XiaoMi-AI文件搜索系统
World File Search System概率模型
概率的不确定性定量
机器学习应用于地球观察（EO）数据，以得出用于表征，理解和保护自然资源的数据集，从而促进了国际协定的进步。但是，派生的数据集包含固有的不确定性，需要可靠地量化以避免向下流后果。应对报告不确定性的需求的增加，我们将注意力集中在EO领域内的共形预测的希望。共形预测是一种不确定性定量（UQ）方法，该方法具有统计有效和信息性的预测区域，同时同时是计算高效，模型无关的，无分布的，并且可以在不需要访问下面的模型和训练数据集的情况下以HOC的方式应用。我们评估了EO-MAIG中不确定性定量的当前状态，发现只有21％的审查数据集融合了一定程度的不确定性信息，并且不可靠的方法普遍存在。接下来，我们介绍了Google Earth Engine本地模块，这些模块可以集成到现有的预测建模工作流中，并通过将它们应用于跨越大陆的数据集中到全球尺度，回归和分类任务，以传统学习和深度学习工作来证明这些工具的多功能性，效率和可扩展性。我们预计，易于使用的保形预测因子（例如这里提供的预测）的可用性会增加
概率振幅成型
在Böcherer，Steiner，Schulte [24]中提出的概率振幅成形（PAS）是一种实用结构，用于在高阶星座上与现成的前进误差校正（FEC）代码相结合的高阶星座。PA由一个分布匹配器（DM）组成，该匹配器（DM）在信号点幅度上施加了分布，然后进行系统的FEC编码，并保留幅度分配。fec编码会生成其他奇偶校验位，该位选择信号点的符号。在接收器处，FEC解码之后是逆DM。PA很快产生了很大的工业影响，尤其是在光纤通信中。该专着详细介绍了导致PAS发明的实际构想，并提供了对PAS架构的信息理论评估。由于将其分为成型层和FEC层，因此PAS的理论分析需要新工具。在塑形层上，分析了有限长度DMS的成本损失和费率损失。在FEC层上，得出了可实现的FEC速率。使用不匹配的解码，研究了可实现的速率，以解码实际重要的指标。结合了发现，这表明具有线性代码的PA在一类离散输入通道上可以实现容量。讨论了未来研究的开放问题。
大脑作为概率传感器
我们为大脑和行为提供了一个通用的理论框架，该框架在进化和计算上都是可行的。我们抽象模型中的大脑是一个由节点和边组成的网络。尽管它与标准神经网络模型有一些相似之处，但正如我们所展示的，它们之间存在一些显著差异。我们网络中的节点和边都有权重和激活级别。它们充当概率传感器，使用一组相对简单的规则来确定激活级别和权重如何受到输入的影响、生成输出并相互影响。我们表明，这些简单的规则可以实现一个学习过程，使网络能够表示越来越复杂的知识，同时充当一个计算设备，促进规划、决策和行为的执行。通过指定网络的先天（遗传）组件，我们展示了进化如何赋予网络初始的自适应规则和目标，然后通过学习进行丰富。我们展示了网络结构的发展（决定大脑能做什么以及做得好不好）如何受到影响数据输入分布的机制和决定学习参数的机制（用于节点和边运行的程序）之间共同进化的协调性的重要影响。最后，我们考虑该模型如何解释学习和决策领域的各种发现，它如何解决一些具有挑战性的思维和行为问题，例如与设定目标和自我控制有关的问题，以及它如何帮助理解一些认知障碍。
定向概率分水岭
概率分水岭是一种应用于无向图的半监督学习算法。给定一组带标签的节点（种子），它定义了一个吉布斯概率分布，该分布覆盖所有可能断开种子的生成森林。它计算每个节点采样一个将某个种子与所考虑节点连接起来的森林的概率。我们提出了“有向概率分水岭”，这是概率分水岭算法对有向图的扩展。在概率分水岭的基础上，我们应用有向图的矩阵树定理，并定义一个吉布斯概率分布，该分布覆盖所有以种子为根的传入有向森林。与无向情况类似，这等同于有向随机游走。此外，我们表明，在吉布斯分布具有无限低温度的极限情况下，有向概率分水岭的标记等于由最小成本的传入有向森林引起的标记。最后，为了说明，我们将所提出的方法与其他有向图半监督分割方法的经验性能进行了比较。
研究文章Linguaphylo：一种可再现的系统发育分析的概率模型规范语言
