XiaoMi-AI文件搜索系统
World File Search SystemBayesian
x- ...
超新星（SNS）是星际介质中重要的能量来源。超新星（SNR）的年轻残留物在X射线区域显示峰值发射，使其成为X射线观测的有趣对象。尤其是，由于其历史记录，接近性和亮度，Supernova Remnant SN1006引起了极大的兴趣。因此，已对其进行了许多X射线望远镜进行了研究。改善此残留物的X射线成像是一项重要但具有挑战性的任务，因为它通常需要对图像整个对象进行不同仪器响应的多次观察。在这里，我们使用Chandra观测来证明使用信息字段理论（IFT）的贝叶斯图像重建能力。我们的目标是从X射线观测值重建，脱卷和空间 - 光谱分辨的图像，并将发射分解为不同的形态，即弥漫性和点状。此外，我们的目标是将来自不同检测器和点的数据融合到马赛克中，并量化结果的不确定性。通过利用有关扩散发射和点源的空间和光谱相关结构的先验知识，该方法允许信号有效分解为这两个组件。为了加速成像过程，我们引入了一种多步进方法，其中使用单个能量范围获得的空间重建用于得出完整时空光谱重建的知情起点。我们将此方法应用于2008年和2012年的SN1006的11个Chandra观察结果，提供了残留物的详细，剥夺和分解的观点。尤其是，弥漫发射的分离视图应提供对残留物中心和冲击前剖面中复杂的小规模结构的新见解。例如，我们的分析揭示了在SN1006的冲击阵线下，锋利的X射线通量最多增加了两个数量级。
糖尿病患者加权贝叶斯信念网络
糖尿病是一种持久的代谢疾病，这是由于血糖水平升高而导致的，这是由于体内胰岛素的不良产生或对体内胰岛素的无效利用而产生的。印度通常被标记为“世界糖尿病之都”，这是由于这种情况的广泛流行。根据国际糖尿病联合会报道，在2021年9月最新的作者最新知识最新的最新知识更新，据报道，印度约有7700万成年人受到糖尿病的影响。由于隐藏的早期症状，许多糖尿病患者无法诊断，导致治疗延迟。虽然已经利用计算智能方法来提高预测率，但这些方法的显着部分缺乏可解释性，这主要是由于它们固有的黑匣子性质。规则提取经常用于阐明机器学习算法固有的不透明性质。此外，为了解决黑匣子性质，使用了一种基于加权贝叶斯关联规则挖掘的强大规则的方法，以便提取的诊断糖尿病等疾病的提取规则可以非常透明，并且可以由临床专家易于分析，从而增强可解释性。使用UCI机器学习存储库来构建WBBN模型，证明了95.8％的性能精度。
名人因素：通过时间序列的贝叶斯建模探索影响者对 COVID-19 疫苗情绪的影响。
在线社交网络使信息能够迅速传播到世界各地，在此类平台上表达的观点可能会影响人们的决定。在 COVID-19 大流行期间，许多有影响力的公众人物利用这些社交网络分享他们对为对抗病毒而开发的疫苗的看法。许多有影响力的人鼓励接种疫苗，也有相当多的人对疫苗的有效性表示怀疑和怀疑。这项研究模拟了 11 位有影响力的人的言论对 Twitter 上表达的 COVID-19 疫苗总体情绪的影响。情绪的衡量方法是收集大流行期间关于疫苗的一系列公开推文，并根据 VADER 词典为每条推文分配一个情绪分数。使用了几种模型来分析有影响力的人的言论的影响，包括线性、顺序和基于树的模型。结果是通过基于每个模型的反事实估计构建贝叶斯结构时间序列模型获得的。结果发现，分享鼓励接种疫苗信息的影响者通常会在接下来的 20 天内增加“支持接种疫苗”推文的数量。有影响力的人分享“反疫苗接种”信息有时会导致反疫苗推文数量减少，有时会导致在接下来的 20 天内数量增加。这项研究的结果为疫苗犹豫这一复杂问题以及有影响力的人对疫苗信息的影响提供了初步的了解，并为有关这一问题的公共卫生战略提供了参考。
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。
使提示适应性：视觉的贝叶斯建模 - ...
