XiaoMi-AI文件搜索系统
World File Search System贝叶斯
贝叶斯网络对全局能量平衡模型的改进方法
摘要：对气候的精确模拟始终至关重要，同时也是一个挑战。本研究基于粗细模型的概念，提出一种利用贝叶斯网络对全局分辨能量平衡 (GREB) 模型进行改进的方法。改进方法在以 GREB 模型为全局框架的基础上，构建了动力学模型与统计模型相结合的粗细结构，并利用基于 GREB 模型内部气候变量相互关系构建的贝叶斯网络实现局部优化。为了客观地检验改进方法的性能和推广应用，将该方法应用于1985—2014年美国国家环境预测中心(NCEP)和美国国家大气研究中心(NCAR)提供的3.75°×3.75°全球数据集，对地表温度和大气温度的模拟。结果表明，改进模型比原始GREB模型表现出更高的平均精度和更低的空间分异，并且在长期模拟中具有良好的稳健性。该方法解决了GREB模型在局部区域由于过度依赖边界条件和初始条件，以及缺乏完全可用的观测数据而导致的精度问题。此外，该模型还克服了由于气候包含项不明确导致统计模型稳健性较差的挑战。因此，改进方法为可靠、稳定的气候模拟提供了一种有希望的方法。
DNN 辅助基于粒子的贝叶斯联合同步与定位
摘要 — 在本文中，我们提出了一种基于深度神经网络辅助粒子滤波器 (DePF) 的方法来解决超密集网络中的移动用户 (MU) 联合同步和定位 (sync&loc) 问题。具体而言，DePF 在 MU 和接入点 (AP) 之间部署了一种非对称时间戳交换机制，传统上，该机制为我们提供有关 MU 时钟偏移和偏差的信息。然而，AP 和 MU 之间的距离信息也是交换时间戳所经历的传播延迟所固有的。此外，为了估计接收到的同步数据包的到达角，DePF 利用多信号分类算法，该算法以同步数据包所经历的信道脉冲响应 (CIR) 为输入。CIR 还用于确定链路条件，即视距 (LoS) 或非视距。最后，为了执行联合同步和定位，DePF 利用粒子高斯混合，允许对上述信息进行基于粒子和参数贝叶斯递归滤波 (BRF) 的混合融合，从而联合估计 MU 的位置和时钟参数。模拟结果验证了所提出的算法优于最先进的方案，尤其是基于扩展卡尔曼滤波器和线性化 BRF 的联合同步和定位。特别是，仅利用来自单个 AP 的同步时间戳交换和 CIR，在 90% 的情况下，绝对位置和时钟偏移估计误差分别保持在 1 米和 2 纳秒以下。
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。
具有隐式先验的生成贝叶斯建模
•选择要生成的数据集•从先前的𝑝（𝜃 𝜃）中•从可能性𝑝（𝑦𝑦（𝑗）中示例̃𝑦（𝜃𝑗）•示例•示例𝑆draws traks traks（𝜃，𝑠，𝑠，𝑠，𝑠） 𝕀[𝑓（𝜃（𝑗，𝑠））<𝑓（𝜃（𝑗））]•如果一切都正确，则等级的分布将均匀分布
不断发展的二氧化碳排放的动态贝叶斯网络...
