XiaoMi-AI文件搜索系统
World File Search SystemANOMALIES
厄尔尼诺-南方涛动 (ENSO)：近期演变、现状及预测
地下温度异常在 2023 年 2 月中旬之前为负值。地下异常在 2 月变为正值，并在 2023 年 4 月中旬之前增加，然后趋于平稳。从 2023 年 5 月下旬到 6 月中旬，异常值增加。自 2023 年 6 月中旬以来，异常值略有下降，但仍为正值。
评估用于预测美国沿海淹没风险1
图1。全年（2000-2017）第3周荣耀之间的异常相关技能SSH异常与SSH重新记录（颜色轮廓）以及第3周NOAA Gauge Station Anomalies和SSH Refororecasts（彩色圆圈标记）之间的异常相关技能，以供您使用A ifs和B CNRM。虽然异常相关计算中使用的样本年（2000-2017）相同，但由于初始化日期不同，日期略有不同。所有日期都在两个数据集中使用，而不管它们是否与其他数据集重叠，因为否则样本太少。
地点：空间应用中心，ISRO，艾哈迈达巴德...
The potential of TRISHNA for agro-hydrology and watershed management applications in India Detection of Flash drought and utilization of evapotranspiration for improved irrigation scheduling and performance evaluation UAV-based thermal imaging for high-resolution crop water condition monitoring: a futuristic spatial cal/val protocol for the TRISHNA mission Evaluation of satellite- based thermal anomalies for assessing crop risk due to mid-term heatwave使用基于高分辨率的无人机的热数据，对农场规模的葡萄园灌溉估算的对手进行了基于植被指数的蒸散分解和农作物水平衡模型水应力监测水应力监测。
应用于飞机着陆 - Portail HAL laas
摘要：飞机在着陆过程中的位置至关重要。一组传感器提供数据以获得对飞机定位的最佳估计。但是，数据可能包含异常。为了保证传感器的正确行为，必须检测异常。然后，要么隔离故障传感器，要么过滤检测到的异常。本文提出了一种用于检测和纠正异常的新型神经算法，称为 NADCA。该算法使用紧凑的深度学习预测模型，并使用真实着陆信号中的真实和模拟异常进行了评估。NADCA 检测和纠正快速变化和缓慢移动的异常；无论信号的振荡程度如何，它都很稳健，并且不需要隔离具有异常行为的传感器。无论传感器精度如何，NADCA 都可以实时检测和纠正异常。同样，NADCA 可以处理不同传感器中同时发生的异常，并避免信号之间可能出现的耦合问题。从技术角度来看，NADCA 使用一种新的预测方法和一种新的方法来实时获得平滑信号。NADCA 已被开发用于在飞机着陆期间检测和纠正异常，从而改善向飞行员呈现的信息。尽管如此，NADCA 是一种通用算法，在其他情况下可能有用。NADCA 评估给出的异常检测平均 F 值是 0.97，异常纠正平均均方根误差 (RMSE) 值是 2.10。
飞机着陆应用 - HAL 激光门户
摘要：飞机在着陆过程中的位置是关键。一组传感器提供数据以获得对飞机定位的最佳估计。然而，数据可能包含异常。为了保证传感器的正确行为，必须检测异常。然后，要么隔离故障传感器，要么过滤检测到的异常。本文提出了一种用于检测和纠正异常的新型神经算法，称为 NADCA。该算法使用紧凑的深度学习预测模型，并使用真实着陆信号中的真实和模拟异常进行了评估。NADCA 检测和纠正快速变化和缓慢移动的异常；无论信号的振荡程度如何，它都是稳健的，并且不需要隔离具有异常行为的传感器。无论传感器精度如何，NADCA 都可以实时检测和纠正异常。同样，NADCA 可以处理不同传感器中同时发生的异常，并避免信号之间可能出现的耦合问题。从技术角度来看，NADCA 使用一种新的预测方法和一种新的方法来实时获得平滑信号。 NADCA 的开发是为了检测和纠正飞机着陆过程中的异常情况，从而改善向飞行员提供的信息。尽管如此，NADCA 是一种通用算法，在其他情况下也很有用。NADCA 评估显示，异常检测的平均 F 值是 0.97，平均均方根误差 (R
