XiaoMi-AI文件搜索系统
World File Search System预测误差
一般量子系统的自由能原理
摘要 自由能原理 (FEP) 指出，在适当的弱耦合条件下，具有足够自由度的随机动力系统将表现为最小化意外 (又名自信息) 的上限，形式化为变分自由能。这个上限可以理解为贝叶斯预测误差。同样，它的负数是贝叶斯模型证据 (又名边际似然) 的下限。简而言之，某些随机动力系统表现出一种自我证明。在这里，我们在时空背景自由、无标度量子信息理论的形式化环境中重新表述 FEP。我们展示了如何将通用量子系统视为观察者，在标准选择自由假设下，它们成为能够为观察结果分配语义的代理。我们展示了此类代理如何在以不确定性、学习不足和量子语境为特征的环境中最小化贝叶斯预测误差。我们表明，在量子理论公式中，FEP 渐近等同于幺正原理。基于这些结果，我们提出生物系统将量子相干性用作计算资源，并隐含地用作通信资源。我们总结了一些未来研究的问题，
一般量子系统的自由能原理
摘要 自由能原理 (FEP) 指出，在适当的弱耦合条件下，具有足够自由度的随机动力系统将表现为最小化意外 (又名自信息) 的上限，形式化为变分自由能。这个上限可以理解为贝叶斯预测误差。同样，它的负数是贝叶斯模型证据 (又名边际似然) 的下限。简而言之，某些随机动力系统表现出一种自我证明。在这里，我们在时空背景自由、无标度量子信息理论的形式化环境中重新表述 FEP。我们展示了如何将通用量子系统视为观察者，在标准选择自由假设下，它们成为能够为观察结果分配语义的代理。我们展示了此类代理如何在以不确定性、学习不足和量子语境为特征的环境中最小化贝叶斯预测误差。我们表明，在量子理论公式中，FEP 渐近等同于幺正原理。基于这些结果，我们提出生物系统将量子相干性用作计算资源，并隐含地用作通信资源。我们总结了一些未来研究的问题，
违反人类成年人大脑的生理和心理预期
当成年人看到一个固体物体穿过另一个固体物体，或者看到一个人在有捷径可走的情况下绕远路到达目的地时，我们会将这些事件归类为令人惊讶的事件。在违反预期 (VOE) 实验中，与视觉上相似但预期的结果相比，婴儿对相同的意外结果的观察时间更长。哪些领域特定和领域通用的认知过程支持这些判断？在一项预先注册的实验中，我们使用功能性磁共振成像 (fMRI) 扫描了 32 名成年人，同时他们观看了为婴儿研究设计的视频。一个与物理推理有关的区域选择性地对意外的物理事件做出反应，为领域特定的物理预测误差提供了证据。多个需求区域对意外事件的反应更多，无论领域如何，这为领域通用的目标导向注意力提供了证据。早期视觉区域对意外和预期事件的反应相同，这为反对刺激驱动的预测误差提供了证据。因此，在成年人中，VOE 涉及领域特定和高级领域通用的计算。关键词：认知神经科学；认知发展；直觉心理学；直觉物理学
脑表型关联的多尺度网络回归
图 2 MSNR 模型训练和评估示意图。 (a) MSNR 旨在通过考虑边缘和社区级别的信息来研究大脑连接-表型关系。该模型采用 n × p × p 矩阵，其中 n 是受试者的数量，p 是每个对称邻接矩阵中的节点数。节点属于 K 个社区，是先验确定的。 (b) 从总样本 (n = 1,015) 中随机选择 20% (n = 202) 作为剩余验证数据。我们进行了五倍交叉验证来选择调整参数 λ 1 和 λ 2 的值。这两个参数分别表示平均连接矩阵 (Θ) 和社区级连接-协变量关系矩阵 (Γ 1,...,Γ q) 的 l 1 范数的核范数惩罚。整个过程重复了五次。 （c）然后使用（b）中确定的调整参数对其余 80% 的总数据集（n = 813）进行模型训练。然后计算样本外预测误差，作为验证集上已知和估计连接矩阵之间差异的 Frobenius 范数。（d）我们还通过置换程序评估了最终模型，其中我们破坏了大脑连接和协变量数据之间的联系，以生成样本外预测误差的零分布
在近时环境中测量和分析大气光学湍流
摘要折射结构常数的索引，C，N 2表征了光湍流的强度，描述了传播电磁束穿过不均匀加热的湍流环境的破坏。为了改善预测模型，至关重要的是，对环境参数和光学湍流之间的关系有更深入的了解。到此为止，在马里兰州安纳波利斯的塞文河附近的切萨皮克湾建立了一个流水，890 m的闪烁仪链路。特定于闪光灯计的C n 2数据，以及在大约15个月的时间内收集了许多气象参数，以表征近野马环境中的闪烁仪链接。这种接近海洋连接的特征与在先前的陆地和开放海洋连接中观察到的特征不同。此外，现有用于预测开放式链路环境参数C N 2的宏观气象模型显示在近野马环境中的性能很差。虽然近海改编的宏观气象模型显示出较低的预测误差，但本研究表明，可以开发新的模型以减少近距离环境中的C N 2预测误差。完整的数据集，包括C N 2测量，据我们所知，是第一个延伸超过一年的测量之一。
多动症患者的灵活奖励学习受损与腹侧纹状体和顶叶皮质强化敏感性和神经信号减弱有关
个人如何从正面和负面的奖励反馈中学习并据此做出决策，可以通过强化学习的计算模型形式化（Sutton and Barto 1998）。RL 模型的核心是奖励预测误差 (RPE)，它反映了已实现奖励和预期奖励之间的差异。从神经上讲，预测误差由中脑多巴胺的阶段性释放发出信号（Hollerman and Schultz 1998，Schultz 2013），同时纹状体和其他大脑区域的神经活动也相应出现（Pine, Sadeh et al. 2018）。人类功能性神经影像学研究报告了中脑、纹状体和几个皮质区域中 RPE 的相关性（O'Doherty, Dayan et al. 2004，D'Ardenne, McClure et al. 2008，Daw, Gershman et al. 2011，Deserno, Huys et al. 2015）。 RL 神经行为相关性的个体差异确实与人类多种多巴胺测量方法有关，包括药理学操作（Pessiglione、Seymour 等人 2006 年、Westbrook、van den Bosch 等人 2020 年、Deserno、Moran 等人 2021 年）、神经化学正电子发射断层扫描 (PET)（Deserno、Huys 等人 2015 年、Westbrook、van den Bosch 等人 2020 年、Calabro、Montez 等人 2023 年）和特定基因型（Frank、Moustafa 等人 2007 年、Dreher、Kohn 等人 2009 年）。
预测错误在国内峰值...
