XiaoMi-AI文件搜索系统
World File Search SystemCalibration
校准和代码语言模型的正确性
摘要 - 机器学习模型被广泛使用，但通常也可能是错误的。用户将受益于可靠的指标，即是否应信任给定模型的给定输出，因此可以做出合理决策是否使用输出。例如，输出可以与置信度度量相关联；如果这种置信度度量与正确性的可能性密切相关，则据说该模型是良好校准的。良好的置信度措施可以作为理性，逐步决策的基础，以了解使用生成的代码时需要多少审查和护理。校准已经在主要非生成中进行了研究（例如，分类）设置，尤其是在软件工程中。但是，生成的代码通常可能是错误的：给定的代码，开发人员必须决定是否直接使用，在仔细审查强度变化或丢弃模型生成的代码后使用。因此，卡尔 - 对生成环境至关重要。我们做出了一些贡献。我们开发了一个框架来评估代码生成模型的校准。我们考虑了几个任务，正确性标准，数据集和方法，并发现我们测试的大而生成的代码模型并未得到很好的开箱即用。然后，我们展示如何使用标准方法（例如PLATT缩放）改进校准。我们的贡献将在语言模型生成的当前使用代码中提供更好地校准的决策，并为将来的研究提供了一个框架，以进一步改善软件工程中生成模型的校准方法。由于Platt缩放率取决于正确性数据的事先可用性，因此我们评估了PLATT缩放在软件工程中的适用性和概括性，讨论其具有良好实际使用潜力的设置以及不存在的设置。索引项 - LLS，校准，置信度度量
SWATCUP 中 SWAT 的校准及不确定性分析
Houshmand D. 等人，2017 年。校准参数和水资源估计对不同目标函数和优化算法的敏感性。水，9，384。https://www.mdpi.com/2073-4441/9/6/384
Geocalib：通过几何优化学习单图像校准
摘要。从单个图像中，视觉提示可以帮助推断出固有和外在的摄像头参数，例如焦距和重力方向。此单图像校准可以使各种下游应用程序受益，例如图像编辑和3D映射。当前解决此问题的方法是基于带有线条和消失点的经典几何形状，或者是基于训练有素的端到端的深神经网络。学习的方法更强大，但很难概括到新的环境中，并且不如其经典同行准确。我们假设它们缺乏3D几何形状所提供的约束。在这项工作中，我们介绍了Geocalib，这是一个深层神经网络，通过优化过程利用3D几何的通用规则。GeoCalib是端对端训练的，以估算摄像机参数并学会从数据中找到有用的视觉提示。在各种基准测试中的实验表明，与现有的经典和学识渊博的方法相比，Geocalib更健壮，更准确。其内部优化估计不确定性，有助于标记故障案例并受益于下游应用程序，例如视觉定位。代码和训练有素的模型可在https://github.com/cvg/geocalib上公开获得。
AN-12-0036-NSx2860(X)-9260(X) 单一校准系统用户指南
该校准系统旨在帮助客户在实验室级别快速验证 NSx2860(X)/9260(X) 系列信号调节 ASIC。本文档用于指导用户如何使用该校准系统。
应用机器学习方法来提高时间域的校准质量反射测量测量技术
摘要该文章介绍了时间域反射法（TDR）技术的应用，以测量建筑中使用的多孔建筑材料的水分。这项工作的重点是利用人工智能性别的潜力来通过新的方法来解释从TDR读取获得的数据来提高TDR测量的质量。机器学习是一种数据分析技术，如今在许多科学的语言上使用。作者使用人工智能算法进行了测量数据分析，以评估使用两个非侵入性传感器测试的充气混凝土样品的水分，该水分在厚度上有所不同。使用监督的机器学习进行了数据分析，以分析测量过程中获得的一系列反射图。对于通过经典和机器学习方法解释获得的数据，进行了相关分析，以确认人工智能的潜力提高TDR测量的质量。该工作的摘要讨论了获得的分析结果，并使用高斯工艺回归方法强调了水分评估的有效评估，该方法允许达到RMSE错误值的0.2-0.3％的水平，该水平比传统方法低约10倍。
