XiaoMi-AI文件搜索系统
World File Search System稳健
通过稳健加权评分对高维二分类不平衡基因表达数据进行特征选择
摘要：本文提出了一种针对不平衡数据的稳健加权评分 (ROWSU)，用于在存在类别不平衡问题的高维基因表达二分类问题中选择最具判别性的特征。该方法解决了基因表达数据集中类别分布高度倾斜这一最具挑战性的问题之一，该问题会对分类算法的性能产生不利影响。首先，通过从少数类观测值中合成数据点来平衡训练数据集。其次，使用贪婪搜索方法选择最小基因子集。第三，引入一种新的加权稳健评分，其中权重由支持向量计算，以获得一组优化的基因。将基于该方法得分最高的基因与通过贪婪搜索方法选择的最小基因子集相结合，形成最终的基因集。即使在类别分布倾斜的情况下，新方法也能确保选择最具判别性的基因，从而提高分类器的性能。在6个基因表达数据集上评估了所提出的ROWSU方法的性能。以分类准确率和灵敏度作为性能指标，将所提出的ROWSU算法与其他几种最先进的方法进行比较。为了更好地理解结果，还绘制了箱线图和稳定性图。结果表明，所提出的方法优于现有的基于k近邻(kNN)和随机森林(RF)分类器分类性能的特征选择程序。
达拉斯警察和消防养老金系统和雇员退休基金：资金稳健性更新和讨论
• 截至 2022 年 1 月 1 日，预计 DPFP 将在 68 年内获得全额资助 • 截至 2022 年 12 月 31 日，预计 ERF 将在 51 年内获得全额资助 • 公共退休系统的管理机构（董事会）和相关政府实体（赞助商）需要制定资金稳健恢复计划 (FRSP)，以满足 30 年摊销要求 • 根据德克萨斯州政府法典第 802 章的规定，DPFP 和 ERF 的 FRSP 必须在 2025 年 9 月 1 日之前提交给 PRB*
利用时间步长集成扩散模型进行稳健的半监督分割
医学图像分割是一项具有挑战性的任务，许多数据集的大小和注释有限，这使其变得更加困难。去噪扩散概率模型 (DDPM) 最近在对自然图像分布进行建模方面显示出良好的前景，并成功应用于各种医学成像任务。这项工作重点关注使用扩散模型的半监督图像分割，特别是解决领域泛化问题。首先，我们证明较小的扩散步骤生成的潜在表示对于下游任务比较大的步骤更稳健。其次，我们利用这一见解提出了一种改进的集成方案，该方案利用信息密集的小步骤和较大步骤的正则化效应来生成预测。我们的模型在域转换设置中表现出明显更好的性能，同时在域内保持了有竞争力的性能。总的来说，这项工作突出了 DDPM 在半监督医学图像分割中的潜力，并提供了在域转换下优化其性能的见解。关键词：医学图像分割，半监督学习，生成模型
人工智能稳健性地平线欧洲提案与评估
为了促进在为人类服务的关键和新兴技术领域的工业领导地位，共同规划的人工智能、数据和机器人伙伴关系将推动以人为本、值得信赖、安全和强大的技术的发展，这些技术将推动新市场和应用，并符合欧洲的道德标准和价值观。一项专门行动还将研究人工智能和相关技术的人文部署。
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。
引入一种用于优化的模糊稳健集成模型...
