XiaoMi-AI文件搜索系统
World File Search SystemConformal
随机性，交换性和保形预测
随机性的功能理论是在Vovk [2020]中以非算力的随机性理论的名义提出的。Ran-Domness的算法理论是由Kolmogorov于1960年代启动的[Kolmogorov，1968年]，并已在许多论文和书籍中开发（例如，参见Shen等人。2017）。它一直是直觉的强大来源，但其弱点是对特定通用部分可计算函数的选择的依赖性，这导致其数学结果中存在未指定的加性（有时是乘法）常数。Kolmogorov [1965，Sect。 3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value). 与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。 它将在教派中引入。 2。 在本文中，我们将这种方法称为随机性的功能理论。 虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。 读者将不会假设对随机性算法理论的形式知识。 在本文中，我们有兴趣将随机性的功能理论应用于预测。 3。Kolmogorov [1965，Sect。3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value).与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。它将在教派中引入。2。在本文中，我们将这种方法称为随机性的功能理论。虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。读者将不会假设对随机性算法理论的形式知识。在本文中，我们有兴趣将随机性的功能理论应用于预测。3。机器学习中最标准的假设是随机性：我们假设观察值是以IID方式生成的（独立且分布相同）。先验弱的假设是交换性的假设，尽管对于无限的数据序列而言，随机性和交换性证明与著名的de Finetti代表定理本质上是等效的。对于有限序列，差异是重要的，这将是我们教派的主题。我们开始讨论在教派中预测的随机性功能理论的应用。2。在其中介绍了置信度预言的概念（稍微修改和推广Vovk等人的术语。2022，Sect。2.1.6）。然后，我们根据三个二分法确定八种置信预测因素：
关于保形预测集的预期大小
虽然共形预测因子在其频率上获得了严格的统计保证的好处，但其相应的预测集的大小对其实际利用而言至关重要。不幸的是，目前缺乏有限样本分析，并保证了其预测设置尺寸。为了解决这一短缺，我们从理论上量化了在分裂的共形预测框架下的预测集的预期大小。由于通常无法直接计算此精确的形式，我们进一步得出了可以在经验上计算的点估计和高概率间隔边界，从而提供了一种表征预期设置大小的实用方法。我们通过在现实世界数据集上实验回归和分类问题来证实结果的功效。
蒸气的独立颗粒 - ...
原位无动，可以允许使用较小的体积和较小尺寸的小部分。然而，当属于平坦底物上的粒子经过常规的ALD过程时，它将覆盖在所有裸露的表面（即顶部和侧面）上，但不在与底物相连的侧面。另外，在粒子和底物之间的纳米级间隙中生长的配合物将将两者结合在一起，这使得粒子的脱离不可能。在这里，我们报告了一种新颖的技术，用于在惰性聚苯乙烯（PS）膜上覆盖各个方面的单个颗粒。为了使无机膜不仅可以在粒子暴露的表面上增长，而且还可以在与聚苯乙烯接触的底部增长，这种技术重新利用了蒸气相渗透（VPI）[3,4]，[3,4]基于ALD的材料杂交过程，基于ALD家族，包括序列序列（包括序列），包括序列INSTINTER INSTIMER INSTIMER INSTERTION（MPSRESINTION INVINTRAINTINT（MPI）[MPI）[MPI）[MPI，MPI）[MPI，MPI，MPI，MPI，MPI，MPI，MPI， （SIS），[6]和顺序蒸气浸润（SVI）。[7]在VPI期间，蒸气阶段金属前体刺激到聚合物基质中，并与其中的官能团反应形成有机无机杂种。[8-10]浸润合成的杂种显示增强的材料特性，已证明对多种应用有用，例如蚀刻罩，[11,12]抗侵蚀纳米纹状体，[13,14]光催化和光效率和光效应器，[15] PhotopotopodeTectors，[15] PhotopodeTectors，[16] 17]，[17] [17]，[17] [17] [17] [17] [17][19]
共形天线和集成设计程序
目前，飞机和直升机上的无线电通信和无线电辅助服务通常分散在整个机身上的许多天线和传感器中。从设备采购的角度来看，这种政策可能很方便，但它不可避免地会导致中小型飞机、直升机和无人机的安装问题，因为通常只有一小部分机身表面可用于天线定位。因此，必须接受性能下降，这既是由于飞机结构导致的天线方向图失真，也是由于传感器之间的电磁干扰。这个问题在多用途车辆上可能会变得更加严重，因为根据任务目标，必须满足不同的要求。可以在共形和多波段天线领域找到解决天线扩散问题的可能方法。
使用共形预测进行预测的机器学习...
