XiaoMi-AI文件搜索系统
World File Search SystemBayesian
使用多项式混乱扩展和深层生成网络
马尔可夫链蒙特卡洛（MCMC）方法的实现需要面对两个有趣的挑战：准确表示先验信息和可能性功能的效果。通常可以通过标准减少维度降低技术（例如主成分分析（PCA））来促进先前分布的定义和采样。此外，基于PCA的分解可以基于多项式混沌扩展（PCE）实现准确的替代模型。wever，具有鲜明对比的内在地质先验可能需要先进的维度减少技术，例如深生成模型（DGM）。尽管适用于先前的抽样，但这些DGM对替代建模构成了挑战。在此贡献中，我们提出了一种MCMC策略，该策略将DGM的高重建性能以变量自动编码器的形式与PCA – PCE替代建模的准确性相结合。此外，我们还引入了一个具有物理信息的PCA分解，以提高准确性并减少与替代建模相关的综合负担。在使用通道的子表面结构的贝叶斯地面雷达旅行时间断层扫描的背景下，我们的方法是例证的，提供了准确的重建和显着的加速速度，尤其是当全相正向模型的计算计算时。
UC旧金山先前出版的作品
大脑功能连通性与结构连通性之间的关系引起了神经科学界的广泛关注，通常使用数学建模推断出。在许多建模方法中，光谱图模型（SGM）具有独特性，因为它具有大脑振荡的宽带频率光谱的封闭形式解，仅需要全球生物物理解释的参数。虽然SGM在参数方面是简单的，但SGM参数的确定是非平凡的。先前在SGM上的工作通过计算密集型退火算法确定参数，该算法仅提供一个点估计值，而没有置信区间的参数估计。为了填补此空白，我们结合了基于仿真的推理（SBI）算法，并开发了一种贝叶斯程序来推断SGM参数的后验分布。此外，使用SBI大大减轻了推断SGM参数的计算负担。我们评估了健康受试者的静止状态磁脑摄影记录上提出的SBI-SGM框架，并表明所提出的程序在恢复功率光谱和Alpha频带的空间分布方面具有与退火算法相似的性能。此外，我们还分析了参数之间的相关性及其与后验分布之间的不确定性，而后验分布无法通过退火推断进行。这些分析对SGM生物物理参数之间的相互作用提供了更丰富的理解。通常，基于模拟的贝叶斯推理的使用可以实现生成模型参数不确定性的强大而有效的计算，并可能为在临床翻译应用中使用生成模型铺平道路。
使用延时显微镜图像
摘要：（2 s） - eriodictyol（ERD）是一种在柑橘类水果，蔬菜和具有神经保护性，心脏保护性，抗糖尿病和抗肥胖作用的不良药物植物中广泛发现的avonoid。但是，ERD的微生物合成受复杂的代谢途径的限制，并且通常导致生产较低。在这里，我们通过调节ERD合成途径的代谢来设计酿酒酵母。结果表明，ERD滴度有效增加，中间代谢物水平降低。首先，我们成功地重建了酿酒酵母中p-奶油酸的从头合成途径，并使用启动子工程和终端工程进行了代谢途径，用于高级生产（2 s） - 纳林宁。随后，通过从Tricyrtis hirta引入Thf3'H基因来实现ERD的合成。最后，通过乘以Thf3'h基因的拷贝数，ERD的产生进一步增加，达到132.08 mg l -1。我们的工作强调了调节代谢平衡以在微生物细胞工厂生产天然产物的重要性。
通过混合效应模型和分层聚类学习具有异质性农艺数据集的学习贝叶斯网络
玉米是一种在广阔地区，尤其是撒哈拉以南非洲，亚洲和拉丁美洲的全球种植的关键农作物，截至2021年，占地1.7亿公顷。已经设计了各种统计和机器学习模型，包括混合效应模型，随机系数模型，随机森林和深度学习体系结构，以预测玉米的产量。这些模型考虑了诸如基因型，环境，基因型 - 环境相互作用和现场管理等因素。但是，现有模型通常没有完全利用这些因素之间的因果关系的复杂网络以及农艺数据固有的层次结构。这项研究引入了一种创新的方法，将随机效应整合到贝叶斯网络（BNS）中，利用其通过定向无环形图对因果关系和概率关系进行建模的能力。植根于线性混合效应模型框架并为分层数据量身定制，这种新颖的方法表明了增强的BN学习。应用于现实世界的农艺试验，可产生一个改善解释性的模型，并揭示了新的因果关系。值得注意的是，提出的方法将玉米收益率预测的错误率从28％降低到17％。这些结果倡导BN在为层次农艺数据构建实际决策支持工具中的偏好，从而促进因果推断。
基于贝叶斯混合效应模型的多响应鲁棒参数设计
