XiaoMi-AI文件搜索系统
World File Search System混杂
存在隐藏信息的量子因果推断...
量子因果关系是一个新兴的研究领域，它有可能极大地促进我们对量子系统的理解。在本文中，我们提出了一种新的理论框架，通过利用熵原理将量子信息科学与因果推理相结合。为此，我们利用隐藏原因的熵和观测变量的条件互信息之间的权衡，开发了一种可扩展的算法方法，用于在量子系统中存在潜在混杂因素（共同原因）的情况下推断因果关系。作为一种应用，我们考虑一个由三个纠缠量子比特组成的系统，并通过单独的噪声量子信道传输第二和第三个量子比特。在这个模型中，我们验证了第一个量子比特是一个潜在混杂因素，也是第二和第三个量子比特的共同原因。相反，当准备好两个纠缠量子比特并将其中一个通过噪声信道发送时，不存在共同的混杂因素。我们还证明了，当变量为经典变量时，通过密度矩阵而不是联合概率分布利用变量之间的量子依赖性，所提出的方法优于 Tubingen 数据库的经典因果推理结果。因此，所提出的方法以原则性的方式统一了经典和量子因果推理。
消除混淆的凝视估计
摘要：基于深度学习的凝视估计方法在跨域环境中性能下降严重，其中一个主要原因是凝视估计模型在估计过程中受到身份、照明等凝视无关因素的混淆。本文提出通过因果干预来解决这一问题，因果干预是一种通过干预混杂因素的分布来减轻混杂因素影响的分析工具。具体而言，我们提出了基于特征分离的因果干预（FSCI）框架，用于可推广的凝视估计。FSCI 框架首先将凝视特征与凝视无关特征分离。为了减轻训练过程中凝视无关因素的影响，FSCI 框架进一步通过使用提出的动态混杂因素库策略对凝视无关特征进行平均来实现因果干预。实验表明，所提出的 FSCI 框架在不同的跨域设置中表现优于 SOTA 注视估计方法，在不接触目标域数据的情况下，跨域准确率分别比基线提高了 36.2% 和比 SOTA 方法提高了 11.5%。
Adam W. HarleyAdam W. Harley
研讨会2020年的共同领导组织者“思维与机器：我们距离蹒跚学步的常识有多远？” （CVPR 2020）：在本研讨会中，我们探讨了当前AI系统的能力与幼儿的能力之间的混杂差距，重点关注直觉物理，与世界的互动和概括等主题。
先进织物和膜中的芳纶、碳纤维和 PBO 纤维
采用多种高性能纤维织物制造轻量化、高强度的复合材料是织物的发展趋势，本文基于复合材料结构性能一体化设计原理，以高强度高模量的芳纶纤维和低密度高韧性的PBO纤维作为增强材料，以碳纤维材料作为改性材料，采用RTM成型工艺制备了多种层合结构的CF-ANF-PBO超混杂三维复合材料，根据ANF/PBO体积分数设计了不同混杂结构的织物复合材料，并研究了不同混杂结构复合材料的力学性能。结果表明:当ANF/PBO体积分数达到100%时,未改性条件下复合材料的拉伸模量和强度最大,分别为68.81 GPa和543.02 MPa,而加入碳纤维改性后拉伸模量和强度分别为73.52 GPa和636.82 MPa,拉伸模量和拉伸强度性能总体改善分别为6.8%和17.27%,可以看出碳纤维的加入明显改善了芳纶和PBO纤维复合材料的性能。
数学4824C：因果推理
潜在的结果，平均治疗效果，随机实验，合作调整，回归不连续性设计，观察力研究，混杂因素，敏感性分析，倾向分数，匹配，匹配，双重差异估计器，差异差异，仪器变量，仪器变量，异构治疗效果和最佳治疗方案。
CAUSALI-T-AI 项目 CAUSALIty 与人工智能合作
