XiaoMi-AI文件搜索系统
World File Search SystemBayesian
贝叶斯因果图和不确定性定量中的实习和博士位置 - 应用于同步线的光线上的异常检测
DALLIAE项目旨在提出一种基于因果（贝叶斯）图[4，5]的通用方法，以检测光束线实验期间的异常及其可解释性。在因果图中，我们将特别关注定向的无环图（DAG）[1]。目标是引入层次因果图，并利用替代因果模型的概念来识别最相关的简单（单参数）和关节（Pa-Rameter组合）因果关系，这些因果链接表征了异常原因的原因。这种方法是必不可少的，这是由于仪器的多尺度性质和完整的梁线，这需要对不同尺度上的因果关系有细微的理解。我们还将专注于量化与已确定的因果链接相关的不确定性，以确保其相关性。由于各种工具，参数[1，3]，在实验[2]中的修改，关节效应的组合数量以及数据中异常代表性不足，因此对因果关系的搜索更加困难。在实践中，此方法将限制主要X射线或激光器仪器的操作异常的影响，以了解光束特性与光束线光学元件的物理参数之间的联系。可以随着时间的推移观察到突然的或慢的异常/变化，例如聚焦畸变直接影响测量的质量和速度。尽管AI文献中有许多异常检测方法，但它们通常基于相关性，这在传达因果关系方面无效。因此，理解和征询这些故障的原因以及与最佳测量链性能的偏差对于快速响应和梁线或激光器操作的最大可靠性至关重要。因此，该项目的目的是根据因果图提出可解释的AI，以支持光束线操作员和科学家。任务是开发基于因果关系的模型来确定涉及异常的传感器参数。该方法将补充在合适的时间范围内进行纠正措施的诊断工具。因此，可以将工作分为以下任务：
时空综合贝叶斯物种分布模型显示，性状和范围转移之间缺乏广泛的关系
fi g u r e 2研究中观察到的范围偏移概述。（a）研究中存在的原始存在和不存在数据以及存在估计值的后中值。原始观测图上的红点/正方形显示原始物种的检测，而黑点/正方形显示非探测。点代表ebird数据记录，正方形代表Bird Atlas Records。模型估计图中的颜色梯度图显示了该模型估计的存在的可能性，其中更多的黄色表示存在的概率更高。深蓝色和深紫色概述了与示例物种相对应的范围变化的数量。深蓝色：Kori Bustard（Ardeotis kori）；深紫色：von der Decken的Hornbill（Tockus deckeni）。（b）在1980 - 1999年和2000- 2020年之间，单个物种范围移动的相对变化因子分为总范围变化，有意义的收缩分数和有意义的扩张得分。y轴上的值以线性尺度表示。1的相对变化因子对应于收缩或扩张（损失或获得等于机会区域的区域）的无意义变化，而总范围变化没有变化（1980- 1999年的范围等于2000 - 2020年的范围）。一个相对变化因子为2，对应于面积的两倍，而面积减半的系数为0.5。
使用贝叶斯深学习方法估算基于代理的模型
▶在一项重要的工作中，Del Negro和Schorfheide（2009）提出了DSGE-VAR程序，该程序将结构性宏观经济模型（DSGE模型）的先前信息纳入了VAR模型
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。
使用贝叶斯模型和机器学习的银河系中的系外行星
已经知道了几个相关年龄相关的过程。例如，许多系外行星可能在恒星辐射的影响下可能遭受近乎完全的大气损失（Fulton等人。2017，van Eylen等。 2018），无论是在其生命的头亿年（例如Owen＆Wu 2013）还是在数十亿年（Gupta＆Schlichting 2019）。 即使气氛幸存下来，它们的性质也会随着数十亿年的时间表的冷却而变化（Lopez＆Fortney 2014）。 同时，系外行星的岩心是由Fe，Mg和Si等元素制成的。 随着星系的发展，这些元素的相对丰度发生了变化，最近显示出恒星的丰度和小行星的密度是连接的（Adibekekyan等人。 2021），观察到岩石行星组成与恒星年龄之间的直接联系（Weeks等人 2024）。2017，van Eylen等。2018），无论是在其生命的头亿年（例如Owen＆Wu 2013）还是在数十亿年（Gupta＆Schlichting 2019）。即使气氛幸存下来，它们的性质也会随着数十亿年的时间表的冷却而变化（Lopez＆Fortney 2014）。同时，系外行星的岩心是由Fe，Mg和Si等元素制成的。随着星系的发展，这些元素的相对丰度发生了变化，最近显示出恒星的丰度和小行星的密度是连接的（Adibekekyan等人。2021），观察到岩石行星组成与恒星年龄之间的直接联系（Weeks等人2024）。
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。
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。