过去几十年的自然灾害清楚地表明，自然灾害给政府和社区带来了高昂的财政和人力成本。这方面的担忧日益增加。在危机管理周期的每个阶段做出正确的决策并采取适当和及时的措施将减少灾难发生时的潜在损害并降低社会的脆弱性。因此，在本研究中，引入了考虑灾难救济中初级和次级危机问题的危机物流规划数学模型，这是本研究的创新之处。在初级危机中，目标是向危机地区提供服务和救援物资，在第二阶段，在初级危机之后发生的次级危机寻求向危机中心提供救援并将受伤人员转移到救援中心。因此，本研究在两个初级和次级危机中提出了一个数学模糊理想规划模型。在初级危机中，目标是向危机地区提供服务和救援物资。在初级危机之后发生的次级危机旨在在第二阶段支持危机中心并将受伤人员转移到救援基地。根据所提出的模型，我们最初使用了 Bertsimas 和 Sim [1] 提出的 Bertsimas-Sim 模糊规划公式和稳健方法。Epsilon 约束方法用于解决低维模型。设计了多目标元启发式算法来处理大规模实时问题的计算复杂性。提出了多重比较和分析来评估模型的性能和解决问题的能力。结果表明，所提出的方法可以应用于开发现实世界的人道主义物流网络。关键词：关键物流、初级和次级危机、模糊稳健集成规划、元启发式算法。
使用对比学习实现细胞外数据的稳健且可推广的表示
图 1：CEED 框架。在 CEED 中，我们假设波形已经从细胞外记录中提取出来。然后，每个波形都会通过我们的随机视图生成模块，通过应用变换获得不同的视图。这些变换会产生一组预定义的不变性（参见第 3.2.1 节）。使用这些视图，然后训练基于神经网络的编码器（可以采用多层感知器 (MLP) 或变压器的形式）以产生尊重所需不变性的表示。这是通过对比学习实现的，其中鼓励来自相同波形的视图的表示相似，鼓励来自不同波形的视图不相似。训练完成后，学习到的表示可用于一系列下游神经科学任务，例如尖峰分类或形态电细胞类型分类。
风光水电抽水蓄能混合能源系统两阶段稳健优化容量配置
水电、抽水蓄能与可再生能源混合能源系统已成为现代电力系统发展的新课题方向，实现不同能源容量的合理、高效配置至关重要，但现有研究与混合能源系统进一步发展的要求之间仍然存在差距。本文重点研究风电、光伏、水电、抽水蓄能电力系统的最优容量配置，推导了风电、光伏、水电、抽水蓄能电力系统最优容量配置的双层规划模型。为了对抽水蓄能电站的运行模式进行建模，引入了两个 0-1 变量。为了处理由两个 0-1 变量引起的非线性、非凸的下层规划问题，建议将 0-1 变量视为一些不确定参数。另外，通过将 0-1 变量视为一些不确定参数，最终引入两阶段稳健优化问题，将原始双层规划问题分解为主问题和子问题。然后应用 Karush-Kuhn-Tucker (KKT) 条件来简化和线性化主问题中的最小-最大问题和非线性项。这使得主问题和子问题都被表述为混合整数线性规划 (MILP) 问题。通过利用强大的列和约束生成 (C&CG) 算法，两阶段稳健优化模型被分解为依次解决主问题和子问题的迭代过程。这种方法消除了混合能源系统现有双层规划问题中常用的复杂优化算法的需要。最后，通过案例研究的数值结果验证了所提出模型的有效性和优势。
使用启发式方法校正稳健的心脏分割
与心脏右侧有关的心血管疾病，例如肺部高血压，是墨西哥（和全球）人口中的一些主要死亡原因。为了避免侵入性技术，例如使心脏插入心脏，改善医学超声心动图系统的细分性能可以是早期检测与心脏右侧有关的疾病的一种选择。虽然当前的医学成像系统在心脏的左侧自动进行良好的分割，但他们通常会努力策划右侧腔。本文基于流行的U-NET体系结构，介绍了一种强大的心脏分割算法，能够通过减少的训练数据集准确地分割这四个腔。此外，我们提出了两个其他步骤，以提高机器学习模型中的结果质量，1）一种分割算法，能够准确检测锥形形状（因为已经对其进行了多个数据源进行了培训和完善）和2）2）一个后处理步骤，该步骤可根据SEG的形状和基于SEG-INTICATION的形状和轮廓，该步骤是根据SEG-Intication the Hearicians提供的。我们的结果表明，所提出的技术达到的分割精度可与通常用于此实践的数据集以及我们的医疗团队编制的数据集中的最新方法相媲美。此外，我们在相同的图像序列中测试了后处理校正步骤的有效性，并证明了其与临床医生进行的手动分段的一致性。
适用于太阳能光伏渗透率较高的配电系统的稳健微电网
摘要：微电网是适用于可再生能源发电渗透率高的城市地区的一个合适概念，它提高了消费者场所配电网的可靠性和效率，以满足家庭、工业和农业等各种负载。由基于逆变器和同步发电机的分布式发电机组成的微电网可能导致系统在孤岛运行模式下不稳定。本文介绍了一项设计稳定微电网以促进太阳能发电更高地渗透到配电网的研究。针对具有静态负载、动态负载、储能、太阳能光伏 (PV) 系统和柴油发电机的微电网，推导出一个广义小信号模型，结合了动态系统的特征。通过比较模型给出的瞬态曲线和受到阶跃变化影响的瞬态模拟器，验证了该模型的有效性。结果表明，可以准确地建立复杂微电网系统的全动态模型，并且根据小信号稳定性分析，所提出的微电网在所有考虑的负载情况和太阳能光伏渗透水平下都是稳定的。