瓶颈：实践中无法达到，需要部分可识别的概念 ▶ 学习适合因果关系框架的复杂数据的可解释和有意义的表示 瓶颈：解开隐藏混杂因素的影响，学习到的表示的稳健性 ▶ 处理不确定性和部分知识
615. 急性髓系白血病：临床和流行病学
• 我们进行了一项单中心回顾性队列研究，以调查 KMT2A 突变对在俄亥俄州克利夫兰诊所基金会接受治疗的 AML 成年患者（≥18 岁）总体生存率 (OS)、无事件生存率 (EFS) 和临床反应率的影响。 • 根据 KMT2A 状态对患者进行分类：KMT2A 野生型 (wt-KMT2A)、re-KMT2A、SNV-KMT2A 和 KMT2A-PTD。 • 突变的 KMT2A (mt-KMT2A) 包括 re-KMT2A、SNV-KMT2A 和 KMT2A-PTD。re-KMT2A 由细胞遗传学、FISH 或 RNA 融合下一代测序 (NGS) 面板确定。 • 使用 DNA NGS 面板确定 SNV-KMT2A，使用 RNA 融合 NGS 面板确定 KMT2A-PTD。 • OS 计算时间为诊断日期至死亡日期或最后一次随访日期（以较早者为准）。 • EFS 计算时间为治疗开始日期至首次出现难治性疾病、疾病进展或因任何原因死亡的日期。 • 使用 Kaplan-Meier 方法估计生存概率，使用对数秩检验评估组间差异。多变量回归已针对混杂因素进行调整 • 多变量回归已针对混杂因素进行调整。
脑成像预测中未追踪多样性的代价
脑成像研究越来越多地采用监督机器学习对单一受试者疾病进行分类。然而，这些算法的成功可能取决于人口多样性，包括人口统计学差异和其他可能超出主要科学兴趣的因素。在这里，我们利用倾向得分作为综合混杂指数来量化由于主要人口分层来源而导致的多样性。我们描述了人口异质性对两个独立临床队列的预测准确性和模式稳定性的影响：自闭症脑成像数据交换 (ABIDE，n=297) 和健康脑网络 (HBN，n=551)。在各种分析场景中，我们的结果揭示了交叉验证预测性能与多样性相互关联的程度。由于多样性而导致的提取脑模式的不稳定性优先位于默认模式网络中。我们的集体研究结果强调了现行的去混杂实践在减轻人口多样性的全部后果方面的局限性。
跨界调整的现实世界证据
资料来源：Latimer NR，White IR，Tilling K，Siebert U.改进了两阶段的估计，以调整随机试验中的治疗切换：g-估计以解决时间依赖性混杂。Stat方法Med Res。2020; 29（10）：2900-2918;缩写：PFS：无进展生存； pps：后期生存； OS：总体生存； ITT：打算
马尔可夫决策过程的因果模仿：部分...
模仿学习使代理可以在绩效指标未知并且未指定奖励信号时从专家演示中学习。标准模仿方法通常不适用于学习者和专家的参议员能力不匹配和示威的情况，并被未观察到的混杂偏见污染。为了应对这些挑战，已追求因果模仿学习的最新进步。但是，这些方法通常需要访问可能并非总是可用的基本因果结构，从而带来实际挑战。在本文中，我们研究了使用部分识别的规范马尔可夫决策过程（MDP）内的强大模仿学习，即使在系统动力学不是从混杂的专家演示中确定系统动力学的情况下，也允许代理商实现专家性能。特定的，首先，我们从理论上证明，当MDP中存在未观察到的混杂因素（UCS）时，学习者通常无法模仿专家的表现。然后，我们在部分能够识别的设置中探索模仿学习 - 从可用的数据和知识中，转移分布或奖励功能是无法确定的。增强了著名的Gail方法（Ho＆Ermon，2016年），我们的分析导致了两种新颖的因果模仿算法，这些算法可以获得有效的政策，以确保实现专家绩效。