XiaoMi-AI文件搜索系统
World File Search System置信度
covid-19疫苗置信度工具包
•疫苗置信原型 - 本节概述了在疫苗置信度范围内观察到的核心原型，并提供了可用于提高疫苗摄取的速度和水平的具体建议。•了解疫苗接种状态 - 本节概述了用于评估疫苗接种信心的数据和指数，并跟踪对特定信心增强计划的反应。•程序和策略 - 本节为每个关键信心推动者提供了一套建议的战术干预措施。疫苗管理团队可以使用这些资源来为各种教育和护理提供策略提供信息，具体取决于社区的特定需求和参与组织的能力。
多感官环境下脑电图记录的置信度预测
Luca Citi、Riccardo Poli 脑机接口和神经工程实验室，埃塞克斯大学计算机科学与电子工程学院，科尔切斯特，英国 lciti@essex.ac.uk，rpoli@essex.ac.uk 摘要 本文探讨了在多感官决策任务中从人类受试者的脑电图 (EEG) 脑活动解码决策信心的可能性。最近的研究表明，我们可以在视觉或听觉任务期间从 EEG 记录中提取决策信心相关性。在这里，我们扩展了这些初步发现，(a) 仅根据 EEG 记录预测决策信心，以及 (b) 研究多感官线索对决策行为数据的影响。我们从两个不同地点记录的 12 名参与者中获得的结果显示，可以在单次试验的基础上从 EEG 记录预测决策信心，平均绝对误差为 0.226。此外，多感官提示的存在并没有提高参与者的表现，反而分散了他们对主要任务的注意力。总的来说，这些结果可能有助于开发认知系统，当用户对自己的决定没有信心时，该系统可以监控和提醒用户。
置信度评估AV感知传感器的奇数
•天气对传感器性能的影响非常复杂2，包括多个变量和因素之间的许多非明显相互作用。•即使我们能够构建一个“完美”的虚拟测试环境（VTE），该环境（VTE）忠实地将输入天气和风景参数转换为输出传感器响应3，所需的输入数量也将比现有奇数分类学中当前所描述的要大得多，以便完全解释传感器对天气的响应。•成功整合了不同的测试域（校准实验室，现实世界4，模拟5，虚拟）要求所有利益相关者对其目的（和局限性）的共同理解，而且在批判性地，与与之相关的不确定性如何共同管理。
量子测量置信度的实验射击估计
测量结果将量子力学连接到“古典”世界。，除非测得的量子状态属于已知的正交集，否则不可能通过单次测量测量量子系统的状态。因此，在没有一些先验知识的情况下，不能完全确定国家。由于所有测量值的固有不确定性，因此只能提供有关观察到的量子系统的部分信息[1-3]。理解并实际上达到了可实现的准确性的基本限制是量子测量中的首要问题。已经表明，量子测量值可以显着通过经典测量值，在某些情况下，非正式地实现了准确性的基本限制，请参见例如[4-10]。通常，由于量子测量是概率的，因此这些努力描述了实验结果的概率，而不是每次测量中都会发生什么。在这里，我们首次实验了每个单个测量结果的置信度估计值，并验证每个单次估计是否正确预测了测量相应行为的准确性。从已知的一组状态中识别随机分布的量子状态是量子测量的重要应用[4,11-13]。由于不可能对非正交状态的完美识别，因此可以确定某个功绩，并相应地优化了测量[11,14 - 16]。还有其他功绩数字。理论上，这样的值得一提的是，在不学习哪种识别是正确且哪个是错误的情况下获得正确结果的可能性。可以优化量子测量，以便这种概率可以超过理想经典测量值的所谓射击限制，[5,6,9,17 - 28]。例如，可能需要知道没有错误的情况下识别出哪些状态。
研究不同的能源存储模式对可再生能源置信度的影响
摘要。可再生能源具有典型的间歇性特征，产出的强大随机波动以及峰值负载下的支撑能力不足。因此，高比例可再生能源能源系统的电源保证正面临严重的挑战。可再生能源分配和能源存储可以在一定程度上解决可再生能源的随机波动问题。在这种情况下，基于电化学能源存储的运行机理，本文考虑了电化学能源存储的操作安全特性，建立了可再生能源 +能源存储操作优化模型。为了为相关企业的规划和建设提供技术支持，本文探讨了电化学能源存储的大规模可再生能源配置的有效性，并分析了CPELX解决的不同储能操作模式的影响。结果表明，可再生能源配置能量存储可以提高其置信能力并降低净负载的峰值山谷差异率，但是特定效果与储能的操作模式密切相关。
