XiaoMi-AI文件搜索系统
World File Search System轨迹
“实体经济中企业财务架构的轨迹”
建立有效的公司财务架构对于维持一定的市场地位和确保稳定的盈利能力具有重大影响，其中包括资本结构、所有权结构和公司治理状况等基本要素。本研究旨在确定财务架构的状态、变化轨迹及其对公司市场地位的影响。从销售收入最高的前 200 家公司名单中选出了 22 家乌克兰公司进行研究，这些公司提供了 2007 年至 2017 年期间的完整财务报表。为了确定公司的财务架构状态和相关的市场地位，作者使用了最远邻居法的聚类分析。应用了 Kohonen 自组织映射算法。使用 Harrington 的可取性函数来确定积分指数。所选样本显示几乎所有公司的所有权集中度都很高，只有少数人控制着大量资产，从而证实了乌克兰经济的寡头结构。结果获得了七个集群组，反映了公司的财务结构质量。在整个样本中，只有五家公司拥有高质量的财务结构，即资本结构和所有权结构一致且最佳，并确保公司保持领先的市场地位。
利用量子算法重建粒子轨迹
摘要：准确确定粒子径迹重建参数将成为高亮度大型强子对撞机 (HL-LHC) 实验面临的主要挑战。HL-LHC 同时发生的碰撞数量预计会增加，探测器占用率也会随之提高，这将使径迹重建算法对时间和计算资源的要求极高。命中次数的增加将增加径迹重建算法的复杂性。此外，由于探测器的分辨率有限以及命中的物理“接近度”，将命中分配给粒子径迹的模糊性也会增加。因此，带电粒子径迹的重建将成为正确解释 HL-LHC 数据的主要挑战。目前使用的大多数方法都基于卡尔曼滤波器，这些滤波器被证明是稳健的，并提供良好的物理性能。但是，它们的扩展性预计会比二次方差。设计一种能够在命中级别减少组合背景的算法，将为卡尔曼滤波器提供更“干净”的初始种子，从而大大减少总处理时间。量子计算机的显着特征之一是能够同时评估大量状态，使其成为在大型参数空间中进行搜索的理想工具。事实上，不同的研发计划正在探索量子跟踪算法如何利用这些功能。在本文中，我们介绍了我们在实现基于量子的轨迹查找算法方面的工作，该算法旨在减少初始播种阶段的组合背景。我们使用为 kaggle TrackML 挑战设计的公开数据集。
巴西经济的新十年、新轨迹？
欧亚集团美洲区董事总经理克里斯托弗·加曼 (Christopher Garman) 同样强调了巴西的政治分歧。他解释说，博索纳罗的“反建制”言论削弱了行政部门与国会的关系，因此，政府“永远不会在国会拥有多数席位”。尽管如此，加曼认为该国的政治条件有利于推进旨在提高 GDP 的改革。自 2019 年 10 月历史性养老金法案获得批准以来，博索纳罗政府提出了更多改革。由经济部长保罗·盖德斯 (Paulo Guedes) 领导的经济团队已向参议院提交了三份不同的宪法改革提案：PEC 186/2019，旨在确保宪法对支出的限制；PEC 187/2019，旨在消除现有公共资金；PEC 188/2019，旨在将收入转移给州和市政府，
数据驱动的攀爬轨迹不确定性量化
摘要 高效的轨迹预测工具将成为未来基于轨迹的运营 (TBO) 的关键功能。除了管制员的行动之外，爬升飞行中的不确定性是飞行轨迹预测误差的主要组成部分。出于运营方面的考虑，飞机起飞重量和爬升速度意图（定义爬升剖面的关键性能参数）并不完全适用于基于回合的轨迹预测基础设施。在空中交通流量管理范围内，扇区进入和退出时间（包括爬升结束和下降开始的时间）是需求容量平衡过程的主要输入。在这项工作中，我们专注于爬升轨迹的不确定性，以量化和分析它们对爬升至巡航高度的时间的影响。我们通过飞机飞行记录数据集（即 QAR）使用了模型驱动的数据统计方法。根据此分析，为飞机起飞重量和速度意图生成了概率定义。获得了这些爬升参数与飞行距离之间的回归，以减少战略层面的不确定性。此外，通过自适应不确定性减少来降低爬升不确定性也在飞行战术层面得到体现。通过模拟，说明了降低飞机质量不确定性对爬升时间的影响。关键词：空中交通管理、轨迹预测、不确定性量化、BADA 缩写
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
轨迹预测的条件无气体自动编码器
