XiaoMi-AI文件搜索系统
World File Search System样本大小
带有随机样本大小和部分恢复的标签优惠券收集器问题
I。 [8] - [12]。最近已将其用于DNA中数据存储的组合编码研究[13] - [17]。最初以从统一和独立样本收集不同的优惠券来构建，CCP研究了收集所有不同优惠券所需的样品数量的分布。传统上，CCP涉及n个不同的均衡优惠券，在每个样本中，单个优惠券都会重复。在这种情况下，至少一次对每个优惠券进行采样所需的预期样本数为n·hn≈nlog n，其中h n是n -th谐波数。CCP的变体已出现以建模复杂的现实世界系统。 这样的变体[7]是每个优惠券具有其自己的采样概率p i的位置。 另一种变体是仅重新要求r差异优惠券[18] - [21]，而不是所有n张优惠券。 此问题称为部分CCP，在几种情况下进行了探索，特别是用于优化收集过程或估计优惠券亚集的概率。 对于该变体，已知样品的预期数为[19]：n·p r - 1 i = 0 1 n -i = n·（h n -h n -h n -n -r）。 部分恢复也与DNA中数据存储的RAM实现有关[22] - [24]。 我们已出现以建模复杂的现实世界系统。这样的变体[7]是每个优惠券具有其自己的采样概率p i的位置。另一种变体是仅重新要求r差异优惠券[18] - [21]，而不是所有n张优惠券。此问题称为部分CCP，在几种情况下进行了探索，特别是用于优化收集过程或估计优惠券亚集的概率。对于该变体，已知样品的预期数为[19]：n·p r - 1 i = 0 1 n -i = n·（h n -h n -h n -n -r）。部分恢复也与DNA中数据存储的RAM实现有关[22] - [24]。我们此问题的另一个概括是带有组图的CCP [25] - [27]。这种概括考虑了场景，在这种情况下，每个样本中没有收集单个优惠券，而是收集优惠券的随机子集。每个样品的大小可能是恒定k或随机变量（RV）k。一个人有兴趣表征所需的子集数量的分布，直到在这些样本中至少有一个优惠券中绘制每个优惠券为止。
利用生成对抗网络增强脑电图可增强跨分类器和样本大小的大脑解码能力
脑电图 (EEG) 在大脑解码方面具有巨大潜力，由于需要大量数据，这一潜力尚未得到开发。机器学习的进步通过数据增强技术（如生成对抗网络 (GAN)）缓解了这种需求。在这里，我们评估了 GAN 可以在多大程度上增强 EEG 数据以提高分类性能。我们的目标是确定哪些分类器可以从 GAN 增强的 EEG 中受益，并估计样本量对 GAN 增强的影响。我们研究了三种分类器——神经网络、支持向量机和逻辑回归，涉及七种样本量，从 5 到 100 名参与者。GAN 增强的 EEG 增强了神经网络和支持向量机的分类能力，但没有增强逻辑回归。此外，随着样本量的增加，GAN 的增强效果会减弱——这表明它对小样本最有效，这可能有助于无法收集大量数据的研究。关键词：EEG、GAN、数据增强、神经网络、支持向量机、逻辑回归
测试样本大小和确定测试失败（...
依靠 ENERGY STAR 标签做出购买决定的消费者希望他们购买的产品符合 ENERGY STAR 要求。EPA 已制定计划测试要求以满足消费者的期望，并确保合格型号的所有产品（无论制造和测试差异如何）都符合 ENERGY STAR 性能要求。对于目前受联邦测试方法约束的某些产品类别，ENERGY STAR 规范允许进行符合这些测试要求的测试，这些测试要求要求测试由不少于两个产品组成的样本，并使用统计方法确定每个基本型号的认证等级。认识到资格认证样本量方法的这种差异，EPA 和 DOE 要求对产品进行验证测试，测试方式与资格认证测试方式一致，使用以下方法之一：