XiaoMi-AI文件搜索系统
World File Search SystemBayesian
ddml：双/辩护机器学习
描述变量选择方法已被广泛开发用于分析频繁主义者和贝叶斯框架中的高级幻象数据。此软件包可以通过沿贝叶斯分层模型的线进行开发的尖峰和单位分位数（组）套索的实现，但通过使用预期 - 示数（EM）algorithm的频繁定期化方法深深地植根于频繁的正规化方法。与其非稳定替代方案（同样在包装中也实现）相比，Spike and-Slab tile lasso可以根据偏斜性和异常值来处理数据不规则性。此外，还以对高维纵向数据的分位数/最小平方不同的系数混合效应模型的形式进行了拟合尖峰和slab分位数套索及其非舒适对应的程序。此软件包的核心模块是在“ C ++”中开发的。
相干性相对熵量化贝叶斯计量学的性能
1 A*STAR 量子创新中心 (Q.Inc)、材料研究与工程研究所 (IMRE)、新加坡科学技术研究局 (A*STAR)、2 Fusionopolis Way, 08-03 Innovis，新加坡 138634，新加坡 2 冲绳科学技术研究生院量子机器部门，冲绳恩纳 904-0495，日本 3 澳大利亚国立大学量子计算与通信技术中心量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 4 澳大利亚国立大学量子科学与技术系，澳大利亚首都领地 2601，澳大利亚 5 新加坡国立大学量子技术中心，3 Science Drive 2，新加坡 117543，新加坡 6 Horizon Quantum Computing，05-22 Alice@Mediapolis，29 Media Circle，新加坡 138565，新加坡 7 高性能计算研究所，科学技术局新加坡科技研究局 (A*STAR) 新加坡 138634 新加坡 8 南洋量子中心，南洋理工大学物理与数学科学学院，21 Nanyang Link，新加坡 639673，新加坡 9 MajuLab，CNRS-UNS-NUS-NTU 国际联合研究单位，UMI 3654，新加坡 117543，新加坡
复发性胶质母细胞瘤的最佳疗法：贝叶斯网络荟萃分析
复发性胶质母细胞瘤（GBM）的最佳治疗仍然有争议。因此，我们的研究旨在比较和对复发性GBM中的主动疗法进行比较。我们进行了系统的审查和贝叶斯网络荟萃分析。我们在累积排名曲线和平均等级下使用表面获得了处理层次结构。进行了群集分析，以汇总三个结果的分离结果。该协议已在Prospero（CRD42019146794）注册。总共确定了1,667次引用，并在最终网络荟萃分析中保留了17篇合格文章，其中17篇治疗保留。成对比较表明，在6个月无进展生存率（6-M PFS）率，客观响应率（ORR）和总生存期（OS）上没有显着差异。在报告中，Cediranib Plus Lomustine（CCNU）对应于3-4级不良事件的最高率。排名和聚类分析表明，贝伐单抗（BEV）加上CCNU和Regorafenib在ORR上具有较高的效率，6-M PFS速率和OS，并且BEV单一疗法或BEV与活性药物疗法合并为ORR和6-M PFS速率是有利的。此外，肿瘤治疗场（TTF）和BEV在OS中显示出相对较高的Sucra值。根据排名和聚类分析，BEV Plus CCNU和Regorafenib是治疗的主要建议。在患有严重神经系统症状的患者中，建议单独使用BEV单一疗法或与活性药物疗法结合使用。晚期治疗，例如TTF和免疫疗法，在未来的研究中仍有待研究。
折叠家庭调查的贝叶斯优化针对有向蛋白的进化
定向进化（DE）是一种蛋白质工程技术，涉及诱变和筛选以搜索优化给定特性的序列（例如将有效绑定到指定目标）。不幸的是，潜在的优化问题不确定，因此引入的突变以提高指定特性可能是以未定的，但重要的属性为代价的（例如，亚细胞定位）。我们试图通过将折叠的正则化因子纳入优化问题来解决这个问题。正则化因子偏向于类似于蛋白质所属折叠族的序列的设计的搜索。我们将方法应用于具有与IgG-FC的官能测量值的大型蛋白质GB1突变体库。我们的结果表明，正则化优化问题会产生更多类似天然的GB1序列，而结合效率仅略有下降。特别是，在GB1折叠族的生成模型下，我们的设计的对数比没有正则化的生成模型高41-45％，而结合效果仅下降了7％。因此，我们的方法能够在竞争性状之间进行交易。此外，我们证明了我们的主动学习驱动方法可将湿lab负担降低，以识别最佳的GB1设计，相对于Arnold Lab在同一数据上的最新结果。
