XiaoMi-AI文件搜索系统
World File Search System测试误差
基于低维高斯流程回归的锂离子电池的健康状况预测
准确确定电池状况是操作中的关键挑战。随着锂离子电池的性能随着时间的推移而降级，对健康状况的准确预测将提高整体效率和安全性。本文根据高斯过程回归提出了一种预测方法，并在单个模型中使用自动相关性确定内核，用于三种不同类型的电池电池。降低了问题的维度和对特征的灵敏度分析后，对模型进行了训练，验证并在看不见的数据上进行了进一步测试。最小测试误差的平均绝对误差为1.33％。结合了预测结果的低不确定性，这表明了使用数据驱动方法预测电池状况的适用性和巨大潜力。
机器学习和人工智能的边界
深度学习的成功揭示了许多现象似乎与统计和优化领域中发展的经典直觉相抵触。在这次演讲中，我们介绍了我们最近的工作，旨在理解一种这种现象：“良性”过度拟合的可能性。我们考虑一个分类问题，其中标签的恒定分数是均匀随机的。我们表明，通过梯度下降训练的过度参数化神经网络，没有（明确）正则化实现零训练误差，完美拟合了嘈杂的标签，并同时达到了最小值 - 最佳的测试误差。特别是，过度适合嘈杂的培训数据可能是最佳学习规则，而在非凸目标函数上的梯度下降有效地产生了此类解决方案。我们讨论了有关了解梯度下降的隐性偏见及其对深度学习的影响的最新工作。基于与Peter Bartlett，Niladri Chatterji，Wei Hu，Nati Srebro和Gal Vardi的联合工作。
幂律缩放以协助解决人工智能中的关键挑战
幂律缩放是临界现象中的一个核心概念，在深度学习中很有用，其中手写数字示例的优化测试误差随着数据库大小的增加以幂律形式收敛到零。对于一个训练周期的快速决策，每个示例只向训练好的网络呈现一次，幂律指数随着隐藏层的数量而增加。对于最大的数据集，获得的测试误差估计接近大周期数的最新算法。幂律缩放有助于解决当前人工智能应用中的关键挑战，并有助于先验数据集大小估计以实现所需的测试精度。它为衡量训练复杂性和机器学习任务和算法的定量层次建立了基准。
基于围岩损伤破碎率的地下工程开挖损伤区确定方法
围岩开挖损伤区深度是确定支护设计方案的重要参数，对评价围岩的稳定性也有重要的参考意义。声学测试是获取围岩开挖损伤区深度最常用的方法，但在高应力条件下，围岩破碎严重，内部结构面明显发育，测试误差达到米级。本文基于量纲分析，提出围岩损伤破碎比R，定义为开挖损伤区深度/严重损伤区深度，来表征开挖损伤区与严重损伤区之间的关系，建立的指标综合考虑了工程区应力状态、岩体完整性、隧道开挖跨度、岩体破碎区深度等，并在工程实践中验证了其在误差允许范围内。结果表明:该模型可以克服声波测试方法在深埋地下洞室围岩检测中的局限性;基于损伤破裂比R确定围岩损伤区深度的方法为开挖围岩损伤区的确定提供了一种实用、可替代的方法。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。
引用本文：Donald Barron、Graham Ball、Matthew Robins 和 Caroline Sunderland (2020)：使用人工神经网络识别职业足球运动员的比赛天赋，《体育科学杂志》，DOI：10.1080/02640414.2019.1708036
