XiaoMi-AI文件搜索系统
World File Search System高斯过程
统计和机器学习.pdf
课程描述：介绍了Python或R中统计学习和实施中的基本概念。课程涵盖线性回归，逻辑回归，集合方法，模型学习的优化方法以及各种高级主题，例如深神经网络，内核学习和高斯过程。
利用人工智能解决业务问题的进步
高斯过程回归预测模型利用 GPR 通过灵活的核来表示复杂的非线性多元函数。GPR 的贝叶斯框架量化了预测的不确定性，有助于决策并指导主动学习过程。回归使用高斯过程 (GP) 量来找到一个特定的函数分布，以解释观察到的样本 [参考文献 7]。所用特定核的 GP 模型参数 θ 对 Matérn 5/2 核的长度尺度和方差以及白噪声核的噪声水平进行编码。对于每个 GP 模型，使用最大似然估计来调整参数 θ ，以最好地解释给定的数据集 D 。GPR 的计算复杂度是时间成本的立方缩放 O(n3)，样本大小 n 归因于 K-1（相当于 n×n 密集核矩阵的逆）。为了降低复杂性，使用了降维方法。
研究文章蠕变参数反演和基于GP-DE智能算法的隧道的长期稳定性分析
针对吉林省Banshi隧道的蠕变问题，通过蠕变测试分析了岩石法律，并建立了描述隧道蠕变特征的CVSIC模型。考虑到高斯过程的优势和不同的进化算法，要准确地获得蠕变参数，并提出了一种高斯过程 - 过程差的进化智能反转方法。根据现场监视数据，隧道的蠕变参数被准确倒置。在此基础上，进行了隧道的稳定性分析和选择合理的施工计划。te研究结果表明，为了确保隧道的稳定性，应采用初始衬里 +管道 +高级灌浆锚杆的施工方案。te研究结果具有指导性的有效性，可用于对隧道的长期稳定性评估。
使用机器学习优化糖尿病分类...
方差和 Fisher 判别比。研究人员随后结合了十种不同的分类器，包括线性判别分析、二次判别分析、普通贝叶斯、高斯过程分类、支持向量机、人工神经网络、AdaBoost、逻辑回归、决策树、
可扩展的高斯流程变量自动编码器
稀疏的高斯过程。在稀疏的高斯过程近似过程中已经进行了一系列工作，可以追溯到Snelson和Ghahramani（2006），Qui〜nonero-Candela和Rasmussen（2005）等。这些稀疏方法中的大多数都依赖于一个汇总的一组，称为诱导点，主要是选择这些点的确切方式。在Titsias（2009）中首先考虑了诱导点的变异学习，并被证明会导致显着的性能提高。而不是在非变化稀疏模型中使用近似边缘的GP可能性，而是在确切的GP边际可能性上的下限被得出并用作训练目标。与我们工作相关的另一种方法是Hensman等人的随机变异方法。（2013），作者提出了一个稀疏模型，除了降低GP复杂性外，还可以在小型批次中训练，从而使（极其）大型数据集使用GP模型。
应用于海上结构的 SHM - CORE
贝叶斯状态空间模型用于执行操作模态分析的联合输入状态参数推断，其中使用参数的先验和强制函数（以高斯过程的形式转换为状态空间表示）为参数不确定性下的这种仅输出识别提供了一种方法。有趣的是，与参数已知的情况相比，该方法被证明可以恢复模型的参数分布，而不会影响加载时间序列信号的恢复。
应用机器学习的高级学校
更多详细信息：排名最高的研究中心/大学和大型科技公司的讲师（例如，Intel，NVIDIA，IBM）将涵盖以下主题：符号回归，用于时间序列数据分析的高斯过程，传输学习和域适应性，图形神经网络和变压器用于多模式分析，AI解释性，解释性，神经性计算，能型计算，能级能力性DL训练。每个主题都将由必要的工具补充，以创建有效，可扩展和便携式ML管道，以利用现代HPC基础架构的功能。
![arXiv:2110.07368v3 [math.PR] 2023 年 2 月 10 日](/simg/g:\will\search\icon\source\c\c7d3d7f630afa6858499b6bb11d81840cf48979b.webp)
arXiv:2110.07368v3 [math.PR] 2023 年 2 月 10 日
摘要：本文研究了温度为 β 且半径为 L 的圆柱体上定向聚合物的自由能。假设随机环境由时间上为白函数、空间上为光滑的高斯过程给出，具有任意紧支撑空间协方差函数，我们获得了高温下极限自由能的精确缩放行为 β ≪ 1 ，随后是较大的 L ≫ 1 ，在所有维度上。我们的方法基于聚合物端点分布的多点相关函数满足的 PDE 层次的扰动展开。对于由 1 + 1 时空白噪声给出的随机环境，我们推导出极限自由能的显式表达式，证实了 [12] 中通过复制方法获得的结果。
基于网格形成逆变器的安全加固学习...
摘要 - 这封信研究了基于网格形成的安全强化学习策略（GFM）基于逆变器的频率调节。确保在学识渊博的控制策略下基于逆变器的资源（IBR）系统的稳定性，将基于模型的加固学习（MBRL）技术与Lyapunov方法相结合，该方法决定了国家和行动的安全区域。为了获得接近最佳的控制策略，使用从吸引力区域（ROA）采样的数据，可以通过近似动态编程（ADP）安全地改善控制性能。此外，为了增强对逆变器中参数不确定性的控制鲁棒性，提议的MBRL采用了高斯过程（GP）模型，以从测量中有效地学习系统动力学。数值模拟验证了所提出的方法的有效性。
基于低维高斯流程回归的锂离子电池的健康状况预测
准确确定电池状况是操作中的关键挑战。随着锂离子电池的性能随着时间的推移而降级，对健康状况的准确预测将提高整体效率和安全性。本文根据高斯过程回归提出了一种预测方法，并在单个模型中使用自动相关性确定内核，用于三种不同类型的电池电池。降低了问题的维度和对特征的灵敏度分析后，对模型进行了训练，验证并在看不见的数据上进行了进一步测试。最小测试误差的平均绝对误差为1.33％。结合了预测结果的低不确定性，这表明了使用数据驱动方法预测电池状况的适用性和巨大潜力。