XiaoMi-AI文件搜索系统
World File Search SystemBayesian
贝叶斯网络的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对 BN 模型中的地雷特征、传感器测量值和环境条件之间的关系进行编码。在存在异质土壤和变化的环境条件的情况下，推理用于估计目标特征。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，特征估计的准确性相对于单传感器测量提高了高达 64%，并且同时检测和分类的物体数量增加了高达 62%。
用于贝叶斯认识论证据评估的人工智能方法
1.Rajkomar A、Oren E、Chen K 等人。利用电子健康记录进行可扩展且准确的深度学习。npj 数字医学。2018；1(1):1 – 10。https://doi.org/10.1038/s41746-018-0029-1。2.Paydar S、Pourahmad S、Azad M 等人。利用人工神经网络建立甲状腺结节恶性风险预测模型。《中东癌症杂志》。2016；7(1):47-52。3.Amato F、López A、Peña-Méndez EM、Va ň hara P、Hampl A、Havel J.医学诊断中的人工神经网络。J Appl Biomed。2013； 11(2):47-58。 https://doi.org/10.2478/v10136-012-0031-x。4.莫赫塔尔 AM.未来医院：业务架构视图。马来医学科学杂志。2017；24(5):1-6。 https://doi.org/10.21315/mjms2017.24.5.1。5.Liu X、Faes L、Kale AU 等人。深度学习与医疗保健专业人员在医学影像检测疾病方面的表现比较：系统评价和荟萃分析。柳叶刀数字健康。2019；1(6):e271-e297。https://doi.org/10.1016/s2589-7500 (19)30123-2。6.Nagendran M、Chen Y、Lovejoy CA 等人。人工智能与临床医生：深度学习研究的设计、报告标准和主张的系统回顾。英国医学杂志。2020；368：m689。https://doi.org/10.1136/bmj.m689。7.Panch T、Pearson-Stuttard J、Greaves F、Atun R. 人工智能：公共健康的机遇和风险。柳叶刀数字健康。2019；1 (1):e13-e14。https://doi.org/10.1016/s2589-7500(19)30002-0。8.Landes J、Osimani B、Poellinger R. 药理学中的因果推理的认识论。欧洲哲学杂志。2018；8(1):3-49。 https://doi.org/10。1007/s13194-017-0169-1。9.Abdin AY、Auker-Howlett D、Landes J、Mulla G、Jacob J、Osimani B.审查机械证据评估者 E-synthesis 和 EBM +：阿莫西林和药物反应伴有嗜酸性粒细胞增多和全身症状 (DRESS) 的案例研究。当前药学设计。2019；25（16）：1866-1880。https://doi.org/10.2174/1381612825666190628160603。10.De Pretis F，Osimani B.药物警戒计算方法的新见解：E-synthesis，一种用于因果评估的贝叶斯框架。国际环境研究公共卫生杂志。11.2019;16(12):1 – 19。https://doi.org/10.3390/ijerph16122221。De Pretis F、Landes J、Osimani B。E-synthesis：药物监测中因果关系评估的贝叶斯框架。Front Pharmacol 。2019；10：1-20。https://doi.org/10.3389/fphar.2019.01317。12。De Pretis F、Peden W、Landes J、Osimani B。药物警戒作为个性化证据。收录于：Beneduce C、Bertolaso M 编辑。个性化医疗正在形成。从生物学到医疗保健的哲学视角。瑞士 Cham：Springer；2021:19 即将出版。13.那不勒斯 RE。学习贝叶斯网络。Prentice Hall 人工智能系列。新泽西州 Upper Saddle River：Pearson Prentice Hall；2004 年。14.Hill AB。环境与疾病：关联还是因果关系？J R Soc Med。2015;108(1):32-37。本文首次发表于 JRSM 第 58 卷第 5 期，1965 年 5 月。https://doi.org/10.1177/ 0141076814562718。15.Mercuri M、Baigrie B、Upshur RE。从证据到建议：GRADE 能帮我们实现目标吗？J Eval Clin Pract 。2018;24(5):1232- 1239。https://doi.org/10.1111/jep.12857。
使用桥接进行对象跟踪中的贝叶斯意图预测...
