XiaoMi-AI文件搜索系统
World File Search System预测算法
理解人们如何推理人工智能的审美评价
摘要 人工智能 (AI) 算法甚至在美学等创造性领域也取得了令人瞩目的成就。然而，机器学习 (ML) 社区之外的人是否能够充分解释或同意他们的结果，特别是在这种高度主观的领域，受到质疑。在本文中，我们试图了解不同的用户社区如何在主观领域推理 AI 算法结果。我们设计了 AI Mirror，这是一个研究探测器，可以告诉用户算法预测的照片美学分数。我们对该系统进行了用户研究，共有来自三个不同群体的 18 名参与者：AI/ML 专家、领域专家（摄影师）和普通公众成员。他们通过出声思考、调查和访谈等方式执行了拍照和推理 AI Mirror 预测算法的任务。结果表明：（1）用户使用自己特定群体的专业知识来理解 AI；（2）用户采用各种策略来缩小他们的判断与 AI 预测之间的差距；（3）用户的想法和 AI 预测之间的差异与用户对 AI 的可解释性和合理性的感知呈负相关。我们还讨论了主观领域中 AI 注入系统的设计考虑因素。
小胶质形态分析-ORCA-加的夫大学
长期以来，通过形态计量分析量化小胶质细胞激活一直是神经免疫学家工具包的主要内容。小胶质形态现象学可以通过手动分类或构造数字骨骼并从中提取形态计量数据来进行。可以使用半自动化和/或完全自动化的方法以不同程度的准确性来生成这些骨架的多个开放式和付费软件包。尽管在产生形态计量学的方法方面取得了进步（细胞形态的定量测量），但工具的开发有限，可以分析它们生成的数据集，尤其是那些包含来自全自动管道分析的成千上万个单元的参数的工具。在这篇综述中，我们使用集群分析和机器学习驱动的预测算法进行比较和批评，这些算法已开发出来解决这些大数据集，并提出了这些方法的改进。，我们强调了对开放这些分类者的群体开放科学的承诺的必要性。此外，我们引起人们对具有强大软件工程/计算机科学背景的人与神经免疫学家之间进行沟通的需求，以生产具有简化可操作性的有效分析工具，如果我们要看到神经胶质生物学社区的广泛采用。
DAAMSIM：用于建立检测和避免系统要求的模拟框架
摘要：许多监管机构和标准组织正在制定遥控飞机系统 (RPAS) 的检测、警报和避让 (DAA) 系统的性能要求。DAA 系统可分解为三个功能：“检测”——态势感知；“警报”——确定可能存在冲突的交通、评估消除冲突的飞行路径并通知机长；“避让”——执行避让机动并确定“无冲突”。DAA 系统的“检测”功能取决于传感器、目标和环境特性（例如目标与背景的信噪比）。“警报”功能取决于冲突预测算法和人为因素要求。“避让”功能取决于 RPAS 机动性能、空域“规则”和保护范围的大小。上述因素会影响计算和执行避障操作所需的时间，从而保证规定的脱靶距离，并决定传感器的“检测”要求。本文介绍了 DAAMSim：一种公开可用的建模和仿真框架，由加拿大国家研究委员会开发，用于支持确定 DAA 系统要求和评估 DAA 系统性能。本文描述的框架结合了各种传感器、跟踪器和避障模型等功能组件；数据回放；可视化
大麻（大麻萨蒂瓦l。）是一种有效的碳作物
摘要。随着能源需求继续上升，可再生能源（例如光伏（PV）系统）越来越流行。PV系统将太阳辐射转换为电力，使其成为减少传统电源依赖并减少碳排放的有吸引力的选择。为了优化PV系统的使用，智能预测算法至关重要。他们可以更好地制定有关成本和能源效率，可靠性，功率优化和经济智能电网操作的决策。机器学习算法已被证明可以有效地估算PV系统的功率，从而通过允许模型了解参数之间的复杂关系并评估光伏电池的输出功率性能来提高准确性。这项工作介绍了一项有关使用机器学习算法Catboost，LightGBM，XGBoost和随机森林的研究，以改善预测。研究结果表明，使用机器学习算法LightGBM可以提高PV功率预测的准确性，这可能对优化能源使用具有重要意义。除了降低不确定性外，机器学习算法还提高了PV Systems的效率，可靠性和经济可行性，从而使它们作为可再生能源更具吸引力。
EPR效应增强剂强烈增强了纳米医学的靶向肿瘤递送到晚期癌症：进一步扩展以增强疗法
摘要电网中电池储能系统（BES）的集成正在加速以减轻与低碳技术（LCT）快速部署相关的挑战。这项工作调查了BES为电力网络提供重要辅助服务的能力，例如通过与北爱尔兰的分销网络运营商合作进行的两个案例研究，例如剃须和电网功率升级。开发了一种由两种策略组成的强大方法，可以强大地运行BES，以增强分销网络的运行。第一个策略是日期安排，旨在调度分布式的BES，以平滑电网功率并减轻电压和线应力。强大的需求预测算法被用于有效地应用日期安排。第二种策略是将网格功率弄平的实际时间操作，该电网能力可以单独使用或调整从预测误差的日期策略中获得的结果。使用实际测量结果验证了拟议的方法，并应用于英国北爱尔兰的11 kV分销网络。量化了爱尔兰岛可用的不同服务中的参与中的预期收入，并考虑了退化。
