杂性。我们探索从观察数据中学习有效DTR的方法。通过增强基于树木的增强学习方法，具有增强的反可能性加权（AIPW）和审查感知的修改，CA-TRL提供了强大而可解释的治疗策略。我们使用SANAD癫痫数据集通过广泛的模拟和现实世界应用来展示其有效性，在该数据集中，它的表现优于最近提出的关键指标中提出的ASCL方法，例如受限的平均生存时间（RMST）和决策精度。这项工作代表着跨不同医疗机构的个性化和数据驱动的治疗策略迈出的一步。
多阶段CSVCOS和环振荡器的DPI免疫之间的比较
摘要 - 该论文通过电子模拟评估和比较，通过提交直接电力注射（DPI）的多级电流饥饿电压控制振荡器（CSVCOS）和环振荡器（ROS）的免疫力。所有电路均在180 nm 5 V XFAB-SOI过程中设计和模拟，并具有匹配的尺寸。所选的故障标准是输出频率，峰值峰值电压和直流电压。结果证明，在较低的DPI频率下CSVCOS是可吸引的，而ROS在较高频率下易感。两者都受到不同故障标准的影响。无论振荡器类别如何，较高的逆变器阶段导致对入射功率水平的敏感性较低。由于增加了RF注射的功率水平，最高的直流电源电流和输出功率，为每个振荡器监控，接近其标称输出频率。目前正在测试芯片中制造这些电路，并将对其进行免疫测量。索引术语 - 综合电路，EMC，DPI，易感性，VCO
Kalman滤波和期望最大化多阶段光谱unmixing
摘要 - 高光谱成像技术的最新演变和新的新兴应用程序的扩散按下了多个时间高光谱图像的处理。在这项工作中，我们提出了一种新型的频谱拆解（SU）策略，使用出色动机的参数末端记录来说明时间频谱变异性。通过使用状态空间公式来表示多个时空混合过程，我们能够利用贝叶斯过滤机制来估计末端的变异性系数。假设丰度的时间变化在短时间间隔很小，则采用了预期最大化（EM）算法的有效实施来估计丰度和其他模型pa-Rameters。仿真结果表明，所提出的策略优于最先进的多阶段算法。
标题：1 2多阶段混合以控制超分子...
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月11日发布。 https://doi.org/10.1101/2024.11.12.623321 doi：Biorxiv Preprint
在BCI竞赛中为运动障碍用户进行的多个多阶段培训
图4。在训练阶段应用的实验4级范式。用户必须执行每个控制任务（RH，MUS，LAN）5 s。每个任务都与将任务图标与在适当时间瞬间从游戏中提取的图像相结合而制作的图像相关联。对应于无控制任务（NC）的其余间隔的总持续时间为12 s。在此休息间隔的5秒钟后，屏幕上出现了一个绿十字，持续2 s，以提高飞行员的浓度。
对多阶段轴向压缩机空气动力学的深度学习建模和建立变化
深度学习对物理模拟（例如计算流体动力学）的应用最近引起了人们的兴趣，并且在不同领域中证明了它们的生存能力。但是，由于高度复杂，湍流和三维流，尚未证明它们可用于涡轮机械应用。用于燃气轮机应用的多阶段轴向压缩机代表了一个非常具有挑战性的情况，这是由于几何和操作变量的流场回归的高差异性。本文展示了深度学习框架的开发和应用，以预测多阶段轴向压缩机的流动场和空气动力学性能。一种基于物理的降低性降低方法解锁了流场预测的潜力，因为它将回归问题从非结构化的问题重新构建为结构化的问题，并减少了自由度的数量。与传统的“ Black-Box”替代模型相比，它通过识别相应的空气动力学驱动程序来为整体性能的预测提供解释性。该模型适用于制造和建造变化，因为已知相关的性能散布对CO 2排放产生重大影响，这构成了巨大的工业和环境相关性的挑战。事实证明，所提出的体系结构可实时实现与CFD基准的准确性，以实时与工业相关的应用。部署的模型很容易集成到燃气轮机的制造和建造过程中，从而提供了通过可行和可解释的数据来分析评估对性能的影响的机会。
