XiaoMi-AI文件搜索系统
World File Search SystemBayesian
人类与人工智能互补性的贝叶斯模型
人工智能 (AI) 和机器学习模型越来越多地应用于实际应用。在许多此类应用中，人们强烈希望开发混合系统，使人类和 AI 算法能够协同工作，充分利用两者互补的优势和劣势。我们开发了一个贝叶斯框架，用于结合人类和机器的预测和不同类型的置信度分数。该框架使我们能够研究影响互补性的因素，其中人类和机器预测的混合组合比单独的人类或机器预测组合产生更好的性能。我们将此框架应用于一个大规模数据集，其中人类和各种卷积神经网络执行相同的具有挑战性的图像分类任务。我们从经验和理论上表明，即使人类和机器分类器的表现不同，只要这些准确度差异在由人类和机器分类器置信度分数之间的潜在相关性确定的范围内，就可以实现互补性。此外，我们证明，通过区分人类和机器分类器在不同类别标签上犯的错误，可以提高混合人机性能。最后，我们的结果表明，引出并纳入人类信心评级可提高贝叶斯组合模型的混合性能。我们的方法适用于涉及人类和机器算法的各种分类问题。
具有最佳贝叶斯学习的神经自联想
神经联想记忆是具有快速突触学习的单层感知器，通常存储神经活动模式对之间的离散关联。先前的研究分析了在独立模式成分和异质关联的朴素贝叶斯假设下的最佳网络，其任务是从输入到输出模式学习关联。在这里，我研究了用于自动关联的最优贝叶斯联想网络，其中输入层和输出层相同。特别是，我将性能与近似贝叶斯学习规则的不同变体（如 BCPNN（贝叶斯置信传播神经网络））进行比较，并尝试解释为什么有时次优学习规则比（理论上）最优模型实现更高的存储容量。事实证明，性能可能取决于违反“朴素贝叶斯”假设的输入成分的微妙依赖关系。这包括具有恒定数量的活动单元的模式、通过循环网络重复传播模式的迭代检索以及最可能单元的赢家通吃激活。如果所有学习规则都包含一种新的自适应机制来估计迭代检索步骤 (ANE) 中的噪声，则其性能可以显著提高。具有 ANE 的贝叶斯学习规则再次实现了整体最大存储容量。
具有贝叶斯语义的高级信息融合
人类比计算机更善于收集各种信息，并将它们关联成连贯的图像，但错误率仍然很高。例如，情报分析员可以将道路的图像和视频与观察员报告的车队在下午早些时候经过的报告相关联，并得出结论，这是参与该道路 10 英里外恐怖袭击的同一支车队。这些结论基于对卡车和汽车在每种媒体（视频、图像、人类报告）中的表现方式以及汽车、道路、车队等之间的时间和空间关系的隐性理解。计算机程序要从同一组来源执行相同的推理，它必须拥有相同类型的知识。将这些知识传达给计算机程序需要一种方法来使人类的隐性知识明确和正式化，以便在需要时可以检索和使用。
HIMA：高维中介分析
pqrbayes包装。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2覆盖范围。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>3个数据。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。4估计。PQRBAYES。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 pqrbayes。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 pqrbayes.select。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 Predive_pqrbayes。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 print.pqrbayes。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 print.pqrbayes.pred。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 print.pqrbayes.select。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13
贝叶斯大脑与精神分裂症患者的合作沟通
我们的社会世界是一个不断变化的环境，其中人类同胞产生无数的言语和非言语信号。 为了确保生存，我们必须从周围的复杂性中感知某些规律。 无法应对这一日常挑战可能会让一些人付出惨重代价；社交接触会引发多种精神症状，而社交退缩会至少暂时降低这些症状的强度。 2 例如，混乱（或形式思维障碍）是精神分裂症的主要特征之一，主要表现为社交背景下合作交流的中断。 虽然现在许多技术进步使我们能够在实验室中研究“社交”互动因子（例如，参见 Kingsbury 及其同事 3 ），但很少在社交接触的神经机制背景下研究精神症状。 为了应对这一挑战，我们需要实证工具来从两个人的视角开始研究社交互动的动态神经框架。在本篇社论中，我们首先介绍了这样一种工具：一种新兴的“主动推理”视角，用于两个人之间的合作沟通。然后，我们介绍了精神分裂症中形式思维障碍的双脑问题，作为其实用性的典型案例，并将由此产生的理论预期映射到该结构的已知迹象上。最后，我们重点介绍了在主动推理框架中对形式思维障碍进行投射而产生的几个实验机会。
自然后网络：深贝叶斯...