标准资产定价测试的相关性和效力
识别资本市场异常的两种标准方法是横截面系数检验（Fama 和 MacBeth (1973) 的精神）和时间序列截距检验（Jensen (1968) 的精神）。一个新信号可以通过第一个检验，我们将其标记为分数异常，它可以通过第二个检验作为因子异常，或者它可以同时通过两者。我们证明了每种方法与均值-方差优化投资者面临的简单交易成本（这些交易成本在股票之间保持不变）的相关性。对于面临交易成本的风险中性投资者，只有分数异常是相关的。对于没有交易成本的风险规避投资者，只有因子异常是相关的。在风险规避和交易成本的更一般情况下，两个测试都很重要。在扩展中，我们推导出基本测试的修改版本，这些版本在投资者面临资本约束、多期投资组合选择问题或不同股票的交易成本的情况下，可以扣除异常执行成本。接下来，我们测量两个测试的计量经济学功效。时间序列因子测试的相对功效与现有因子模型的样本内夏普比率下降，如 Shanken (1992) 所述。新的因子异常可能越来越难以检测，导致时间序列测试可以识别的异常数量的自然限制更低。同时，对于面临交易成本的投资者，分数异常也适用，可以统计验证为相关的异常数量的自然限制可能更高。
S05视频异常检测和理解
处理VAD的最常见方法是单级学习[1]，它仅在训练正常数据上训练异常检测模型，即没有异常，执行不同的辅助任务，例如重建和预测。主要的假设是对正常数据训练，模型无法正确重建或预测包含异常的视频帧。但是，此类方法只有在相当简单的数据集上表现良好，在这些数据集上可以通过视觉外观或运动来定义异常，并且在异常事件中包含高级语义信息（远程轨迹，个体或对象之间的相互作用）的视频上失败。存在其他方法来处理VAD，例如弱监督[2]或少量学习方法[3]。此类方法在培训中使用了一些异常示例，这些示例有助于捕获更复杂的异常，需要了解高级语义信息[4,5]。最近，视觉语言模型[6,7]由于能够处理图像和文本的能力而获得了很多知名度。他们的应用程序包括视觉问答（VQA），图像字幕和文本对图像搜索。在VAD中使用此类模型的优点在于它们不仅检测到视频异常，而且提供了它们的描述，这有助于更好地理解和解释发生异常[8]。在这次实习中，我们将使用VAD方法来处理需要通过在培训中使用一些异常样本来处理需要高级语义信息的异常。除了异常检测任务外，我们还将通过利用VLM模型来解决视频异常理解的问题。
QCM 是新的 AI - 人工智能直觉
QCM 是人工智能领域的一种新范式。机器学习 (ML) 需要大量示例才能学会识别模式。虽然这在识别面部或笔迹时效果很好，但在昂贵而复杂的军事硬件方面却不切实际。事实是，没有足够的异常可供学习。这样的异常可能非常昂贵，而且没有人能提供足够多的案例供学习。此外，可能的异常数量非常庞大，不可能定义并学会识别所有异常。
2024-第二次创纪录的一年，之后2023年
热带海洋上的温度异常显示出显着的差异，这主要是由于热带太平洋中厄尔尼诺和拉尼娜事件的继承。在2023年和2024年，厄尔尼诺事件对全球温度的影响因热带大西洋和印度洋的创纪录的温度而扩大。在热带和北部中期土地地区，温度异常从2023年中期开始急剧上升，与厄尔尼诺现象相吻合。相比之下，在过去的二十年中，北部和南部纬度海洋地区的异常情况越来越稳定。与2016年相比（第三年级的一年，受Elniño的影响），2023-2024温度异常的一个显着特征是，在2023年末厄尔尼诺之后，它们相对较慢的下降。
通过人工智能及早发现系统性风险
• 检测行业内公司行为的异常，这些异常可能预示着影响人类、动物或植物健康的入侵行为的发生或爆发。这里的重点主要在于识别系统社会方面的异常，而不是生物物理方面的异常（例如，通过监测公司的可疑行为，通过扫描对可能的入侵发出不被重视的警告的专家等）。也就是说，重点主要在于识别表明公司正在利用网络结构脆弱性或机构层面的监控失败的异常。