基于贝叶斯的分类置信度估计用于增强SSVEP检测
摘要 - 大脑计算机界面（BCI）使人们能够直接与外围设备进行通信和操作。由于其快速通信速率和高信号噪声比，近年来，基于稳态的视觉诱发电位（SSVEP） - 基于BCI的系统已被广泛研究。许多当前的SSVEP识别方法通过发现最大的相关系数来确定目标类别。但是，当最大的系数与其余值没有显着差异时，分类性能通常会降低。这项研究提出了一种基于贝叶斯的分类置信估计方法，以增强基于SSVEP的BCI系统的目标识别性能。在我们的方法中，使用基本目标识别方法产生的最大值和其他值之间的差异用于在训练过程中定义特征向量。使用高斯混合模型（GMM）来估计正确与错误分类的特征向量的概率密度函数。随后，在测试程序中通过贝叶斯推断计算出准确和错误分类的后验概率。基于两个后验概率提出了分类置信值（CCVALUE），以估计分类信心。最后，决策规则可以确定是否应接受或拒绝当前的分类结果。对开放式基准数据集和自收集的数据集进行了广泛的评估研究。实验结果证明了提出的方法提高基于SSVEP的BCI系统的可靠性的有效性和可行性。
SEBD：一种流式演进机器人检测框架，应用 PAC 学习方法来保持准确性和置信度
摘要：一个简单的监督学习模型可以根据之前的学习过程从训练数据中预测一个类别。可以通过评估措施获得对这种模型的信任，这些措施可确保不同类别的预测结果中误分类错误更少。这可以应用于使用训练有素的数据集的监督学习，该数据集涵盖不同的数据点并且没有不平衡问题。当将半监督学习方法与动态数据流（例如社交网络数据）相结合时，这项任务具有挑战性。在本文中，我们为 Twitter 提出了一种基于流的进化机器人检测 (SEBD) 框架，该框架使用深度图神经网络。我们的 SEBD 框架是基于使用同伴链接和个人资料特征的多视图图注意力网络设计的。它集成了 Apache Kafka 以启用 Twitter API 流并在处理后预测帐户类型。我们使用可能近似正确 (PAC) 学习框架来评估 SEBD 的结果。我们的目标是保持框架的准确性和置信度，以便以较低的误分类错误率成功学习。我们使用测试保留、机器学习分类器、基准数据和基线工具通过跨域评估评估了我们的框架结果。总体结果表明，SEBD 能够以基于流的方式成功识别机器人账户。使用保留和随机森林分类器的交叉验证，SEBD 的准确度得分为 0.97，AUC 得分为 0.98。我们的结果表明，机器人账户在 Twitter 上的主题标签中参与度很高。
30 毫米武器系统测试结果尚无定论
1992 年 1 月，100,000 发子弹的测试结果在统计上并不显著，因为达到的耐久性置信度较低。例如，在这个规模的测试中，只有 19% 的置信度表明 60,000 发子弹的组件将达到其最低预期寿命。据美国陆军装备研究、开发和工程中心（陆军的科学顾问）的一位代表称，19% 的置信度可能不适用于阿帕奇舰队中其他区域武器系统。研究中心的一名技术人员告诉 GAO，要获得有意义的测试结果，置信度至少应为 80%。 1988 年，研究中心提议进行 110 万发子弹耐久性测试，该测试将证明所有组件至少具有合格的置信度。阿帕奇计划的 Ace 代表表示，由于资金有限，并且进行更广泛的测试需要更长的时间，因此测试数量定为 10 万发。
用于简化标题和摘要筛选的代理 AI
利用置信度分数的一个关键挑战是，当提示提供置信度分数时，LLM 会表现出过度自信。Wei 等人(2024) 在他们的 SimpleQA 基准中证明了这种现象，观察到各种前沿 LLM（包括 GPT-4 和 Claude）都存在一致的过度自信。这种固有的局限性强调了仔细解释 LLM 生成的置信度分数的必要性。直接使用原始置信度分数作为人工审查的阈值可能不是最佳选择。Wei 等人(2024) 还发现，利用 LLM 的随机性来确定置信度作为答案频率的衡量标准可以改善校准，特别是对于较大的前沿模型，但除了 01-preview 之外，仍然表现出过度自信。值得注意的是，两种方法都表现出近似单调的关系，这可能表明重新校准是产生校准概率的潜在途径。