不确定性意识对于开发可靠的机器学习模型至关重要。在这项工作中，我们建议对目标分布属于指数族的任何任务的快速和高质量不确定性估计进行自然后网络（NATPN）。因此，NATPN发现用于分类和常规回归设置的应用。与以前的许多方法不同，NATPN在培训时不需要分发（OOD）数据。取而代之的是，它利用标准化流量将单个密度拟合在学习的低维和依赖性潜在空间上。对于任何输入样本，NATPN使用预测的可能性对目标分布进行贝叶斯更新。从理论上讲，NATPN分配了远离培训数据的高不确定性。从经验上讲，我们对校准和OOD检测的广泛实验表明，NATPN为分类，回归和计数预测任务提供了高度竞争性的绩效。
有效的批处理贝叶斯优化...
摘要 - Bayesian优化是模拟电路合成的有前途的方法。但是，贝叶斯优化框架的顺序性质显着限制了其充分利用现实世界计算资源的能力。在本文中，我们提出了一种通过多目标采集函数集合（MACE）进行有效的可行贝叶斯优化算法，以进一步加速优化过程。通过对改进概率（PI），预期改进（EI）和较低置信（LCB）的帕累托阵线进行抽样查询点，我们结合了最新的艺术习得功能的利益，以实现探索和剥削之间的精致折衷和无限限制的优化问题之间的脆弱交易。基于此批处理设计，我们进一步调整了约束优化问题的算法。通过将优化过程分为两个阶段，并首先关注找到初始可行点，我们设法获得了有关有效区域的更多信息，并可以更好地避免在不可行的区域周围采样。达到了第一个可行点后，我们通过对收购函数集合采用特殊设计的惩罚术语来赞成可行的区域。实验结果定量地表明，与批处理大小为15时，与差分进化（DE）相比，我们提出的算法可以将总体仿真时间减少到74倍（DE）。对于受限的优化问题，与基于加权的基于预期改进的贝叶斯优化（WEIBO）方法相比，我们提出的算法可以将优化过程高达15倍，当批处理大小为15时。
评估不确定性和计算的贝叶斯方法...
1999 年 10 月，《米制公约》38 个成员国的国家计量机构负责人签署了一份名为《相互承认协议》（MRA）[1] 的文件，涉及国家计量标准。MRA 的目标是建立国家计量机构维护的国家计量标准的等效度，承认机构提供的校准和测量服务，从而为更广泛的国际贸易协议建立安全的技术基础。实现这些目标的过程是通过称为关键比较的国际测量比较来实现的。关键比较的总体协调由国际度量衡局 (BIPM) 在国际度量衡委员会 (CIPM) 的授权下进行。有关协议的详细信息可在 BIPM 网站 http://www.bipm.fr 上找到。
基于ICR的运动运动学，用于固定斜坡上的轮式滑动车辆*
对于移动机器人在实际环境中运行，必须正确执行本地化，映射和导航等基本任务。这些任务强烈依赖于对环境的充分感知，在某些情况下，由于场景的本质，某些传感器的运行有限，甚至两者兼而有之，这在某些情况下可能具有挑战性。移动机器人应该能够智能地识别和克服异常情况，以避免感觉故障。我们在这项工作中提出了一种基于贝叶斯网络的新方法，该方法可以自然地代表传感器之间的复杂关系，能够整合异质的知识来源，从而扣除感觉异常的存在，并通过使用可用信息从它们中恢复。高度计算成本由一种利用我们模型结构的新算法来解决。我们的建议已在几个模拟中进行了评估，并且还在使用移动机器人的真实环境中进行了测试。获得的结果表明，与其他现有方法相比，它可以达到更好的性能和准确性，同时增强了整个感觉系统的鲁棒性。