摘要 - 全球变暖是一个重大挑战。在贡献者中，CO 2排放是最重要的，几乎40％的全球排放来自发电。从这个意义上讲，可以使用传统和可再生能源的多源系统中的CO 2排放进行准确的预测，可用于支持碳排放的减少，而不会影响能源需求供应。尽管在该主题中进行了几项相关的研究，但由于可再生能源的间歇性性质引起的更高的不确定性和可变性，因此CO 2启动在多源发电系统中预测是当前的挑战。本文介绍了使用不断发展的动态贝叶斯网络的多源发电系统的CO 2排放预测。我们的提案使用分析阈值来选择数据到达时出现频率的有向边缘，从而使恒定的适应能够平滑地收敛为强大的预测模型。它是使用比利时，德国，葡萄牙和西班牙的多源发电系统的实际数据进行了测试的。将其性能与其他预测方法进行了比较。将结果与不演变结构随时间发展的传统DBN进行比较，我们的提议卓越强调了绩效提高的贡献。与ANN和XGBOOST进行比较时，提出的方法更好，性能具有统计学意义的差异。
相干性相对熵量化贝叶斯计量学的性能
1 A*STAR 量子创新中心 (Q.Inc)、材料研究与工程研究所 (IMRE)、新加坡科学技术研究局 (A*STAR)、2 Fusionopolis Way, 08-03 Innovis，新加坡 138634，新加坡 2 冲绳科学技术研究生院量子机器部门，冲绳恩纳 904-0495，日本 3 澳大利亚国立大学量子计算与通信技术中心量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 4 澳大利亚国立大学量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 5 新加坡国立大学量子技术中心，3 Science Drive 2，新加坡 117543，新加坡 6 Horizon Quantum Computing，05-22 Alice@Mediapolis，29 Media Circle，新加坡 138565，新加坡 7 高性能计算研究所，科学技术局新加坡科技研究局 (A*STAR) 新加坡 138634 新加坡 8 南洋量子中心，南洋理工大学物理与数学科学学院，21 Nanyang Link，新加坡 639673，新加坡 9 MajuLab，CNRS-UNS-NUS-NTU 国际联合研究单位，UMI 3654，新加坡 117543，新加坡
贝叶斯网络结构学习的量子近似优化算法
贝叶斯网络结构学习是一个 NP 难问题，近几十年来许多传统方法都面临着这一问题。目前，量子技术提供了广泛的优势，可用于解决使用传统计算方法无法有效解决的优化任务。在这项工作中，一种特定类型的变分量子算法，即量子近似优化算法，用于解决贝叶斯网络结构学习问题，采用 3 n (n − 1) / 2 量子比特，其中 n 是要学习的贝叶斯网络中的节点数。我们的结果表明，量子近似优化算法方法可提供与最先进方法相媲美的结果，并且对量子噪声具有定量的弹性。该方法被应用于癌症基准问题，结果证明了使用变分量子算法来解决贝叶斯网络结构学习问题的合理性。
贝叶斯网络结构学习的量子近似优化算法
摘要 贝叶斯网络结构学习是一个 NP 难问题，近几十年来许多传统方法都面临着这一问题。目前，量子技术提供了广泛的优势，可用于解决使用传统计算方法无法有效解决的优化任务。在本文中，一种特定类型的变分量子算法，即量子近似优化算法，用于解决贝叶斯网络结构学习问题，采用 3 n (n − 1)/ 2 量子比特，其中 n 是要学习的贝叶斯网络中的节点数。我们的结果表明，量子近似优化算法方法可提供与最先进方法相媲美的结果，并且对量子噪声具有定量的弹性。该方法被应用于癌症基准问题，结果证明了使用变分量子算法解决贝叶斯网络结构学习问题的合理性。
折叠家庭调查的贝叶斯优化针对有向蛋白的进化
定向进化（DE）是一种蛋白质工程技术，涉及诱变和筛选以搜索优化给定特性的序列（例如将有效绑定到指定目标）。不幸的是，潜在的优化问题不确定，因此引入的突变以提高指定特性可能是以未定的，但重要的属性为代价的（例如，亚细胞定位）。我们试图通过将折叠的正则化因子纳入优化问题来解决这个问题。正则化因子偏向于类似于蛋白质所属折叠族的序列的设计的搜索。我们将方法应用于具有与IgG-FC的官能测量值的大型蛋白质GB1突变体库。我们的结果表明，正则化优化问题会产生更多类似天然的GB1序列，而结合效率仅略有下降。特别是，在GB1折叠族的生成模型下，我们的设计的对数比没有正则化的生成模型高41-45％，而结合效果仅下降了7％。因此，我们的方法能够在竞争性状之间进行交易。此外，我们证明了我们的主动学习驱动方法可将湿lab负担降低，以识别最佳的GB1设计，相对于Arnold Lab在同一数据上的最新结果。
胚胎：通过期望最大化的稳健贝叶斯变量选择
添加历史。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2双子。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>3 gemini.evertex。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。4 gemini_audio。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 gemini_audio.vertex。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 gemini_chat。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 gemini_image。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 gemini_image.vertex。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 gen_docs。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 gen_tstests。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 token.vertex。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10 div>