XiaoMi-AI文件搜索系统
World File Search System模型结构
使用 IAD 框架模拟受监管行业技术变革的政治经济学：以交易能源为例
电力行业正在发生的重大技术变革与上个世纪的技术历史（分散化、脱碳化和数字化）有着质的不同，监管机构面临的政策目标已经扩大到优先考虑脱碳。但电力行业和监管机构存在节奏问题，技术变革的速度远远超过了制度变革的缓慢步伐。在受回报率监管的行业中实施此类变革的制度挑战是巨大的，因为这些新技术在特征、能力和系统影响方面差异很大。本文使用奥斯特罗姆研讨会制度分析与发展 (IAD) 框架在技术冲击下对公用事业监管进行映射练习。映射练习构建了一个概念性的“理想类型”风格化模型，该模型是 20 世纪大型机电技术与公用事业回报率监管相结合的产物，以 IAD 框架作为模型结构，然后将该组合与代表 DER 和数字技术及其功能的风格化模型进行比较。风格化的“技术冲击”模型基于交易能源，它将能源设备连接到本地能源市场，使其能够根据所有者偏好提交投标，并根据市场价格自动设置设备，以实现分散的供需协调。
QUEST 的全球经济版本：模拟属性
本文介绍了 QUEST 核心版本的结构和模拟特性，QUEST 是欧盟委员会开发和维护的开放经济新凯恩斯主义 DSGE 模型。多区域模型版本包含可贸易商品、不可贸易商品和住房，包括欧元区 (EA)、非 EA 欧盟以及英国、美国、日本、新兴亚洲和世界其他地区。本文介绍了一系列商品、要素、金融市场和政策冲击的模拟结果，以说明模型结构及其理论基础如何影响冲击对国内经济的实际和金融变量的传递以及国际溢出效应。特别是，本文展示了货币政策、消费、风险溢价、生产率、信贷、政府支出、非常规货币政策和关税冲击的脉冲响应，并描述了它们对实际 GDP、国内需求成分、贸易、外部平衡、工资、就业、价格水平、相对价格、利率和公共财政的影响。虽然这些情景仅供参考，但它们反映了全球经济衰退和 EA 危机（全球风险冲击、私营部门需求冲击和去杠杆化）以及近年来政策应对措施（财政政策、非常规货币政策）和挑战（保护主义）的重要因素。鉴于这一时期的宏观经济状况，本文除了标准货币政策下的模拟外，还展示了货币政策零下限具有约束力的环境的模拟。
基于模拟的疾病虚拟脑模型的推断
基于摘要连接组的模型，也称为虚拟脑模型（VBM），已在网络神经科学中得到很好的确定，以研究各种大脑疾病的病理生理原因。在VBM中，个人的大脑成像数据的整合具有提高患者特异性的预测性，尽管即使在最新的蒙特卡洛采样中，贝叶斯对空间分布的参数的估计也仍然具有挑战性。VBM表示由噪声和网络输入驱动的潜在非线性状态空间模型，需要对广泛适用的贝叶斯估计的高级概率机器学习技术。在这里，我们提出了基于仿真的VBM（SBI-VBM）推断，并证明对时空和功能特征的训练深神网络可以准确估算脑疾病中的生成参数。系统使用大脑刺激为估计降解限量限制为较小连接子集的降解提供了有效的补救措施。通过将模型结构优先于数据，我们表明SBI-VBMS中的分层结构使推理更有效，精确和生物学上可行。这种方法可以通过快速，可靠地预测患者特异性脑疾病来广泛提高精度医学。
能源转换与管理
在可再生能源 (RES) 大量渗透的情况下，利用电转气 (PtG) 技术可以正确支持配电系统运行。本文讨论了 PtG 运行对电力配电系统的影响。我们创建了一种新型 PtG 工厂模型，以代表整个过程链并与网络计算兼容。我们根据在实际工厂收集的测量数据，定义并验证了模型结构及其相应参数。然后，我们在分别代表乡村和半城市环境的两个网络模型上模拟了 PtG 对配电系统的影响。我们通过定义一组包含由 RES 工厂放置引起的配电网危急情况的案例来进行测试。引入 PtG 的目的是减少反向功率流，以及减少配电系统中的过流和过压问题。年度模拟结果显示，与基准情况相比，反向功率流大幅减少（从 78% 减少到 100%），并缓解（甚至解决）了网络的过流和过压问题。这些结果表明，PtG 是保证向脱碳能源系统平稳过渡的可能解决方案。PtG 电厂的容量系数在很大程度上取决于网络拓扑、RES 渗透率、PtG 电厂的数量及其规模。从测试案例来看，农村网络（其中最小容量系数约为 50%）的性能优于半城市网络（其中容量系数值介于 21% 和 60% 之间）。
生成需要动态的日常活动
日常活动数据记录个人在日常生活中的各种活动被广泛用于许多应用中，例如活动调度，活动建议和决策。尽管具有很高的价值，但由于高收集成本和潜在的隐私问题，其可访问性受到限制。因此，模拟人类活动以产生大量的高质量数据至关重要。但是，现有解决方案，包括具有简化行为假设的基于规则的方法和直接拟合现实世界数据的数据驱动方法，两者都无法完全符合匹配现实的资格。在本文中，是由经典的心理学the-Ory的动机，马斯洛的需求理论描述了人类的动机，我们提出了一个基于生成的对抗性模仿学习的知识驱动的模拟框架。我们的核心思想是将人类需求的演变建模为驱动仿真模型中活动产生的潜在机制。具体而言，一个高度的模型结构，该结构删除了不同的需求级别以及神经随机微分方程的使用成功地捕获了需求动力学的分段连续特性。广泛的实验表明，我们的框架优于有关数据保真度和实用程序的最新基准。我们还提出了需求建模的有见地的解释性。此外，隐私保存评估验证生成的数据不会泄露个人隐私。该代码可在https://github.com/tsinghua-fib-lab/activity-simulation-sand上找到。
