XiaoMi-AI文件搜索系统
World File Search SystemBaye
贝叶斯和人工智能驱动的嵌入式感知和
2009-20 年，在贝叶斯感知、风险分析和人类环境中机器人导航决策方面的新发现的推动下。这些新发现促使我们完成了几项研发行动（在科学成果、软件和专利方面），并开辟了新的研究方向和新的合作伙伴关系（包括法国国家研发机构 CEA），朝着未来智能移动机器人和自动驾驶汽车所需的软件/硬件集成迈出了决定性的一步。1 我在 2002 年 3 月由欧盟研发计划“未来新兴技术”在布鲁塞尔组织的“头脑风暴日”上介绍了这一新研究议程的第一个大纲（这次头脑风暴研讨会的主要目的是准备一份新的欧盟提案征集，题为“超越机器人”）。然后，我制定了一个 10 年的研究议程，通过结合几何、概率和人工智能方法，逐步解决已确定的关键理论和技术机器人问题。 2 IRT：法国技术研究院 - SVA 计划：长期“自动驾驶汽车安全”计划。 3 Inria 项目团队“e-Motion”于 2004 年成立，最初的想法经过了一年的孵化期。该研究团队由 Inria Grenoble Rhône-Alpes 和格勒诺布尔-阿尔卑斯大学 (UGA) 的 LIG 实验室共同组成。在 2004-14 年期间，e-Motion 项目团队收到了多个国际评估小组的出色反馈：2009 年 3 月的 Inria 机器人评估研讨会、2010 年 2 月的法国 AERES 对 LIG 实验室的评估（e-Motion 项目团队得分为 A+）以及 2013 年 3 月的 Inria 机器人评估研讨会。
拜耳与Orbia Netafim扩大合作以推进...
以色列特拉维夫和德国蒙海姆，2024 年 11 月 19 日——Orbia 的精准农业业务 Netafim 和拜耳今天宣布扩大战略合作，首先是为水果和蔬菜种植者提供新的数字农业解决方案。通过简化原始数据收集并提供可以根据这些数据生成定制建议的系统，新解决方案旨在帮助种植者最大限度地提高作物产量并优化资源利用，从而最大限度地减少对环境的影响。虽然近年来数字工具的采用有所增加，但目前园艺领域可用的数字工具并没有全面满足种植者的需求。许多蔬菜和水果种植者在多个软件应用程序之间切换时遇到挑战，而当今解决方案的孤立性质增加了日常活动的复杂性，而不是简化它们。作为两家公司扩大合作的一部分，拜耳开发了一个名为 HortiView 的新数字平台，以简化水果和蔬菜种植的原始数据收集和共享，使种植者能够从支持数据驱动决策和市场准入的互联农艺服务生态系统中受益。与此同时，Orbia Netafim 还开发了灌溉见解，可通过 HortiView 平台获取。这些定制的灌溉建议并非“一刀切”的方法，而是根据种植者在 HortiView 中提供的主要数据，为每个种植者量身定制。此次合作还将扩展到包括与 GrowSphere™ 的连接，这是 Orbia Netafim 的一体化灌溉操作系统，具有优化的灌溉、作物保护和水肥一体化应用。拜耳作物科学部门水果和蔬菜数字新价值主管 Chris Pienaar 表示：“数字技术在园艺中提供了巨大的价值，但这些数字工具很少协同工作，种植者很难在数据模型中使用自己的数据来帮助他们优化作物生产利用。”“拜耳和 Orbia Netafim 可以解决这些痛点，并为种植者提供一个平台，该平台可以根据他们独特的环境、种植方式和作物生成定制建议。”一小部分种植者顾问目前正在使用新解决方案并提供反馈，以告知未来更广泛的可用性。 Orbia Netafim 和拜耳通过结合各自的优势，旨在通过由原始数据驱动的洞察力为园艺客户提供利益，帮助他们优化决策、最大限度地提高作物产量、节省农业投入并提高运营效率。此次扩大的合作建立在 Orbia Netafim 和拜耳之间的长期合作关系之上，双方在包括“更好的生活农业”计划在内的各种活动上有着成功的合作历史。为美国杏仁种植者提供农作物保护解决方案，并开展联合项目以支持欧盟的 Farm2Fork 计划。除了悠久的历史和最近通过数字解决方案为水果和蔬菜种植者提供服务的努力之外，拜耳和 Orbia Netafim 还将继续探索如何合作，推动所有类型的农业和互联价值链中更好的数字连接。
巴约西亚后的机器学习耶利米亚knoblauch
摘要在这次演讲中，我对机器学习社区的e orts提供了我的观点，以避免具有贝叶斯特征的推理程序，这些特征超出了贝叶斯作为认识论原则的统治。我将解释为什么需要这些效果以及它们采取的形式。着眼于我对领域的一些贡献，我将探讨社区中一些最重要的里程碑以及未来的挑战。在整个过程中，我将提供领域的成功案例，并强调一旦我们敢于超越正统贝叶斯程序，这些新机会向我们开放。