用于 NMR 模型推断的量子近似贝叶斯计算
过去几年中，量子技术面临的核心挑战之一是寻找近期量子机器的有用应用 1 。尽管在增加量子比特数量和提高其质量 2、3 方面已经取得了长足的进步，但在不久的将来，我们预计可靠门的数量将受到噪声和退相干的限制——即所谓的嘈杂中尺度量子时代。因此，提出了混合量子-经典方法，以充分利用现有的量子硬件并用经典计算对其进行补充。最值得注意的是，量子近似优化算法（QAOA） 4 和变分量子特征求解器（VQE） 5 的发展。这两种算法都使用量子计算机来准备变分状态，其中一些变分状态可能无法通过经典计算获得，但使用经典计算机来更新变分参数。已经进行了大量实验，证明了这些算法的可行性 6 – 8 ，但它们对现实问题的影响仍不清楚。在基于模型的统计推断中，人们经常面临类似的问题。对于简单模型，可以找到似然值并使其最大化，但对于复杂模型，似然值通常是难以处理的 9,10。NMR 波谱就是一个很好的例子。对于应该使用的模型类型有很好的理解（公式 (1)），人们只需要确定适当的参数。然而，计算特定模型的 NMR 波谱需要在指数级大的希尔伯特空间中执行计算，这对经典计算机来说极具挑战性。这一特性是提出将 NMR 作为量子计算平台的最初动机之一。尽管已经证明 NMR 实验中不存在纠缠 12,13，但强相关性使其在经典上难以处理；也就是说，算子 Schmidt 秩呈指数增长，例如，这禁止有效的表示
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
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
利用贝叶斯网络进行排雷传感器建模和特征级融合
摘要—开发了一种获取传感器测量过程的贝叶斯网络 (BN) 表示的方法，以便从统一的角度处理传感器融合和管理问题。传感器数据中嵌入的不确定性、可靠性和因果信息用于构建传感器的 BN 模型。该方法用于为人道主义排雷建模探地雷达、电磁感应和红外传感器。采用结构和参数学习算法在 BN 模型中对地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和不同环境条件的情况下，使用推理来估计目标特征。开发了一种基于 BN 模型的多传感器融合技术，以利用传感器测量值的互补性。通过相同的方法，可以获得 BN 分类器来估计目标类型。 BN 模型和分类器还计算所谓的置信度，以量化与特征估计和分类决策相关的不确定性。通过实施这些 BN 工具来检测和分类具有不同形状、大小、深度和金属含量特征的金属和塑料地雷，证明了该方法的有效性。通过 BN 融合，特征估计的准确度相对于单传感器测量提高了 64%，并且同时检测到和分类的物体数量增加了 62%。
通过应用程序
摘要：贝叶斯优化（BO）在大量控制应用程序中对昂贵的黑盒功能进行全局优化的数据效果表现出了巨大的希望。传统的BO是无衍生的，因为它仅依赖于性能函数的观察来找到其最佳。最近，已经提出了所谓的第一阶BO方法，该方法还将绩效函数的梯度信息进一步加速收敛。一阶BO方法主要利用标准采集功能，而间接使用内核结构中的梯度信息来学习性能功能的更准确的概率替代物。在这项工作中，我们提出了一种直接利用性能函数（Zeroth-order）及其相应梯度（第一阶）评估的梯度增强的BO方法。为此，提出了一个新型的基于梯度的采集功能，可以识别性能优化问题的固定点。然后，我们利用从多目标优化的想法来制定一种e显策略，以找到最佳贸易点的查询点，这些查询点是传统的Zeorth-rorder-rorde获取功能与拟议的基于梯度的采集函数之间的。我们展示了如何使用拟议的获取 - 增强梯度增强的BO（AEGEBO）方法来加速基于策略的增强型学习的收敛，通过将噪声观察结果结合到可以直接从闭环数据中估算的奖励函数及其梯度的噪声。将AEGBO的性能与传统的BO和基准LQR问题上众所周知的增强算法进行了比较，我们始终如一地观察到在有限的数据预算中显着提高了性能。