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
多阶段固定治疗政策的渐近推断，可变选择
动态治疗方案或政策是针对单个特征量身定制的多个阶段的决策功能的序列。实践中的一类重要的治疗政策，即多阶段固定治疗政策，规定了使用相同决策功能在各个阶段使用相同决策功能的治疗分配概率，在该阶段中，该决定基于相同的相同特征，这些功能集成了时间改进的变量（例如，经常收集的，常规收集的疾病生物标志物）。尽管有广泛的文献来构建与动态治疗策略相关的价值函数的有效推断，但很少的工作集中在策略本身上，尤其是在存在高维特征变量的情况下。我们旨在填补这项工作的空白。具体来说，我们首先使用增强的价值加权估计器来估算多阶段固定治疗策略，以提高渐近效率，并进一步应用惩罚来选择重要的特征变量。然后，我们为有效推理构建策略参数估计器的一步改进。从理论上讲，我们表明改进的估计器在渐近上是正常的，即使在较慢的收敛速率上估算了滋扰参数，并且特征变量的尺寸随样本尺寸而增加。我们的数值研究表明，所提出的方法估计具有近乎最佳价值函数的稀疏政策，并对策略参数进行有效的推断。
多阶段推理：解锁认知自主权...
如前所述，依靠静态预训练数据完成任务的体系结构缺乏集成跨模式数据的能力（Ye等，2023）。当人形机器人处理听力，触摸或反应不一致时，这直接引起语义歧义（Pramanick＆Rossi，2024）。尽管某些研究尝试了多模式融合技术，但进展仍然有限，不足以为人形机器人提供与人类相同的适应能力（Yuan等，2024）。为了解决这一差距，这项研究提出了一个多幕科推理体系结构作为创新解决方案。它旨在利用多幕科推理来优化类人类机器人在当前技术缺点基于视觉，听觉和触觉数据的跨模式中认知自主权的关键挑战。
使用“深度集成学习”根据临床数据对阿尔茨海默病进行多阶段诊断
本研究探索了阿尔茨海默病 (AD) 各个阶段的早期识别，包括轻度认知障碍 (MCI)，这是一个可能有助于疾病预防工作的过渡阶段。本研究探索通过应用基于多分类的深度学习方法来诊断阿尔茨海默病 (AD) 的各个阶段，而不是现有研究主要关注用于 AD 识别的二元分类方法。该研究利用阿尔茨海默病神经影像学计划 (ADNI) 临床数据集，该数据集包含 2000 多个样本并表现出不平衡的分布，其中 AD 或痴呆症代表少数类别。将深度集成学习应用于具有七个选定生物标志物的数据集，通过多分类来诊断疾病阶段。集成方法可有效提高可靠性，并显示出对属于少数类别的 AD 阶段的改进的诊断性能。尽管大多数流行研究使用曲线下面积 (AUC) 评分来衡量使用二元分类的 AD 诊断性能，但本研究在 AD 分期的多分类中同时采用了 F1 评分和 AUC 评分。诊断的多分类得出的 F1 评分为：认知正常 (CN) 88%，轻度认知障碍 (MCI) 86%，阿尔茨海默病 (AD) 分期检测 86%。获得的总体准确率为 87%，而接收者操作特性 (ROC) 曲线下面积为 CN 91%，MCI 87%，AD 91%。与之前的研究 [1] 相比，属于少数样本的 AD / 痴呆症分期的诊断性能提高了 6%。已建立的 ADNI 数据集和集成方法的使用提高了结果的可靠性。由于数据集不平衡，F1 评分和 AUC 是有效的衡量标准。利用必需的临床生物标志物进行准确的 AD 分期诊断是高效且有效的。