系统发育模型已经变得越来越复杂，系统发育数据集在规模和丰富度方面都扩大了。但是，当前的推理工具缺乏模型指定语言，可以简单地描述完整的系统发育分析，同时独立于实施细节。我们引入了一种新的轻巧和简洁的模型规范语言“ lphy”，该语言被设计为人类和机器可读性。图形用户界面伴随“ lphy”，允许用户构建模型，模拟数据并创建描述模型的自然语言叙述。这些叙述可以作为手稿方法部分的基础。此外，我们提出了一个命令行界面，用于将LPHY指定模型转换为与BEAST2软件平台兼容的分析规范文件（XML格式）。总的来说，这些工具旨在增强植物研究中描述的清晰度和概率模型的报告，最终促进结果的可重复性。
太阳能合成成像：在SDO/AIA数据上介绍deno的扩散概率模型
为了人类的运气，与小型太阳能相比，太阳能较小。即使这些是个好消息，这也使训练能够建模太阳能活动的机器学习算法具有挑战性。因此，太阳能监视应用程序（包括量）是预测的，因此由于缺乏输入数据而征服。为了克服这个问题，可以利用生成深度学习模型来产生代表太阳活动的合成图像，从而补偿大事件的稀有性。本研究旨在开发一种可以生成太阳的合成图像，具有特定强度的能力。为了实现我们的目标，我们引入了一个脱氧概率模型（DDPM）。我们用SDO航天器上大气图像组件（AIA）仪器进行了精心制作的数据集训练它，该仪器特别是171Å带，该乐队捕获了冠状环，纤维，纤维，浮雕和活动区域的图像。使用Heliophysics事件知识库选择了来自AIA的浮动图像后，采用X射线测量来基于太阳量（a，b，c，m，x）对每个图像进行分类，从而允许对漏水事件进行时间定位。使用群集指标，FRéchetInception距离（FID）和F1分数评估生成模型性能。我们演示了最新的结果，可以产生太阳图像并进行两个使用合成图像的实验。第一个实验训练有监督的分类器以识别这些事件。第二个实验训练基本太阳能是预测指标。我们认为，这只是DDPM与太阳能数据使用的开始。实验证明了其他合成样本对解决不平衡数据集问题的有效性。仍然可以更好地了解太阳能竞赛中的DINOISING DI遇到的概率模型的发电能力是预测，并将其应用于其他深度学习和物理任务，例如AIA到HMI（）图像翻译。
概率模型不确定性下面向可靠性的敏感性分析——在航空航天系统中的应用
写致谢词是结束论文工作的关键步骤。我提前向那些我在这些感谢中可能忘记的人表示歉意。首先，我必须感谢那些通过自己的决定允许我写下这些致谢并发表这篇论文的人。我对 Carsten P ROPPE 先生和 Bertrand I OOSS 先生接受担任这项工作报告员的繁重任务表示最深切的感谢。感谢您详细、亲切、热情的报告以及提出的意见和建议！这些要素以及你们在答辩期间提出的问题都是我个人对工作意义进行科学反思的来源，并为未来的工作形成了多种途径：谢谢你们俩。对于同意担任我的辩护陪审团主席的 Bruno S UDRET 先生，我致以最热烈的感谢。您担任我的评审团主席是我的荣幸和荣幸。最后，我要感谢最后两位同意审查本论文工作的外部评审委员会成员。我向 Béatrice L AURENT -B ONNEAU 女士和 Christian G OGU 先生致以最诚挚的谢意，并对他们对我工作的善意以及在我辩护期间提出的许多问题表示感谢。感谢成员后
CS265/CME309：随机算法和概率分析讲座＃10：概率方法
因此，这种随机边缘着色在没有单色k -clique的情况下产生着色的可能性> 0，因此必须存在这种着色。表明r k <2 2 k我们可以通过归纳论证进行。将r a，b定义为最小n，使得N顶点上完整图的任何2个色（例如红色和蓝色）具有至少A的单色红色集团，或者至少具有至少B的单色蓝色集团。首先观察到r a，b = r b，a，通过对称性和r 1，k = 1，因为所有着色都有红色的1片（因为这甚至不涉及任何红色边缘）。考虑在n = 1 + r a-1，b + r a，b-1顶点上的图2颜色。修复一个顶点V，让S r表示通过红色边缘连接到V的顶点的子集，而S B表示通过蓝色边缘连接到V的顶点的子集。构造，| S R | + | S B | + 1 = n = 1 + r a - 1，b + r a，b - 1，因此| S R | ≥ra -1，b或| S B | ≥ra，b -1。在| S R | ≥ra -1，b，要么S r具有大小B的蓝色集团，要么是大小A -1的红色集团，其顶点均通过红色边缘连接到V，在这种情况下，该图具有大小a的红色库。在| S B | ≥ra，b -1。因此，我们表明