摘要 - 条件变化自动编码器（CVAE）是自动驾驶轨迹预测中最广泛使用的模型之一（AD）。它将驾驶环境与其地面真理的未来之间的相互作用捕获到概率潜在空间中，并使用它来产生预测。在本文中，我们挑战了CVAE的关键组成部分。我们利用了变量自动编码器（VAE）的最新进展，即CVAE的基础，这表明采样过程的简单更改可以极大地使性能受益。我们发现，以确定性的方式从任何学习分布中绘制样本的无味抽样自然可以更适合轨迹预测，而不是潜在的随机随机抽样。我们走得更远，并提供了其他改进，包括更结构化的高斯混合物潜在空间，以及一种新颖的，可能更有表现力的方法来推断CVAE。我们通过在相互作用的预测数据集上评估模型的广泛适用性，超过了最新的状态，以及在Celeba数据集上的图像建模任务，优于基线Vanilla cvae。代码可在以下网址获得：https：//github.com/boschresearch/cuae-prediction。
风险和冲动决策的独特发展轨迹
人类青春期的特征是决策和情感调节的一系列变化，这些变化促进了风险和冲动行为。积累的证据表明，在人类青春期中看到的行为和生理转变是由一些灵长类动物共享的，但是目前尚不清楚是否招募了相同的认知机械性。我们研究了风险选择，跨期选择和对我们最近生活中亲属的黑猩猩决策结果的发展变化。我们发现，像人类一样，青春期黑猩猩比成年人更具风险。然而，与人类不同的是，与人类不同，黑猩猩没有表现出跨时空选择的变化变化，尽管年轻的黑猩猩确实表现出与成年人相比等待的情感反应性。比较皮质醇和睾丸激素表明这些生物标志物中与年龄相关的差异，以及选择，情绪反应性和激素的个体差异的模式，也支持风险和选择冲动之间的发展分离。这些结果表明，与黑猩猩共享人类青少年决策的一些核心特征。
自动驾驶汽车轨迹预测鲁棒性研究
摘要 — 自动驾驶汽车依靠准确的轨迹预测来为与导航和防撞相关的决策过程提供信息。然而，目前的轨迹预测模型存在过度拟合的迹象，这可能导致不安全或次优的行为。为了应对这些挑战，本文提出了一个全面的框架，对文献中用于评估和提高轨迹预测模型鲁棒性的定义和策略进行分类和评估。这涉及对各种方法的详细探索，包括数据切片方法、扰动技术、模型架构更改和训练后调整。在文献中，我们看到了许多有前景的提高鲁棒性的方法，这对于安全可靠的自动驾驶是必不可少的。
3D姿态估计和2D轨迹预测
根据给定序列预测人体运动是计算机视觉和机器学习中一项具有挑战性且至关重要的任务，它使机器能够有效地理解人类行为。精确预测人体姿势和运动轨迹对于各种应用都具有重要意义，包括自动驾驶、机器人技术和虚拟现实。本文提出了一种新方法来解决估计以 3D 姿势或 2D 轨迹表示的人体运动，以及使用 2D 图像和人体姿势/位置序列联合预测未来运动的相互关联的任务。我们提出了一种编码器-解码器架构，该架构利用具有自注意机制的 Transformer 网络，利用视觉上下文特征，结合 LSTM 来建模人体运动运动学。我们的方法在数量和质量上都比现有方法表现出持续显著的改进。在各种公共数据集上进行的大量实验，例如用于 3D 人体姿势估计的 GTA-IM 和 PROX，以及用于 2D 轨迹预测的 ETH 和 UCY 组合数据集，表明与当前最先进的方法相比，我们的方法大大减少了预测误差。
TREC 2020 健康错误信息轨迹概述
TREC 2020 是健康错误信息轨道的第二年，该轨道在 2019 年被命名为决策轨道 [1]。使用包含错误信息的文档集进行信息检索是有问题的。当搜索引擎返回包含错误信息的文档时，用户可能难以辨别正确信息和错误信息，而错误信息可能会导致错误的决策 [5]。与健康相关的话题的决策可能会产生重大影响，因此我们希望搜索引擎能够让用户做出正确的决定。该轨道旨在从三个方面解决健康错误信息问题：1）临时检索，2）集合中错误信息的全面回忆，以及 3）在存在错误信息的情况下对检索的评估。2020 年健康错误信息轨道为参与者提供了回忆任务和临时任务。随着冠状病毒大流行 (COVID-19) 的爆发，赛道组织者从 Common Crawl 1 中选择了涵盖 2020 年前四个月的新闻文档集。赛道的主题都与 COVID-19 有关，并以诸如“用盐水漱口可以预防 COVID-19 吗？”之类的问题提出。对于这两项任务，NIST 评估人员都会判断文档对于回答主题问题的有用性，如果判断有用，评估人员会记录文档是否包含该问题的具体答案，然后判断文档的可信度。我们评估了回忆运行，看它们能否找到所有 d