贝叶斯结构学习，具有参数边缘的计数数据：对微生物群的应用
高维和异质计数数据在各种应用领域收集。在本文中，我们仔细研究了有关微生物组的高分辨率测序数据，这些数据使研究人员能够研究整个微生物群落的基因组。揭示这些社区之间的潜在互动对于学习微生物如何影响人类健康至关重要。为了从类似的多元计数数据中进行结构学习，我们开发了一个具有两个关键元素的新型高斯副图形模型。首先，我们采用参数回归来表征边际分布。此步骤对于适应外部协变量的影响至关重要。忽略这种调整可能会在推断基础依赖网络的推断中引起扭曲。其次，我们基于适合高维度的计算效率搜索算法的贝叶斯结构学习框架。该方法返回边缘效应和依赖性结构的同时推断，包括图不确定性估计。一项模拟研究和微生物组数据的真实数据分析突出了所提出的方法在从多元计数数据中推断网络的适用性，尤其是与微生物组分析的相关性。提出的方法是在R软件包BDGraph中实现的。关键字：Copula图形模型，离散的Weibull，链接预测，结构学习，微生物组
与贝叶斯（Co-）飞行员的实验计划
在这次演讲中，我将讨论我们最近将贝叶斯ML工具整合到实验实验室工作流程中的一些努力。通过用专家知识增强ML以改善决策来解决数据限制。使用合成化学和共轭有机材料发现的示例，该讨论将强调ML支持基于实验室决策的机会和挑战。
贝叶斯相似度加权聚合用于联合脑肿瘤分割
度量贝叶斯+UCB SimAgg RegAgg 模拟时间（小时） 47.45 78.14 78.13 预计收敛分数 0.7264 0.7273 0.7227 DICE 标签 0 0.9977 0.9978 0.9980 DICE 标签 1 0.6844 0.6657 0.6561 DICE 标签 2 0.7257 0.6430 0.6665 DICE 标签 4 0.7464 0.7603 0.7313
贝叶斯优化函数在图中的节点子集
我们解决了图表中节点子集上定义的功能优化的问题。鉴于其组合，黑盒和昂贵的评估性质，这种功能的优化通常是一项非平凡的任务。尽管文献中已经引入了各种算法，但大多数是特定于任务或计算效率低下的算法，并且仅利用图形结构的信息而不考虑函数的特征。为了解决这些限制，我们利用贝叶斯优化（BO），一种样品有效的黑盒求解器，并提出了一个新颖的框架，以在图形上进行组合优化。更具体地说，我们将原始图中的每个k节点子集映射到新组合图中的节点，并采用局部建模方法，通过使用递归算法逐步采样其子图，以有效地穿越后者。合成和现实世界中的广泛实验证明了拟议的BO框架在各种类型的图形和优化任务上的有效性，其中通过消融研究详细分析了其行为。可以在github.com/leonresearch/graphcombo上找到实验代码。
用beta产品内核对有限域进行优化
使用高斯工艺（GP）和Matérn和径向基函数（RBF）协方差函数的贝叶斯优化通常用于优化黑盒功能。Matérn和RBF内核没有对函数域的任何假设，这可能会限制其在有限域中的适用性。为了解决限制问题，我们引入了一个非平稳β单元Hyper-Cube（BUC）内核，该内核是由Beta分布密度函数的产物诱导的，并允许在有界域上建模功能。为了提供理论见解，我们在使用BUC内核的GP上限置信度（GP-UCB）算法时提供了信息增益和累积后悔界限的分析。我们的实验表明，在不同问题中，BUC内核始终优于众所周知的Matérn和RBF内核，包括合成功能优化以及视觉和语言模型的压缩。
智能机器时代的贝叶斯
18 世纪，托马斯·贝叶斯 (Thomas Bayes) 提出了一个激进的想法：用概率来表示我们认为假设正确的程度 (Bayes, 1763/1958)。他在一场赌博游戏中这样做：在经历了一定数量的输赢之后，你赢的概率有多大？使用概率论根据数据更新我们的信念程度的想法是我们现在所说的贝叶斯规则的基础（见图 1）。贝叶斯可能认为他的工作具有较低的概率，而这一模型在 200 多年后成为贝叶斯认知模型的基础，该模型从理性信念更新的角度解释人类行为（例如，Griffiths 等人，2010 年）。贝叶斯认知模型解释了归纳推理——从有限的数据得出不确定结论的过程，例如根据在对话中听到的新词推断其含义。在贝叶斯模型中，这种推断是将数据（例如，你听到新词的上下文）与我们对世界的现有期望（例如，对一个词可能具有何种含义的期望）相结合的结果。这些期望以假设的“先验分布”来表达，更合理的假设具有更高的先验概率。这捕捉到了学习者的“归纳偏差”——那些影响学习者选择的假设的数据以外的因素（Mitchell，1997）。先验分布可以定义为