最近预估计的视觉语言（VLP）模型已成为许多下游任务的骨干，但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中，MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力，尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架，这可以减轻几乎没有射击的学习应用程序中的过度问题，并提高提示在看不见的情况下的适应性。具体来说，建模与数据相关的先验增强了文本特征的适应性，可用于可见的和看不见的图像特征，并在其之间取决于它们之间的折衷。基于贝叶斯框架，我们在估计目标后分布中利用了Wasserstein等级流，这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善，证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
神经网络的完整贝叶斯显着性测试
显着性测试旨在确定对人口分布的提议是事实还是没有观察到。但是，传统的意义测试通常需要得出测试统计的分布，但未能处理复杂的非线性关系。在本文中，我们建议对称为N FBST的神经网络进行完整的贝叶斯象征测试，以超越传统方法的关系表征的限制。贝叶斯神经网络被用来适合非线性和多维关系的较小错误，并通过提出证据价值来避免严格的理论推导。此外，N FBST不仅可以测试全局意义，还可以测试本地和实例的意义，以前的测试方法不关注。更重要的是，n fbst是一个可以根据所选度量进行扩展的一般框架，例如gradn fbst，lrp- n fbst，deeplift- n fbst，lime-n fbst。进行了模拟和真实数据的一系列实验，以显示我们方法的优势。
贝叶斯无线电干涉校准和成像
A G. Edenhofer等。“重新启动数值信息字段理论（Nifty.RE）：高斯过程和变异推理的库”。in：（2024）。arxiv：2402.16683 [Astro-Ph.im]。
贝叶斯强化学习可靠性分析
提出了一种结合贝叶斯推断的贝叶斯强化学习可靠性方法，以实现故障概率估计和增强学习指导的顺序实验设计。以可靠性为导向的顺序实验设计被构架为有限的马尔可夫决策过程（MDP），其相关的效用函数由对克里格估计的失败概率的认知不确定性度量定义，称为综合的错误分类概率（IPM）。在此Ba-sis上，定义了一个步骤的贝叶斯最佳学习函数，称为错误分类减少的综合概率（IPMR）以及兼容的收敛标准。采取了三种有效的策略来加速IPMR信息的顺序实验设计：（i）IPMR中内部期望的分析推导，将其简化为单个期望。（ii）替换IPMR替换其上限IPMR U，以避免对其集成的元素计算。（iii）IPMR U中正交集合和候选池的合理修剪以减轻计算机内存约束。在两个基准示例和两个数值示例中证明了所提出的APACH的功效。结果表明，与其他现有学习功能相比，IPMR U促进IPM的快速减少，同时所需的计算时间比IPMR本身要少得多。因此，提出的可靠性方法在计算效率和准确性方面都具有很大的优势，尤其是在复杂的动态可靠性问题中。
使用贝叶斯不确定性定量机制和替代建模的地面热通量重建
抽象地面热通量（G 0）是高纬度区域的地面能量平衡的关键组成部分。尽管由于全球变暖而在控制多年冻土降解中其至关重要的作用，但G 0在全球尺度模型仿真的输出中却很少衡量，并且没有很好地表示。在这项研究中，使用现场测量，全球气候模型和气候重新分析输出的土壤温度序列测试了一个分析传热模型，以在整个季节重建G 0。使用可用的G 0数据（测量或建模）在自由周期中推断地面热通量和模型参数的概率密度函数作为参考。当观察到的G 0不可用时，使用表面热通量（取决于参数）作为最高边界条件的表面热通量（取决于参数）的数值模型。通过比较在几个深度下模拟和测量的土壤温度的分布来验证这些估计值（因此，相应的参数）。在未确定的状态不确定性定量方法的帮助下，开发的G 0重建方法为评估地面热通量的概率结构提供了新的手段，用于区域多年冻土变化研究。
全球变暖加速度：Hope vs Hopium常见顺序学习的贝叶斯设计原理
我们开发了一种一般理论，以优化顺序学习概率的频繁遗憾，其中有效的强盗和强化学习算法可以从统一的贝叶斯原理中得出。我们提出了一种新颖的优化方法，以在每一轮中产生“算法信念”，并使用贝叶斯后代做出决定。创建“算法信念”的优化目标，我们称其为“算法信息比”，代表了一种有效地表征任何算法的频繁遗憾的Intrinsic复杂性度量。据我们所知，这是以通用且最佳的方式使贝叶斯型算法保持不含和适用于对抗设置的第一种系统性方法。此外，算法很简单且通常可以实现。作为一种主要应用，我们为多臂匪徒提供了一种新颖的算法，该算法在随机，对抗性和非平稳环境中实现了“最佳世界”的表现。我们说明了这些原理如何在线性匪徒，强盗凸优化和增强学习中使用。