日记牙前线
Wageningen，自然环境中的荷兰塑料污染在本地和全球范围内都引起了人们的关注。了解塑料在环境中的分散对于有效实施预防措施和清理策略至关重要。在过去的几年中，已经开发了各种模型来估计河流中塑料在河流系统中的运输。但是，在离开河流系统的塑料量与在海洋中发现的塑料量之间存在很大的差异。在这里，我们通过对Riverine塑料出口估计值进行广泛的不确定性分析来研究这种不匹配的可能原因之一。我们检查了观测值，模型参数不确定性和模型中基本假设的不确定性。为此，我们使用了迄今为止最完整的大型观测时间序列（发现大型塑料包含来自河流运输的大多数塑料质量），来自三条欧洲河流。结果表明，模型结构和参数不确定性最多导致四个数量级，而塑料观测的均匀化则引入了估计值的另外三个数量级不确定性。此外，大多数全球模型都假定塑料通量的变化主要是由河流排放驱动的。但是，我们表明河流排放（和其他环境驱动因素）与塑料通量之间的相关性永远不会超过0.5，并且在集水区之间有很大的变化。总体而言，我们得出的结论是，河流中的年度塑料负荷仍然受到限制。
集成光子学中的高率并行化Medicine®UC Davis
从一吨CO 2估算社会成本（SCC）的社会成本（SCC） - 重新将气候系统模型与气候变化的经济和社会影响相关联，以及在时间和空间之间的多元化，不确定的影响的综合。越来越多的文献研究了支持SCC计算的模型的基本结构元素的影响。这项工作以零碎的方式积累，使他们的相对重要性不清楚。在这里，我们对SCC上的证据进行了全面的综合，结合了1,823个来自147项研究的SCC估计，以及对这些研究的作者的调查。已发表的2020 SCC值的分布宽且基本右翼，显示了右尾重的证据（截断的平均值为132美元）。ANOVA揭示了包括持续损害，地球系统的表示和分布加权的重要作用。但是，我们的调查表明，专家认为，由于模型结构的采样，损害损失的不完整表征和高折现率，文献低估了SCC。为了解决这种不平衡，我们对文献中的变化进行了随机森林模型的培训，并使用它来生成合成的SCC分布，该分布更加与适当的模型结构和折现的专家评估更匹配。该合成分配的平均每吨脉冲年份为283美元（5％至95％范围：32至874美元），高于大多数政府估计，包括美国EPA的2023年更新。
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日](/simg/g:\will\search\icon\source\1\13693591890925715caccb04cba20b6a9c72e41e.png)
arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日
摘要。在本研究中，我们引入了一个创新的脑电信号重建子模块，旨在提高深度学习模型在脑电眼动追踪任务上的性能。该子模块可以与所有基于编码器-分类器的深度学习模型集成，并在多任务学习框架内实现端到端训练。此外，由于该模块在无监督学习下运行，因此它用途广泛，适用于各种任务。我们通过将其整合到先进的深度学习模型（包括 Transformers 和预训练的 Transformers）中来证明其有效性。我们的结果表明特征表示能力显着增强，均方根误差 (RMSE) 为 54.1mm。这比现有方法有了显着的改进，展示了子模块在改进基于脑电图的模型性能方面的潜力。这种方法的成功表明该重建子模块能够增强编码器的特征提取能力。由于子模块作为子任务安装在主任务下并通过多任务学习框架进行维护，我们的模型保留了原始模型的端到端训练过程。与自动编码器等预训练方法相比，我们的模型节省了与预训练相关的计算成本，并且在适应各种模型结构方面表现出更大的灵活性。得益于子模块的无监督性质，它可以应用于各种任务。我们相信它代表了一种新的范例，可以提高深度学习模型在 EEG 相关挑战中的表现。
证据的综合产生了由于结构模型变化和不确定性而导致的碳的高社会成本
从一吨二氧化碳（称为碳的社会成本）中估算社会成本（SCC） - 需要将气候系统的模型与气候变化的经济和社会影响相关联，以及在时间和空间之间的多样化，不确定的影响的综合影响。越来越多的文献研究了支持SCC计算的模型的基本结构元素的影响。这项工作以零碎的方式积累，使他们的相对重要性不清楚。在这里，我们对SCC上的证据进行了全面的综合，结合了147项研究的SCC的1823年估计以及对这些研究的作者的调查。已发表的2020 SCC值的分布宽且基本右翼，显示了右尾重的证据（截断的平均值为132美元）。方差分析揭示了包括持续损害，地球系统表示和分布权重的重要作用。但是，我们的调查表明，专家认为，由于结构模型变化的不足和损害功能和折扣率的偏见，文献偏向下降。为了解决这种不平衡，我们对文献中的变化进行了随机森林模型的培训，并使用它来生成合成的SCC分布，该分布更加与适当的模型结构和折现的专家评估更匹配。此合成分配的平均每吨二氧化碳的平均值分别为2020年的脉冲年度（5％–95％的范围：32-874美元），高于所有官方政府估计，包括美国EPA的2023年更新。