摘要 - 在本文中，对预测错误对国内电力需求管理性能的影响进行了彻底研究。最初，设计和建模的实时峰值电力需求管理系统使用电池储能系统（BESS），电动汽车（EV）和光伏（PV）系统。模型使用消费者的实时负载需求及其屋顶PV发电能力，以及BESS和EVS的充电限制，为峰值电力需求管理提供了协调的响应。之后，这种实时功率需求管理系统是使用自回归移动平均值和基于人工神经网络的预测技术建模的。预测值用于提供日间的峰值电力需求管理决策。但是，预测过程中的任何重大错误都会导致能源管理系统的能量共享不正确。在这项研究中，使用具有现实负载模式和不确定性的真实配电网络连接的两个不同的客户用于研究此预测错误对能源管理系统功效的影响。研究表明，在某些情况下，预测误差可能超过300％。由于此预测误差而引起的能源支持的平均容量可能会高达0.9 kWh，从而增加电池充电量周期，从而降低电池寿命并增加能源成本。它还研究了环境条件（太阳能日期，温度和湿度）与消费者的电力需求之间的可能关系。考虑到天气状况，提出了一种日常不确定性检测技术，以提供改进的电力需求管理。
光伏系统的有源功率管理
以限电模式运行的光伏系统可能会提供新的服务。它们可以在限电模式下运行，例如提供对称电力灵活性、有功功率设定点运行或能量储备，从而为电网稳定性做出额外贡献。根据所应用的控制系统，它们可用于减少预测误差或补偿意外的负载或生产变化。这种光伏限电模式在岛屿电力系统中可能更有价值，因为岛屿电力系统的电网频率通常不如大型互联大陆电网稳定。
疫苗hesitancy-covid-19-thosogy。 ...
此外，我们的估计值应与其他相关信息一起使用。本地上下文信息，包括与疫苗接种，社区发病率和死亡率，社会脆弱性和疫苗管理有关的趋势和数据，可以提供其他见解和适用性。我们的估计使用旨在在调查时在美国不同地理水平范围内捕获情绪的个人级别响应；在此分析中评估的时间段或地理水平之外检查问题时，建议仔细考虑。此外，与州一级相比，由于预测建模而导致的预测误差和不确定性更大，因此，我们在PUMA或县一级的估计值较大，因此不太精确；因此，应谨慎使用它们，以需要精确的估计。
本科生成绩预测的现代人工智能模型开发：对工程数学课程的调查
摘要 采用一种计算效率高的人工智能 (AI) 模型极限学习机器 (ELM) 来分析持续评估中嵌入的模式，以对澳大利亚一所地方大学工程数学课程的加权分数 (WS) 和考试 (EX) 分数进行建模。使用 ELM 对六年期间从中级到高级水平的多门课程以及多样化课程提供模式（即校内 ONC 和在线 ONL）的学生成绩数据进行建模，并进一步与竞争模型：随机森林 (RF) 和 Volterra 进行基准测试。由于评估和考试成绩是 WS（导致中级课程成绩）的主要预测因素，因此 ELM（相对于 RF 和 Volterra）的表现优于其对应模型，无论是在 ONC 还是 ONL 报价中。这在测试阶段产生的相对预测误差仅为 0.74%，而这两个数字分别为约 3.12% 和 1.06%，而对于 ONL 录取，预测误差仅为 0.51%，而这两个数字分别为约 3.05% 和 0.70%。在对学生在高级工程数学课程中的表现进行建模时，ELM 记录的误差略大：ONC 为 0.77%（对比 22.23% 和 1.87%），ONL 录取为 0.54%（对比 4.08% 和 1.31%）。本研究提倡率先实施强大的 AI 方法，以揭示学生学习变量之间的关系，开发教学和学习干预以及课程健康检查，以解决与毕业生成果和高等教育领域学生学习属性相关的问题。