摘要 — 在人机交互、监视和防御等多个应用领域中，确定被跟踪对象的意图可使系统协助用户/操作员并促进有效的、可能自动化的决策。在本文中，我们提出了一种概率推理方法，可以提前预测被跟踪对象的预期目的地及其未来轨迹。在本文介绍的框架内，观察到的物体部分轨迹被建模为终止于其目的地的马尔可夫桥的一部分，因为目标路径虽然是随机的，但必须在预期的端点结束。这捕获了轨迹中潜在的长期依赖关系，如物体意图所决定的。通过确定从特定构造的桥梁绘制部分轨迹的可能性，可以评估多个可能目的地中的每一个的概率。这些桥梁还可用于生成潜在系统状态的精确估计（例如物体位置、速度等），预测其未来值（直到到达指定终点）并估计到达时间。这被证明可以实现基于卡尔曼滤波器的低复杂度推理程序实现，其中可以应用任何线性高斯运动模型，包括目的地恢复模型。在仪表车辆中收集的自由手势数据和驶向多个可能港口的船只的合成轨迹被用于证明所提出方法的有效性。
使用贝叶斯更新方法预测顶管力
这是经过同行评审的、已接受作者手稿的以下研究文章：Sheil, BB、Suryasentana, SK、Templeman, JO、Phillips, BM、Cheng, WC 和 Zhang, L. (2022)。使用贝叶斯更新方法预测顶管力。岩土工程与土工环境工程杂志，148(1)，[04021173]。https://doi.org/10.1061/(ASCE)GT.1943-5606.0002645
大尺寸单索引贝叶斯的脑萎缩建模
摘要。我们提出了一种脑萎缩模型，这是高维遗传信息的函数和低维的协变量，例如性别，年龄，APOE基因和疾病状态。提出了一个非参数单索引贝叶斯的高维模型，以在未知函数上使用B型序列序列对关系进行建模，并在随机效应的分布之前，在未知的函数和dirichlet过程尺度混合物上进行了焦中的尺度混合物。在没有随机效应的情况下，收缩的后率是针对固定数量的区域和时间点的，随着样本量的增加。我们通过哈密顿蒙特卡洛（HMC）算法实现了有效的计算算法。将提出的贝叶斯方法的性能与线性模型中相应的最小平方估计器进行了比较，并在高维协变量对高维协变量上的Mosseshoe先验，最小绝对收缩和选择算子（Lasso）（LASSO）（LASSO）（LASSO）和平滑剪辑的绝对偏差（SCAD）进行了惩罚。提出的贝叶斯方法适用于在748个个体的多次访问中使用620,901个SNP和其他6个其他协变量对每个人进行多次访问的大脑区域的数据集，以识别与脑萎缩相关的因素。
贝叶斯统计中的漏洞∗ 1. 概述 2. 概率......
每种哲学都有漏洞，指出这些问题是哲学支持者的责任。以下是贝叶斯数据分析中的几个漏洞：（1）通常的条件概率规则在量子领域失效，（2）平坦或弱先验会导致对我们关心的事物做出可怕的推断，（3）主观先验不一致，（4）贝叶斯因子在平坦或弱先验存在的情况下失效，（5）由于康托尔原因，我们需要检查我们的模型，但这会破坏贝叶斯推理的连贯性。贝叶斯统计的一些问题源于人们试图做他们不应该做的事情，但其他漏洞并不是那么容易修补的。特别是，避免平坦、弱或传统的先验可能是一个好主意，但如果遵循这样的建议，就会违背绝大多数贝叶斯实践，并要求我们面对贝叶斯推理的根本不连贯性。这并不意味着我们认为贝叶斯推理是个坏主意，而是意味着贝叶斯逻辑和贝叶斯工作流之间存在着一种紧张关系，我们认为只有将贝叶斯逻辑视为一种工具、一种揭示模型假设中不可避免的不一致性和不一致性的方式，而不是将其作为目的本身，才能解决这种紧张关系。
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%。
多模式动力学系统的贝叶斯分解用于加固学习
在本文中，我们提出了一个基于模型的增强学习系统，其中以贝叶斯方式处理过渡模型。这种方法自然可以通过引入先验来对基础学习任务强加结构来利用专家知识。引入系统的其他信息意味着我们可以从少量数据中学习，恢复可解释的模型，并且重要的是，提供了相关的不确定性的预测。为了显示该方法的好处，我们使用一个具有挑战性的数据集，其中基础系统的动力学既表现出操作相移和异质噪声。将我们的模型与NFQ和BNN+LV进行了比较，我们展示了我们的方法如何产生对基本动力学的可隔离见解，同时也提高了数据效率。
大数据的统计机器学习的贝叶斯观点
摘要：统计机器学习（SML）是指允许计算机发现输入数据集的重要特征的算法和方法，这些功能通常很大。从数据发现的特征发现的任务本质上是SML中关键字“学习”的含义。SML算法有效性的理论合理是由不同学科的声音原理（例如计算机科学和统计数据）所基于的。尤其是统计推断方法所理由的理论基础被称为统计学习理论。本文从贝叶斯决策理论的角度对SML进行了评论 - 我们认为，通过使用所谓的贝叶斯范式，许多SML技术与推理密切相关。我们讨论了许多重要的SML技术，例如受监督和无监督的学习，深度学习，在线学习和高斯流程，尤其是在经常使用的非常大的数据集的情况下。我们提出了一个词典，该字典映射了来自计算机科学和统计数据的SML的关键概念。我们用三个中等大型数据集说明了SML技术，我们还讨论了许多实际的实施问题。因此，该评论尤其针对统计学家和计算机科学家，他们渴望理解并将SML应用于中等大数据集。
贝叶斯优化函数在图中的节点子集
我们解决了图表中节点子集上定义的功能优化的问题。鉴于其组合，黑盒和昂贵的评估性质，这种功能的优化通常是一项非平凡的任务。尽管文献中已经引入了各种算法，但大多数是特定于任务或计算效率低下的算法，并且仅利用图形结构的信息而不考虑函数的特征。为了解决这些限制，我们利用贝叶斯优化（BO），一种样品有效的黑盒求解器，并提出了一个新颖的框架，以在图形上进行组合优化。更具体地说，我们将原始图中的每个k节点子集映射到新组合图中的节点，并采用局部建模方法，通过使用递归算法逐步采样其子图，以有效地穿越后者。合成和现实世界中的广泛实验证明了拟议的BO框架在各种类型的图形和优化任务上的有效性，其中通过消融研究详细分析了其行为。可以在github.com/leonresearch/graphcombo上找到实验代码。