摘要 本研究的目的是客观地确定职业足球中特定位置的关键表现指标，以预测场外球员的联赛地位。样本包括 2008/09 或 2009/10 赛季足球联赛冠军赛期间完成了整场 90 分钟比赛的 966 名场外球员。根据球员在下一赛季完成大部分比赛时间的位置，将他们分配到三个类别（0、1 和 2）之一，然后根据五个比赛位置进行分组。使用逐步人工神经网络方法分析了 340 个表现、传记和自尊变量。模型正确预测了 72.7% 到 100% 的测试案例（模型平均预测值 = 85.9%），测试误差范围从 1.0% 到 9.8%（模型平均测试误差 = 6.3%）。与传球、射门、夺回球权和国际出场有关的变量是预测模型中的关键因素。这非常重要，因为此前从未发表过客观的球员联赛地位位置特定预测指标。该方法可用于帮助识别和比较转会目标，作为职业足球尽职调查过程的一部分。
![arxiv：2502.02710v1 [stat.ml] 2025年2月4日](/simg/g:\will\search\icon\source\6\6f28a11cf1cd61d8abfc07e0c32f7934a963fcd7.webp)
arxiv：2502.02710v1 [stat.ml] 2025年2月4日
在安全性应用程序中，机器学习模型应在最坏情况下的分配变化下概括，也就是说，具有较小的强大风险。基于不变性的算法可以证明，当训练分布足够异质以识别强大风险时，可以利用对轮班的结构假设。但是，在实践中，这种可识别性条件很少满足 - 到目前为止，这种情况在理论文献中尚未得到充实。在本文中，我们旨在填补空白，并建议在仅部分可识别鲁棒的风险时研究更通用的环境。尤其是我们引入了最坏的稳健风险，作为一种鲁棒性的新度量，无论可识别性如何，它总是定义明确的。其最小值对应于算法独立的（种群）最小值的数量，该数量可在部分可识别性下测量最佳可实现的鲁棒性。虽然可以更广泛地定义这些概念，但在本文中，我们将其介绍并明确地得出了线性模型以实现介绍的具体性。首先，我们表明在部分可识别的情况下，现有的鲁棒性方法是次优的。然后，我们评估了这些方法和（经验性的）最差案例鲁棒风险在现实世界基因表达数据上的鲁棒风险，并找到类似的趋势：随着未看见环境的数据的增加，现有鲁棒性方法的测试误差越来越高，而对部分识别性的识别则可以更好地普遍性化。
Wika：提取的基于视觉的手语识别
多年来，使用手势识别手势翻译来解决听力多数与聋人之间的沟通差距取得了重大突破。虽然基于接触的方法使用可穿戴设备，但由于其提供的便利性，因此优选基于视觉的解决方案，并且由于它避免了对复杂齿轮的需求。本研究介绍了Wika的开发，Wika是一种开源软件，旨在跟踪手的关节并将其解释为相应的手语对应物。DeepLabcut是一种无标记的姿势估计软件，通过训练顺序卷积神经网络来开发手工接头跟踪模型，利用提取的手术字母（A-Z）和数字（A-Z）和数字（1-9）基于关节的定位。开发的手接跟踪模型显示出4.92％的训练误差和5.74％的测试误差，p切断为60％。另一方面，开发的手语识别达到了96.44％的预测准确性，仅为0.0356％的流行阶层。该模型可以进一步集成到手机中，以进行签名和非签名人群之间的无缝对话。关键字：菲律宾手语，手动跟踪，骨骼数据，姿势估计，卷积神经网络菲律宾语言语言（FSL），菲律宾的聋人使用，将其起源追溯到美国手语（ASL）[1]。在菲律宾，聋人，静音或听力障碍的人数总数约占人口的1.23％。FSL通过弥合聋人和菲律宾和世界其他地方的听力多数来证明其效用[2]。大多数听证会菲律宾人不了解FSL，并且掌握它通常需要正式的教学[3]在聋人人群和听力多数之间产生语言障碍和明显的沟通差距[4]。这一差距妨碍了有意义的互动，限制了教育机会，并为影响聋人社区的福祉和进步的排斥循环提供了。听力菲律宾人不了解FSL的普遍性不仅在表达方面形成了差距，而且导致了非听证人群的文化差异和社会隔离。促进聋人社区的社会包容性和平等机会，为研究人员提供了急需的动力，以探索