本论文是与 Knowit、¨ Ostrand & Hansen 和 Orkla 合作完成的。旨在探索机器学习和深度学习模型与保形预测在 Orkla 预测性维护情况下的应用。预测性维护在许多工业制造场景中都至关重要。它可以帮助减少机器停机时间、提高设备可靠性并节省不必要的成本。在本论文中，各种机器学习和深度学习模型（包括决策树、随机森林、支持向量回归、梯度提升和长短期记忆）都应用于现实世界的预测性维护数据集。Orkla 数据集最初计划在本论文项目中使用。然而，由于遇到一些挑战和时间限制，我们选择了一个具有类似数据结构的 NASA C-MAPSS 数据集来研究如何应用机器学习模型来预测制造业的剩余使用寿命 (RUL)。此外，最近开发的用于测量机器学习模型预测不确定性的框架共形预测也被集成到模型中，以实现更可靠的 RUL 预测。论文项目结果表明，具有共形预测的机器学习和深度学习模型都可以更接近真实 RUL 预测 RUL，而 LSTM 的表现优于机器学习模型。此外，共形预测区间提供了有关预测不确定性的丰富而可靠的信息，这有助于提前通知工厂人员采取必要的维护措施。总体而言，本论文证明了在预测性维护情况下利用具有共形预测的机器学习和深度学习模型的有效性。此外，基于 NASA 数据集的建模结果，讨论了如何将这些经验转移到 Orkla 数据中，以便将来进行 RUL 预测的一些见解。关键词 机器学习、深度学习、不确定性估计、共形预测、预测性维护、RUL、概率预测、决策树、随机森林、支持向量回归、梯度提升、LSTM。
增材制造坚固合金上的保形涂层
开发具有以下特征的新型高温合金：（1）。高机械强度完整性；（2）。高抗氧化性；（3）。高抗渗碳性。所设计的合金有望应用于在高温（超过 750 ºC，例如 800 ºC）和高压（30 MPa）下在 sCO 2 中运行的热交换器。
宽带非线性光学元件的共形映射方法...
©2024作者，在Springer Nature Limited的独家许可下。保留所有权利。本文只能下载供个人使用。任何其他用途都需要事先获得版权持有人的许可。记录的版本可在线在http://doi.org/10.1038/s41566-024-01386−2上获得。
从量子纠缠到共形场论
2 诊断工具箱：量子纠缠和共形场论.......................................................................................................................................................................................................................................5 2.1 量子纠缠....................................................................................................................................................................................................................................................................6 2.1.1 纠缠：不可分离性....................................................................................................................................................................................................................................................6 2.1.1 纠缠：不可分离性.................................................................................................................................................................................................................................................... 6 2.1.2 冯·诺依曼纠缠熵..................................................................................................................................................8 2.1.3 纠缠缩放..................................................................................................................................................................................10 2.1.4 协方差矩阵方法..................................................................................................................................................................................15 2.2 共形场论..................................................................................................................................................................................15 . . . . 19 2.2.1 共形不变性 . . . . . . . . . . . . . 19 2.2.2 希尔伯特空间形式 . . . . . . . . . . . . . . 22 2.2.3 最小模型 . . . . . . . . . . . . . . . . . 25 2.2.4 一个例子：格子伊辛模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .三十七
成为贝叶斯人在在线保形预测中的重要性
1一个示例是分类，其中得分函数通常是每个候选标签的SoftMax得分（r = 1）。它是积极的定向：较大意味着模型更确定候选标签是真实的标签。对于回归，更常见的是使用负面的分数函数，这意味着等式中的不平等。（1）被逆转。2这个扩展的摘要着重于边缘CP。更一般地，CP算法可以预测R t（X t，α）。
与保形不确定性传播的协作多对象跟踪
摘要 - 对象检测和多个对象跟踪（MOT）是自动驾驶系统的重要组成部分。准确的检测和不确定性量化对于诸如感知，预测和计划之类的车载模块至关重要，以提高自动驾驶汽车的安全性和鲁棒性。已提出协作对象检测（COD）来提高检测准确性并通过利用多种代理的观点来降低不确定性。但是，很少关注如何利用COD的不确定性量化来增强MOT性能。在这封信中，作为解决这一挑战的第一次尝试，我们设计了一个称为Mot-Cup的不确定性传播框架。我们的框架首先通过直接建模和共形预测来量化COD的不确定性，并将这些不确定性信息传播到运动预测和关联步骤中。MOT-CUP旨在与不同的协作对象检测器和基线MOT算法合作。我们在V2X-SIM上评估了MOT-CUP，这是一个全面的协作感知数据集，并证明了准确性和2的提高2％。67倍不确定性的降低，例如排序和字节式。在以高阻塞水平为特征的情况下，我们的Mot-Cup表现出4.01％的提高ininaccuracy.mot-cupdemonstheimportheimportsheimportal cod和Mot中不确定性量化的持续性，并提供了基于不确定的Mot的准确性和降低基于Mot的预定率的尝试，并提供了第一个尝试。