应用机器学习方法来提高时间域的校准质量反射测量测量技术
摘要该文章介绍了时间域反射法（TDR）技术的应用，以测量建筑中使用的多孔建筑材料的水分。这项工作的重点是利用人工智能性别的潜力来通过新的方法来解释从TDR读取获得的数据来提高TDR测量的质量。机器学习是一种数据分析技术，如今在许多科学的语言上使用。作者使用人工智能算法进行了测量数据分析，以评估使用两个非侵入性传感器测试的充气混凝土样品的水分，该水分在厚度上有所不同。使用监督的机器学习进行了数据分析，以分析测量过程中获得的一系列反射图。对于通过经典和机器学习方法解释获得的数据，进行了相关分析，以确认人工智能的潜力提高TDR测量的质量。该工作的摘要讨论了获得的分析结果，并使用高斯工艺回归方法强调了水分评估的有效评估，该方法允许达到RMSE错误值的0.2-0.3％的水平，该水平比传统方法低约10倍。
深度套期保值和深度校准
摘要机器学习到财务领域的应用已成为主题讨论的主题。，预计深度学习将显着推进对冲和校准的技术。由于这两种技术在金融工程和数学金融中起着核心作用，因此对他们的应用吸引了从业人员和研究人员的关注。深度套期保值，将深度学习应用于对冲，预计将有可能分析交易成本等因素如何影响对冲策略。由于由于计算成本而难以对这些因素的影响进行数量评估，因此深度对冲不仅为衍生品的精炼和自动化对冲操作提供了可能性，而且为风险管理中的更广泛应用提供了可能性。深度校准将深入学习用于校准，有望进行参数优化计算，这是衍生品定价和风险管理中必不可少的过程，更快，更稳定。本文概述了现有文献，并从实际和学术角度提出了未来的研究方向。具体来说，本文展示了深度学习对现有理论框架和财务上的实际动机的影响，并确定了深度学习可以带来的潜在发展以及实践挑战。关键字：金融工程；数学金融；衍生物；对冲校准;数值优化
应用机器学习技术在校准和数据减少多孔探针
1。treaster，A。L.和Yocum，A。M.，1978。五孔探针的校准和应用。技术。REP。 2。 Yasa，T。和Paniagua，G.，2012。 \多孔探测数据处理的鲁棒过程。 流量测量和仪器，26，pp。 46-54。REP。 2。Yasa，T。和Paniagua，G.，2012。\多孔探测数据处理的鲁棒过程。流量测量和仪器，26，pp。46-54。
通过迁移学习和可穿戴脑电图技术提高脑机接口的性能、校准时间和效率
摘要 — 脑机接口 (BMI) 已成为辅助技术的变革力量，通过实现设备控制和促进功能恢复，为运动障碍患者提供了帮助。然而，持续存在的会话间差异性挑战带来了重大障碍，每次使用时都需要耗时的校准。除此之外，当前设备的低舒适度进一步限制了它们的使用。为了应对这些挑战，我们提出了一种综合解决方案，将基于 CNN 的微型迁移学习 (TL) 方法与舒适的可穿戴 EEG 头带相结合。这种新型可穿戴 EEG 设备在头带上放置了柔软的干电极，并能够进行机载处理。我们获取了多个会话的运动 EEG 数据，并使用 TL 实现了高达 96% 的会话间准确度，大大缩短了校准时间并提高了可用性。通过每 100 毫秒在边缘执行一次推理，该系统估计可实现 30 小时的电池寿命。舒适的 BMI 设置配有微型 CNN 和 TL，为未来的设备持续学习铺平了道路，这对于解决会话间差异和提高可用性至关重要。索引术语 — 脑机接口、EEG、可穿戴医疗保健、可穿戴 EEG、深度学习、迁移学习