在可盖实验的鲁棒参数设计中，每个块内响应观测值的相关性和模型参数不确定性通常会影响获得理想的工作条件。在本文中，建议基于贝叶斯混合回归的多响应表面建模和优化方法来解决上述问题。首先，混合效应模型被合并到贝叶斯框架中，并使用贝叶斯定理得出模型参数的后验分布。其次，使用混合蒙特卡洛算法来计算模型参数。第三，构建满足规范的预期质量损失函数是为了减少异常值对优化结果的影响，并且通过混合遗传算法获得了最佳因素设置。此外，后验概率用于评估优化结果的符合性。最后，使用添加剂制造过程的模拟研究和现实世界示例来说明该方法的生存能力。与当前技术相比，所提出的方法可以减少模型不确定性对建模和优化结果的影响，从而导致更合适和强大的优化结果。
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个应用领域收集。在本文中，我们仔细研究了有关Mi-Crobiome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gaussian popula图形模型。首先，我们采用参数回归来表征边际分布。此步骤对于分配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义务网络的推理中引起扭曲。其次，我们基于适合高维度的计算有效搜索算法的贝叶斯结构学习框架。该方法返回边缘效应和降低结构的同时推断，包括图形不确定性估计。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从一般的多元计数数据中推断网络的适用性，尤其是对微生物组分析的关系。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
证据网络：快速，摊销，神经贝叶斯模型比较的简单损失
抽象证据网络可以在最先进的方法时启用贝叶斯模型比较（例如嵌套采样）失败，即使可能性或先验是棘手或未知的可能性。贝叶斯模型比较，即贝叶斯因素或证据比率的计算可以作为优化问题。尽管贝叶斯对最佳分类的解释是众所周知的，但在这里，我们更改了透视和当前类别的损失函数，这些损失功能会导致快速，摊销的神经估计器，这些神经估计器直接估计贝叶斯因子的方便功能。这种减轻与估计单个模型概率相关的数值不准确性。我们介绍了泄漏的奇偶校验功率（L-pop）变换，从而导致了新型的“ L-pop-timpential”损失函数。我们探讨了不同模型中数据概率的神经密度估计，这表明与证据网络相比，它的准确和可扩展性不那么准确和可扩展性。多个现实世界和综合示例说明，证据网络明确地独立于参数空间的维度，并与后验概率密度函数的复杂性温和地缩小。这种简单而强大的方法对模型推理任务具有广泛的影响。作为证据网络在现实世界数据中的应用，我们计算了两个模型的贝叶斯因子，该模型具有暗能量调查的重力镜头数据。我们简要讨论了我们的方法在隐式推理设置中的其他相关的模型比较和评估问题。
从量子系统的多个副本中提取贝叶斯网络
简介。算符本征态之间的转换概率在量子力学中起着核心作用。假设驱动系统在时间 t 1 处于给定本征态 | j 1 ⟩ ，则系统在稍后时间 t 2 处于本征态 | j 2 ⟩ 的概率为 P j 1 ,j 2 = |⟨ j 2 | U ( t 2 − t 1 ) | j 1 ⟩| 2 ，时间演化算符为 U ( t 2 − t 1 ) [1]。则测量相应本征值 j 1 和 j 2 的概率为 P j 1 ,j 2 P j 1 ，其中 P j 1 是初态的占据概率。这种联合概率通常通过投影测量确定 [1]。然而，本征态的相干叠加可能对动力学产生深远影响，在量子理论中无处不在 [2]。由于射影测量会破坏线性组合，因此开发非射影方法来测量（多个）任意状态之间的联合概率至关重要。在这方面，动态贝叶斯网络提供了一种强大的形式化方法，可以分析一组与时间相关的随机量的条件依赖关系。在这种方法中，动态变量之间的关系通过经贝叶斯规则评估的条件概率来指定 [3–6]。它们在统计学、工程学和计算机科学中得到了广泛的应用，用于在概率模型中对时间序列进行建模。具体的应用包括预测未来事件、推断隐藏的
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。
大规模疫苗接种政策和控制措施对泰国肿块皮肤病病例的影响：贝叶斯结构时间序列分析的见解
方法：分析了2021年3月至9月在泰国每周新的LSD病例的数据。使用贝叶斯结构时间序列（BST）分析来评估在干预前（疫苗接种运动之前）和干预后阶段（疫苗接种运动之后）中新的LSD病例之间的因果关系。评估涉及两种不同的情况，每种情况由估计有效的干预日期确定。在两种情况下，在大规模疫苗接种计划之后都观察到新的LSD病例的持续下降，而其他控制措施，例如动物运动，昆虫控制的限制以及在整个干预前和干预阶段的限制以及主动监视方法的增强。