免疫生物信息学
许多不同的措施通常用于评估预测算法的表现。这些度量是根据实现的预测因子（例如，结合官方）还是分类的性能来评估的。在几乎所有情况下，正确预测的示例的百分比都不是分类任务中预测性能的最佳指标，因为阳性数量通常比独立测试集中的负元数小得多。算法低估了很多，因此似乎具有很高的成功率，但不是很有用。我们从一组具有n个预先介绍值的数据和n个实际（或目标）值的数据中定义了一组性能度量。使用选择的预测方法找到了值p i，而A i是已知的相应目标值。通过引入阈值t a，可以将n个点分为实际的阳性a P（具有实际值A I大于t a的点）和实际的负面n n。同样，通过引入预测值t p的阈值，这些点可以分为预测的阳性p p，并预测负p n。这些定义总结在表4.2中，以下将用于定义一系列不同的性能度量。
算法选择为超集学习
摘要。算法选择是指自动从一组候选算法中求解合并问题实例的最合适算法的任务。在这里，通常根据算法的运行时间来衡量适用性。为了在新问题实例上选择算法，对机器学习模式进行了对先前观察到的性能数据的培训，然后用于预测算法的性能。由于计算效率，这种算法的执行通常会过早终止，从而导致右键观察值代表实际运行时的下限。简单地忽略了这些审查的样本会导致过度乐观的模型，以精确的假设价值（例如常用的惩罚平均跑步时间）将其推定为一种相当任意的和有偏见的方法。在本文中，我们基于所谓的超级学习提出了一种简单的回归方法，其中右审查的运行时数据是根据间隔值的观察结果明确合并的，它是一种直观且有效的方法来处理审查数据。基于公开可用的算法性能数据，我们证明，它的表现优于上述na'的方法来处理审查的样品，并且在算法选择范围内审查回归的既定方法都有竞争力。
数据驱动的飞机轨迹预测的新可靠性研究
摘要：本文利用美国联邦航空管理局提供的交通流量管理系统 (TFMS) 特定航线固定翼飞机轨迹公共数据集，测量了六种轨迹预测模型的两个主要因素，包括回归准确性和对抗攻击鲁棒性。从基本的常规到高级的深度学习，六种数据驱动的回归器及其所需的架构，从其预测轨迹的准确性和可靠性方面进行了探索。本文的主要贡献是针对飞机轨迹问题描述了对抗样本的存在，本文将其重铸为回归任务。换句话说，虽然数据驱动算法是目前最好的回归器，但它们可能会受到对抗样本的攻击。对抗样本类似于训练样本；然而，它们会导致经过精细训练的回归器做出错误的预测，这对基于学习的轨迹预测算法构成了安全隐患。结果表明，尽管基于深度学习的算法（例如长短期记忆 (LSTM)）相对于传统分类器（例如支持向量回归 (SVR)）具有更高的回归准确度，但它们对精心设计的状态更敏感，这些状态可以被精心操纵，甚至可以将其预测状态重定向到不正确的状态。这一事实对飞机构成了真正的安全问题，因为对抗性攻击可以重新
一个基于可解释的信念规则的先进的基于基于信念的框架，以预测建筑物的能耗
摘要：建筑能源消耗的预测对减少能源浪费的公用事业公司，用户和设施经理有益。但是，由于预测算法的各种缺点，例如，非透明输出，通过后事后工具的临时解释，较低的准确性以及无法处理数据不确定性，这种预测在该领域中的适用性有限。结果，基于领域的知识解释性具有高精度对于使能源预测值得信赖至关重要。以此为动机，我们提出了一个基于域知识的基于可解释的基于信念规则的专家系统（EBRBES），以基于领域的知识解释，以准确预测能源消耗。我们优化了BRBES的参数和结构，以提高预测准确性，同时使用其推理引擎处理数据不确定性。为了预测能源消耗，我们会考虑到楼层，日光，室内入住和建筑加热方法。我们还描述了如何实现能源消耗的反事实。此外，我们提出了一种基于信念规则的自适应平衡确定（BRBABD）算法，用于确定解释性和准确性之间的最佳平衡。为了验证所提出的EBRBES框架，使用了基于瑞典Skellefteå的案例研究。Brbabd的结果表明，我们提出的EBRBES框架在解释性和准确性之间的最佳平衡和准确性之间的平衡高于85.08％。
效果和预测应用的算法方法论
尽管辅助生育医学技术的发展，但专家认为阳性妊娠事件（GR +）的成功率被认为是低的。本文将介绍的科学独创性集中在于基于多个和二进制逻辑回归的其他预测算法；这是为了强调怀孕事件的存在或不存在。很明显，出于预测目的，这种回归方式是广泛的。的确，我们可以以无尽的方式引用使用领域：医学，保险，银行，运输，计量经济学等。将用于领导这项研究的数据是荧光基因的转录组光强度。此使用的数据是从QPCR型物理系统（聚合酶链反应）获得的。科学锁在于分析性能标准，即逻辑回归和优化可能性，以最大程度地提高测试可能揭示了GR +事件的可能性。当然，这将通过并行分析赔率（OR）来完成。总而言之，我们的目的是开发一种能够使用前面提到的数量来生成可靠模型的算法。在阈值0.5时，将给出性能特征：ROC曲线，ROC曲线下的面积（AUC），灵敏度（SE），特异性（SP），混淆表和可能性。最后，我们在歧视，分类和最终验证方面的算法相关性得出结论。